ACLMar, 2022

使用多语言和多模态信息预测 BabelNet 同义词集的义元

PDF
TL;DR本研究旨在通过多模态信息融合模型，自动预测 BabelNet Synsets 的 Sememes，以此建立基于 BabelNet 的多语种语义知识库。实验结果表明，该模型相较于此前方法有着更佳的预测性能。
sememe knowledge basessememe predictionbabelnetmultilingualinformation fusion
发现论文，激发创造
  • 构建多语言义元知识库：为 BabelNet Synsets 预测 Sememes

    通过 BabelNet，我们提出了建立一个统一的多语言语义元基础知识库的方法，将超过 15000 个单词的语义元手动标注，然后提出了两个模型来自动预测语义元素，最终通过定量和定性分析探索了任务中的重要因素和难题。

    Dec, 2019

  • Sememe Prediction: 从非结构化文本 Wiki 描述学习语义知识

    该研究探索如何通过使用维基百科网站上的词语描述自动预测词汇语义单位（sememes），提出一种标签分布式序列到序列模型（LD-seq2seq）和一种新型软损失函数来解决这个弱序多标签任务，实验表明，相比于基线和人类标注者，该方法在测试集上取得了更好的表现。

    Aug, 2018

  • 通过词典自动构建义原知识库

    本文提出了一种基于现有词典完全自动地构建英文和法语语义知识库 (SKBs) 的简单方法，并进行了综合评估。实验结果表明，自动构建的英语 SKB 甚至优于需要数十年手动构建的 HowNet，在多个后续任务中，英语和法语 SKBs 都能带来明显的性能提升。

    May, 2021

  • 基于深度聚类网络搭建跨语言义元知识库的分析

    通过深度聚类网络和自我注意机制，本文提出了一种无监督方法来构建含有语义基元注释的知识库，从而更好地理解人类语言。

    Aug, 2022

  • 利用单词的汉字进行词汇义原预测

    本研究提出一种结合内部字符信息和外部上下文信息的新型框架，用于汉语语言下的词汇语义预测任务，实验结果表明该方法可以提高语义标注的效率和一致性，对低频词仍然有较好的性能表现。

    Jun, 2018

  • SememeASR: 利用义元语义知识提升端到端语音识别在领域和长尾数据转移上的性能

    在语音识别领域，通过引入基于义原的语义知识信息（SememeASR），从知识驱动的角度改进了纯数据驱动方法的问题解决，提高了语音识别的有效性，并增强了模型对长尾数据的识别和领域泛化能力。

    Sep, 2023

  • 基于义原专家稀疏积模型的语言建模

    该研究提出了一种用 Sememe 来驱动语言模型的方法，使得语言模型能够通过对最小语义单元的学习（Semantics）来改善预测表现、提高解释性和鲁棒性。

    Oct, 2018

  • 利用义原知识建模语义组合性

    本研究通过实验证明了使用人类语言的最小语义单元 - sememes 有助于模拟语义组成性，进而将 sememe 知识融入语义组成性模型，用于多词组成表达学习，实验证明该方法比基准方法具有更好的性能提升，并提供了定量分析和案例研究证明其有效性。

    Jul, 2019

  • API 中的多语言语义解析

    通过训练多个数据集和自然语言的模型，实现多语言语义解析，将文本转换为代码标识，通过图形解码框架并在多个基准测试中取得了最优表现。

    Mar, 2018

  • 使用 SememeWSD 和同义词集进行中文词义嵌入

    本文提出 SememeWSD Synonym（SWSDS）模型，通过使用 OpenHowNet 中的同义词集和词义消歧（WSD）来为多义词的每个意义指定不同的向量，验证结果表明与 Gensim 的 wmdistance 方法相比，SWSDS 模型提高了语义相似性的准确性。

    Jun, 2022