ACLMay, 2023

视觉遇见定义：融合词汇信息的无监督视觉词义消岐

PDF
TL;DR本文介绍了一种使用基于词义的外部词汇知识库的无监督视觉词义消歧方法，该方法提出了一种利用贝叶斯推断来合并词义信息的方法，以及一种与 GPT-3 一起使用的上下文感知定义生成方法，实验结果显示，我们的方法显著提高了 VWSD 性能，并且对于具有更好性能的现有定义生成方法的 OOD 样例实现的明显性能提升。
visual word sense disambiguationunsupervised approachbayesian inferencecontext-aware definition generationlexical knowledge-base
发现论文，激发创造
  • 香港科技大学在 SemEval-2023 任务 1 中的视觉词义消歧：通过上下文增强和视觉辅助

    我们提出了一个多模态检索框架，充分利用了预训练的视觉 - 语言模型、开放知识库和数据集，通过处理上下文与目标词的含义进行匹配、使用提示模板整合匹配的描述和其他文本信息进行图像检索、融合不同模态的上下文信息并用于预测，为词义消歧和多模态学习领域带来了深刻的见解。

    Nov, 2023

  • 大型语言模型和多模态检索在视觉词义消歧中的应用

    通过多种方法，包括多模态检索、大型语言模型、问题回答以及学习排序模型等，本文深入研究了视觉词义消歧任务，以揭示其有趣的特性，为未来研究方向提供了有价值的启示。

    Oct, 2023

  • 语言模型作为视觉词义消歧的知识库

    利用大型语言模型 (Knowledge Bases) 中存储的知识，通过适当的提示实现以零 - shot 方式检索 VL transformers 的性能改进，并将 Visual Word Sense Disambiguation 转化为纯粹的文本问答问题。

    Oct, 2023

  • 将词汇注释融入神经词义消歧

    该论文提出了一种新的神经网络模型 GAS，在词汇资源和上下文信息的共同作用下实现了更好的词义消歧效果。

    May, 2018

  • 连点成线：通过对齐词义库桥接单词和定义之间的语义关系

    本研究提出了一种采用词义从不同词义库中匹配相同词义的定义句子（术语）的光泽对齐算法，并使用这些对齐的库训练模型以确定目标单词在上下文中的语义等效性，解决了有限的训练数据和集中于 WordNet 等预定义的词义库的问题；实验结果表明，所提出的方法改善了所有词义和低频词义的预测，并优于现有工作。

    Oct, 2021

  • GlossBERT: 一种具备词汇知识的词义消歧 BERT 模型

    本研究致力于提高利用词汇资源和神经网络的方法进行词义消歧（WSD）的性能。我们提出了基于 BERT 的 WSD 系统，并在 SemCor3.0 上对其进行了微调，实验结果表明，我们的方法优于现有的最先进系统。

    Aug, 2019

  • 使用主题模型的基于知识的词义消歧

    本研究使用主题模型的形式设计了一种词义消歧系统，使其在上下文单词数线性增长的情况下扩展，该方法在 5 个英语全单词 WSD 数据集上进行的评估表明，其性能优于这一领域的当前最先进无监督知识为基础的 WSD 系统。

    Jan, 2018

  • 统一语义表示的多语言词义消歧

    本文提出了一种基于多语言词典建立知识和监督为基础的多语言词义消歧（MWSD）系统的方法，利用统一的语义表示，将多种语言的注释进行共同训练以解决 MWSD 的注释稀缺问题，并在 SemEval-13 和 SemEval-15 数据集上展示了该方法的有效性。

    Oct, 2022

  • 无监督，无先验知识，可解释的词义消歧

    该论文介绍了一种具有可解释性的 WSD 系统，它将基于知识的方法与无监督学习的方法进行了结合，提供 Web 界面和公共 API 以使意义预测对人类可读。

    Jul, 2017

  • 利用变分语义记忆的元学习进行词义消歧

    本文提出一种基于层次变分推理的语义记忆元学习模型，通过超网络的自适应记忆更新规则，大幅提高了少样本情况下的监督词义消歧的性能。

    Jun, 2021