lexical semantic change detection | BriefGPT

关键词lexical semantic change detection

搜索结果 - 12

LSCD 基准：一个历时词义任务的测试平台
词汇语义变化检测 (LSCD) 是一个复杂的基于词元级的任务，它通常是基于两个后续应用的用法级任务来操作的：首先，对使用对生成上下文的词 (WiC) 进行标注，然后将这些标签表示为图形，在图上应用词义归纳 (WSI) 来生成语义聚类。最后，
PDF3 months ago
一种用于词汇语义变化检测的语义距离度量学习方法
通过使用已有的 Word-in-Context（WiC）数据集，我们提出了一种监督式的两阶段语义变化检测（SCD）方法，该方法可预测给定目标词在两个不同文本语料库中是否改变其意义。实验证明，我们的方法在多个语言的多个基准数据集上始终优于以前
PDF4 months ago
基于大型语言模型的词汇语义变化检测评估
引入大型语言模型（LLMs）进入词汇语义变化检测领域，提出了新的提示解决方案和全面评估，填补了研究领域中对 LLMs 应用的空白。
PDF7 months ago
LSCDiscovery 中的 BOS: 用于可解释的词汇语义变化检测的词汇替换
该研究提出了一种基于生成旧新义词的词汇替代方案，它在探测语义变化中实现了第二佳的结果，并且通过观察仅出现在一个时间段的替代词可以理解哪些义项被获得或丢失，从而为用户提供了更详细的信息并使方法具有可解释性。
PDF2 years ago
ACL词汇语义变化探测
本文提出从变化检测到变化发现的新方向，重点在于发现全文词汇中的新单词含义变化。通过对最近发表的德语数据进行深度调整，研究人员证明了两种模型都可以成功地应用于发现正在经历含义变化的新单词。此外，还提供一个几乎全自动化的框架用于评估和发现。
PDF3 years ago
ACL解释并提高 BERT 在词汇语义变化检测上的性能
本文考察了 token-based 与 type-based 嵌入模型在词汇语义变化检测中的竞争，研究发现 BERT 表现不佳的根本原因在于目标词汇的构字信息被编码在 BERT 表示的高层中，该论文通过减少构字信息的影响成功地改善了 BER
PDF3 years ago
UWB 在 SemEval-2020 任务 1 中的词汇语义变化检测
本文介绍我们在 SemEval2020 任务 1 中创造性的提出了语义变化检测方法，该方法是全自动的，不需要人工干预，且独立于语言；我们利用标准相关分析和正交变换计算语义空间之间的线性变换，并通过比较早期和晚期语料库中目标单词的向量之间的余
PDF4 years ago
SST-BERT 在 SemEval-2020 Task 1 中的应用：基于 BERT 嵌入空间的语义漂移追踪
本文讨论了关于词汇语义变化检测的方法，并提出了使用基于 BERT 的上下文化嵌入来对每个目标词的不同出现之间进行聚类，从而量化每个目标词的语义变化水平的方法，并在四种目标语言中取得了良好的表现，超过了所有提供的 SemEval 基线。
PDF4 years ago
COLINGSemEval-2020 任务 1：无监督词汇语义变化检测
第一项共享任务的结果，提供了评估框架和高质量的英语，德语，拉丁语和瑞典语手动注释数据集，解决了词汇语义变化检测领域中评估问题的压力，并吸引了 33 个团队提交了 186 个系统。
PDF4 years ago
COLINGCIRCE 在 SemEval-2020 任务 1 中的应用：结合无上下文和有上下文的词向量表示
本文介绍了 UG Student Intern 团队在 SemEval-2020 任务 1 中获胜的 Unsupervised Lexical Semantic Change Detection（子任务 2）的贡献，他们提出了一种基于无上下
PDF4 years ago
UiO-UvA 在 SemEval-2020 任务 1 中：用于词汇语义变化检测的上下文嵌入
该研究应用上下文化词嵌入到 SemEval-2020 Shared Task 1 的词汇语义变化检测中，着重于子任务 2，在两种上下文化体系结构（BERT 和 ELMo）和三种变化检测算法方面，分析了其性能。我们发现，最有效的算法依赖于平均
PDF4 years ago
ACLTime-Out: 模型词汇语义变化的时间参考方法
通过时间参照等方法来完成词汇语义变化检测，比传统的向量空间对齐方法能够更准确地控制误差。在使用时序参照的 Skip-gram 负采样架构和以往方法进行对比后，实验证明该方法在一个合成任务和一个人工测试集上的性能更佳。同时，我们介绍了一种模拟
PDF5 years ago