结合词形词性和译文的汉语词义消歧

张春祥; 赵凌云; 高雪瑶

doi:10.15938/j.jhust.2020.03.020

Chinese

您当前的位置：

首页 >

文章列表页 >

结合词形词性和译文的汉语词义消歧

计算机与控制工程 | 更新时间：2026-08-31

- 结合词形词性和译文的汉语词义消歧
- Chinese Word Sense Disambiguation Based on Word translation and Part of speech
- 哈尔滨理工大学学报 2020年25卷第3期页码：131-136
- 作者机构：
  
  哈尔滨理工大学计算机科学与技术学院,哈尔滨,150080
- 作者简介：
- 基金信息：
- DOI：10.15938/j.jhust.2020.03.020
  中图分类号： TP3912
- 纸质出版：2020
- 稿件说明：
移动端阅览
张春祥, 赵凌云, 高雪瑶. 结合词形词性和译文的汉语词义消歧[J]. 哈尔滨理工大学学报, 2020,25(3):131-136.

ZHANG Chunxiang, ZHAO Lingyun, GAO Xueyao. Chinese Word Sense Disambiguation Based on Word translation and Part of speech[J]. 2020, 25(3): 131-136.
张春祥, 赵凌云, 高雪瑶. 结合词形词性和译文的汉语词义消歧[J]. 哈尔滨理工大学学报, 2020,25(3):131-136. DOI： 10.15938/j.jhust.2020.03.020.

ZHANG Chunxiang, ZHAO Lingyun, GAO Xueyao. Chinese Word Sense Disambiguation Based on Word translation and Part of speech[J]. 2020, 25(3): 131-136. DOI： 10.15938/j.jhust.2020.03.020.

摘要

摘要:针对汉语中存在的词汇歧义问题，根据左右邻接词汇的词形、词性和译文信息，采用卷积神经网络(convolution neural network，CNN)来确定它的真实含义。选取歧义词汇的消歧词窗，共包含两个邻接词汇单元，抽取其词形、词性和译文作为消歧特征。以消歧特征为基础，结合卷积神经网络来构建词义消歧分类器。利用SemEval-2007: Task#5的训练语料和哈尔滨工业大学语义标注语料来优化CNN的参数。采用SemEval-2007: Task#5的测试语料对词义消歧分类器进行测试。实验结果表明：相对于贝叶斯(Bayes)模型和BP神经网络(BP neural network)而言，本文所提出方法的消歧平均准确率分别提高了14.94%和6.9%。

Abstract

Abstract:For vocabulary ambiguity problem in Chinese

CNN(Convolution Neural Network) is adopted to determine true meaning of ambiguousvocabulary where word

part of speech and translation around its left and rightadjacent words are used. We select disambiguation window of ambiguous wordwhich contains two adjacent lexical units and word

partofspeech andtranslation are extracted as disambiguation features Based on disambiguationfeatures

convolution neural network is used to construct word sense disambiguation(WSD) classifier Training corpus in SemEval-2007: Task#5 and semanticannotation corpus in Harbin Institute of Technology are used to optimizeparameters of CNN Test corpus in SemEval-2007: Task#5 is applied to test wordsense disambiguation classifier Experimental results show that compared withBayes model and BP neural network

the proposed method in this paper can makeaverage disambiguation accuracy improve 14.94% and 6.9%

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

一种新的卷积神经网络的 ECT 图像重建算法

基于BLSTM-CNN-CRF的中文命名实体识别方法

一种受限玻尔兹曼机的词义消歧方法

铁水氧含量快速检测法评价球墨铸铁球化效果

SiC/SiC陶瓷基复合材料SLS/PIP 制备工艺及弯曲性能