结合语义知识的汉语词义消歧

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (3): 119-122.

结合语义知识的汉语词义消歧

张春祥1，2，邓龙3，高雪瑶3，卢志茂2

1.哈尔滨理工大学软件学院，哈尔滨 150080
2.哈尔滨工程大学信息与通信工程学院，哈尔滨 150001
3.哈尔滨理工大学计算机科学与技术学院，哈尔滨 150080

出版日期:2016-02-01 发布日期:2016-02-03

Chinese word sense disambiguation with semantic knowledge

ZHANG Chunxiang1，2, DENG Long3, GAO Xueyao3, LU Zhimao2

1.School of Software, Harbin University of Science and Technology, Harbin 150080, China
2.College of Information and Communication Engineering, Harbin Engineering University, Harbin 150001, China
3.School of Computer Science and Technology, Harbin University of Science and Technology, Harbin 150080, China

Online:2016-02-01 Published:2016-02-03

摘要/Abstract

摘要： 词义消歧一直是自然语言处理领域中的关键性问题。为了提高词义消歧的准确率，从目标歧义词汇出发，挖掘左右词单元的语义知识。以贝叶斯模型为基础，结合左右词单元的语义信息，提出了一种新的词义消歧方法。以SemEval-2007：Task#5作为训练语料和测试语料，对词义消歧分类器进行优化，并对优化后的分类器进行测试。实验结果表明：词义消歧的准确率有所提高。

关键词: 词义消歧, 歧义词汇, 贝叶斯模型, 语义信息

Abstract: Word sense disambiguation is an important problem in natural language processing. In order to improve the precision of word sense disambiguation, semantic knowledge of left and right word units is mined starting from the target polysemous word. Based on the Bayesian model, a new method of word sense disambiguation is proposed with semantic information of left and right word units. SemEval-2007：Task#5 is used as training corpus and test corpus. The classifier of word sense disambiguation is optimized. Then the optimized classifier is tested. Experimental results show that the precision of word sense disambiguation is improved.

Key words: word sense disambiguation, polysemous word, Bayesian model, semantic information

张春祥1，2，邓龙3，高雪瑶3，卢志茂2. 结合语义知识的汉语词义消歧[J]. 计算机工程与应用, 2016, 52(3): 119-122.

ZHANG Chunxiang1，2, DENG Long3, GAO Xueyao3, LU Zhimao2. Chinese word sense disambiguation with semantic knowledge[J]. Computer Engineering and Applications, 2016, 52(3): 119-122.

[1]	赵宇，祝义，于巧，陈小颖. 基于分层数据筛选的跨项目缺陷预测方法[J]. 计算机工程与应用, 2021, 57(20): 279-286.
[2]	王舒雅，刘强春，陈云芳，王福俊. 颜色模型扰动的语义对抗样本生成方法[J]. 计算机工程与应用, 2021, 57(15): 163-170.
[3]	石开，胡燕. 多头注意力与语义视频标注[J]. 计算机工程与应用, 2020, 56(6): 133-139.
[4]	于千城，於志文，王柱. 对抗样本训练图分类器进行模型推理质量评估[J]. 计算机工程与应用, 2020, 56(17): 142-149.
[5]	常振，段先华，鲁文超，彭媛. 基于多尺度的贝叶斯模型显著性检测[J]. 计算机工程与应用, 2020, 56(11): 207-213.
[6]	邓晨，谢林柏. 融合多尺度对比与贝叶斯模型的显著目标检测[J]. 计算机工程与应用, 2018, 54(8): 172-177.
[7]	于婷，张发明，何意雄. 二元语义信息下的动态激励群体评价方法及应用[J]. 计算机工程与应用, 2017, 53(18): 263-270.
[8]	张佳明，席耀一，王波，唐浩浩，李天彩. 基于词向量的微博事件追踪方法[J]. 计算机工程与应用, 2016, 52(17): 73-78.
[9]	海银花. 蒙古语语义信息词典SIKM的研发[J]. 计算机工程与应用, 2016, 52(10): 128-134.
[10]	张春祥1，2，栾博1，高雪瑶1，卢志茂3. 句法信息指导的汉语词义消歧[J]. 计算机工程与应用, 2015, 51(5): 142-145.
[11]	吴尧锋1，王文2，卢科青2，魏燕定1，陈子辰1. 逆向工程中基于语义的测量信息传递方法研究[J]. 计算机工程与应用, 2015, 51(20): 140-144.
[12]	胡健1，刘大雷2，彭喆2. 不确定贝叶斯算法在滑坡危险性预测的应用[J]. 计算机工程与应用, 2015, 51(17): 238-244.
[13]	李嘉，徐前，王梓，陈钊. 基于语义的林产品贸易Web信息抽取算法[J]. 计算机工程与应用, 2014, 50(19): 199-204.
[14]	张辉，丁博，孙立镌. 异构CAD系统语义信息交换方法研究[J]. 计算机工程与应用, 2013, 49(11): 149-152.
[15]	闫蓉，高光来. 面向词义消歧的词语相关度计算[J]. 计算机工程与应用, 2012, 48(27): 109-113.