引入词性标记的基于语境相似度的词义消歧  

Word Sense Disambiguation Based on Context Similarity with POS Tagging

作　　者：孟禹光 周俏丽[1] 张桂平[1] 蔡东风[1] MENG Yuguang;ZHOU Qiaoli;ZHANG Guiping;CAI Dongfeng(Human Machine Intelligence Research Center,Shenyang Aerospace University,Shenyang,Liaoning 110136,China)

机构地区：[1]沈阳航空航天大学人机智能中心,沈阳辽宁110136

出　　处：《中文信息学报》2018年第8期9-18,共10页Journal of Chinese Information Processing

基　　金：教育部人文社会科学研究规划基金(18YJA870020)

摘　　要：目前的语境向量模型在对语义空间建模的时候,没有考虑到同一个词的不同词性具有不同的含义,将它们看作同一个点进行建模,导致得到的语境向量质量不高,使用这种语境向量计算语境相似度效果不好。针对该类问题,提出了一种加入词性特征的语境向量模型,加入词性后,可以将原本用语义空间中一个点表示的几个语义区分出来,得到质量更好的语境向量和语境相似度,进而得到更好的消歧效果。实验结果表明,这种建模方式可以有效区分不同词性的语义,在2004年的Senseval-3测试集上进行测试,准确率达到了75.3%,并在SemEval-13和SemEval-15公开测试集上进行了测试,消歧效果相比未引入词性特征的模型均得到了提升。While learning embeddings,context2 vec represent words with different parts-of-speech as one point without considering they often have different meanings.To avoid this low-quality context vectors and context similarity,we present a context2 vec model with POS features to differentiate different meanings represented by one point in the vector space.Experiments show that the accuracy of word sense disambiguation reaches 75.3% on 2004 Senseval-3,outperforming baselines on SemEval-13 and SemEval-15.

关 键 词：语境向量 语境相似度 词义消歧 词性特征 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]