基于变异的术语符号化精确获取
cmp-lg
2008-02-03 v2 计算与语言
摘要
术语获取是NLP学习中一个重要问题，由于技术变革带来的术语不断更新。术语在机器翻译、自动索引或文本理解等若干NLP活动中扮演关键角色。与经典的一次性方法相反，我们提出了一种对现有参考列表和大型语料库进行操作的术语增量丰富过程。候选术语通过FASTR（一种基于统一的局部解析器）从参考术语的变体中提取获得。由于获取是在特定的形态句法语境（协调、插入或复合词的置换）中进行的，因此连同候选术语一起学到了丰富的概念联系。通过协调关系对术语进行聚类可得到概念相近的术语类，而由插入关系生成的图则表示一般/具体关系。在部分初始列表上获取量的优雅退化证实了该方法对不完整数据的鲁棒性。
引用
@article{arxiv.cmp-lg/9505012,
title = {A Symbolic and Surgical Acquisition of Terms through Variation},
author = {Christian Jacquemin},
journal= {arXiv preprint arXiv:cmp-lg/9505012},
year = {2008}
}
备注
8 pages compressed uuencoded latex, uses aaai.sty, 1 figure .eps To appear in Proceedings Workshop "New Approaches to Learning for NLP" at IJCAI'95