多义词的分布表示：一种损失驱动方法
计算与语言
2019-04-16 v1 人工智能
摘要
Word2Vec 的 Skip Gram 模型是当前估计词分布表示的最优方法。然而，它假设每个词对应单一向量，这并不适合表示具有多个义项的词。本工作提出 LDMI，一种估计词分布表示的新模型。LDMI 基于如下思想：若一个词承载多个义项，则为其每个义项赋予不同表示，相比于对所有义项使用单一向量表示，应能在预测其共现词时获得更低的损失。在识别多义词后，LDMI 对这些词的出现实例进行聚类，以为每个实例分配一个义项。在上下文词相似度任务上的实验表明，LDMI 优于竞争方法。
引用
@article{arxiv.1904.06725,
title = {Distributed representation of multi-sense words: A loss-driven approach},
author = {Saurav Manchanda and George Karypis},
journal= {arXiv preprint arXiv:1904.06725},
year = {2019}
}
备注
PAKDD 2018 Best paper award runner-up