学习类比与语义关系

我们提出了一个基于信息检索向量空间模型（VSM）的算法，从无标签文本中学习，能够解决学术 aptitude test（SAT）中找到的 verbal analogy 题目。 verbal analogy 的形式为 A:B::C:D，意为“A 对 B 如 C 对 D”；例如，mason:stone::carpenter:wood。SAT 类比题提供一个词对 A:B，问题在于从五个备选答案中选择最相似的词对 C:D。VSM algorithm 正确回答了 374 个大学水平类比题的 47%（随机猜测将得到 20%）。我们通过将其与认知科学和语言学中的工作相关联，并应用于自然语言处理中的一个困难问题——确定名词-修饰词对的语义关系来激励这项研究。该问题是根据名词（printer）与修饰词（laser）之间的语义关系对名词-修饰词对（如“激光打印机”）进行分类。我们使用一种监督最近邻算法，通过在训练数据中找到最相似的名词-修饰词对来为给定的名词-修饰词对分配一个类别。在 30 类语义关系的集合中，对 600 个标记好的名词-修饰词对，学习算法获得了 26.5% 的 F 值（随机猜测：3.3%）。在 5 类语义关系中，F 值为 43.2%（随机：20%）。该性能在这些具有挑战性的问题上处于最先进水平。