用于文本数据词义消歧的单一深度双向 LSTM 网络
机器学习
2018-03-01 v1 计算与语言
信息检索
机器学习
摘要
由于近期技术与科学进展，我们在非结构化文本数据(如离线/在线叙述、研究论文与临床报告)中隐藏了大量信息。为妥善挖掘这些数据，鉴于其固有歧义性，词义消歧(WSD)算法可避免自然语言处理(NLP)流程中的诸多困难。然而，考虑到一种语言或技术域中大量歧义词，我们在恰当部署现有 WSD 模型时可能遇到限制约束。本文试图通过提出单一双向长短期记忆(BLSTM)网络来解决一词一分类器式 WSD 算法的问题，该网络通过考虑义项与上下文序列对所有歧义词集体处理。在 SensEval-3 基准上评估，我们展示模型结果可与顶尖 WSD 算法媲美。我们还讨论了如何应用额外修改来缓解模型缺陷及对更多训练数据的需求。
引用
@article{arxiv.1802.09059,
title = {One Single Deep Bidirectional LSTM Network for Word Sense Disambiguation of Text Data},
author = {Ahmad Pesaranghader and Ali Pesaranghader and Stan Matwin and Marina Sokolova},
journal= {arXiv preprint arXiv:1802.09059},
year = {2018}
}
备注
12 pages, 1 figure, to appear in the Proceedings of the 31st Canadian Conference on Artificial Intelligence, 8-11 May, 2018, Toronto, Canada