利用全局图属性预测语义关系
计算与语言
2018-08-28 v1
摘要
语义图（如 WordNet）是在两个可区分的层次上整理自然语言的资源。在局部层次上，同义词集（语义构建块）之间的个体关系（如上位关系和部分关系）增进了我们对用以表达其意义的词语的理解。在全局层次上，对整个网络的图论属性分析揭示了人类语言整体的结构。在本文中，我们通过最大间隔马尔可夫图模型（M3GM）框架将语义图的全局与局部属性结合起来，M3GM 是指数随机图模型（ERGM）的一种可扩展至大型多关系图的新颖扩展。我们展示了这种全局建模如何提升预测同义词集之间语义关系的局部任务性能，在 WN18RR 数据集上取得了新的最先进结果，该数据集是 WordNet 链接预测的一个具有挑战性的版本，其中“简单”的互易情形已被移除。此外，M3GM 模型识别出了作为良构词汇语义本体特征的多元关系模体。
引用
@article{arxiv.1808.08644,
title = {Predicting Semantic Relations using Global Graph Properties},
author = {Yuval Pinter and Jacob Eisenstein},
journal= {arXiv preprint arXiv:1808.08644},
year = {2018}
}
备注
EMNLP 2018