面向词汇蕴含的词向量特化
计算与语言
2018-04-20 v2
摘要
我们提出了 LEAR（Lexical Entailment Attract-Repel），一种新颖的后处理方法，能够转换任何输入词向量空间以强调词汇蕴含（LE）的非对称关系，也称为 IS-A 或下义-上义关系。通过将外部语言约束（例如 WordNet 链接）注入初始向量空间，LE 特化过程使得真正的下义-上义对在变换后的欧氏空间中更加靠近。所提出的非对称距离度量调整词向量的范数以反映实际的 WordNet 式概念层级。同时，联合目标利用对称余弦距离强制执行语义相似性，从而产生一个同时针对两种词汇关系特化的向量空间。LEAR 特化在上下义方向性、上义检测和分级词汇蕴含任务中取得了最先进的性能，证明了所提出的非对称特化模型的有效性和鲁棒性。
引用
@article{arxiv.1710.06371,
title = {Specialising Word Vectors for Lexical Entailment},
author = {Ivan Vulić and Nikola Mrkšić},
journal= {arXiv preprint arXiv:1710.06371},
year = {2018}
}
备注
NAACL-HLT 2018 (long paper)