基于复杂网络高阶学习的词义消歧

复杂网络已被用于建模许多真实系统，并作为 myriad 应用中的建模工具。在本文中，我们利用复杂网络框架解决词义消歧任务中的监督分类问题，该任务旨在从歧义词的监督（或标记）训练数据中推导函数。传统的监督数据分类仅考虑输入数据的拓扑或物理特征。另一方面，人类（动物）大脑执行低阶和高阶学习，并具有根据输入数据的语义含义识别模式的能力。在本文中，我们应用一种混合技术，将这两种学习类型涵盖于词义消歧领域，并表明高阶学习确实能提高模型的准确率。这一证据表明，由词汇形成的内部结构确实存在模式，而这些模式通常无法仅通过传统技术正确揭示。最后，我们通过绘制决策边界展示了模型在低阶和高阶分类器不同权重下的行为。这项研究有助于更好地理解模型的有效性。