面向词义消歧的条件随机场模型库构建

doi:10.3969/j.issn.1000-3428.2012.20.039

计算机工程 ›› 2012, Vol. 38 ›› Issue (20): 152-155. doi: 10.3969/j.issn.1000-3428.2012.20.039

面向词义消歧的条件随机场模型库构建

车玲，张仰森

(北京信息科技大学智能信息处理研究所，北京 100192)

收稿日期:2011-11-07 修回日期:2012-02-05 出版日期:2012-10-20 发布日期:2012-10-17
作者简介:车玲(1987－)，女，硕士，主研方向：智能信息处理；张仰森，教授
基金资助:
国家自然科学基金资助项目(60873013, 61070119)；北京大学计算语言学教育部重点实验室开放课题基金资助项目(KLCL-1005)；北京市属市管高等学校人才强教计划基金资助项目(PHR201007131)

Construction of Condition Random Field Model Base Oriented to Word Sense Disambiguation

CHE Ling, ZHANG Yang-sen

(Institute of Intelligence Information Processing, Beijing Information Science and Technology University, Beijing 100192, China)

Received:2011-11-07 Revised:2012-02-05 Online:2012-10-20 Published:2012-10-17

摘要/Abstract

摘要： 以条件随机场(CRF)作为构建词义消歧模型库的概率模型，利用CRF分别训练高频义项和低频义项标点句语料，应用生成的模型文件进行消歧实验。通过分析标注结果中的概率值确定阈值，以区分标注正确项和错误项。使用表现较好的模型文件和相应阈值构建面向词义消歧的条件随机场模型库。实验结果证明，对低频义项建模的词义消歧效果优于对高频义项进行建模，可以达到80%以上的正确率，并且可以获得较高的召回率。

关键词: 多义词, 词义消歧, 条件随机场, 高频义项, 低频义项

Abstract: Taking Condition Random Field(CRF) method as probability model for word sense disambiguation model base, this paper uses CRF to train model file of high-frequency meaning and low-frequency meaning. It analyzes the probabilities in the result, determines a threshold to justify whether the marked tag is right, and uses the best performed model and its corresponding threshold to build CRF model base. Experimental results prove that model files of low-frequency meaning have better performance. The accuracy rate can reach above 80%, and the call rate is high.

Key words: polysemous word, word sense disambiguation, Condition Random Field(CRF), high-frequency meaning, low-frequency meaning

中图分类号:

TP311

车玲, 张仰森. 面向词义消歧的条件随机场模型库构建[J]. 计算机工程, 2012, 38(20): 152-155.

CHE Ling, ZHANG Ang-Sen. Construction of Condition Random Field Model Base Oriented to Word Sense Disambiguation[J]. Computer Engineering, 2012, 38(20): 152-155.

http://www.ecice06.com/CN/Y2012/V38/I20/152

[1]	司逸晨, 管有庆. 基于Transformer编码器的中文命名实体识别模型[J]. 计算机工程, 2022, 48(7): 66-72.
[2]	李军怀, 陈苗苗, 王怀军, 崔颖安, 张爱华. 基于ALBERT-BGRU-CRF的中文命名实体识别方法[J]. 计算机工程, 2022, 48(6): 89-94,106.
[3]	崔丽平, 古丽拉·阿东别克, 王智悦. 基于有向图模型的旅游领域命名实体识别[J]. 计算机工程, 2022, 48(2): 306-313.
[4]	吕江海, 杜军平, 周南, 薛哲. 基于膨胀卷积迭代与注意力机制的实体名识别方法[J]. 计算机工程, 2021, 47(1): 58-65,71.
[5]	何阳宇, 晏雷, 易绵竹, 李宏欣. 融合CRF与规则的老挝语军事领域命名实体识别方法[J]. 计算机工程, 2020, 46(8): 297-304.
[6]	杨飘, 董文永. 基于BERT嵌入的中文命名实体识别方法[J]. 计算机工程, 2020, 46(4): 40-45,52.
[7]	蔡凯, 李新福, 田学东. 基于视觉注意力分析的3D内容生成方法[J]. 计算机工程, 2020, 46(4): 266-272.
[8]	王仁武, 张文慧. 基于深度学习的隐性评价对象识别方法[J]. 计算机工程, 2019, 45(8): 315-320.
[9]	张杰妹, 杨词慧. 基于RV-FCN的CT肝脏影像自动分割算法[J]. 计算机工程, 2019, 45(7): 258-263.
[10]	张应成,杨洋,蒋瑞,全兵,张利君,任晓雷. 基于BiLSTM-CRF的商情实体识别模型[J]. 计算机工程, 2019, 45(5): 308-314.
[11]	谷兴龙, 谢珺, 靳红伟, 续欣莹. 基于词特征与语义特征的评价对象识别[J]. 计算机工程, 2019, 45(11): 218-224.
[12]	王俊强, 李建胜, 周华春, 张旭. 基于Deeplabv3+与CRF的遥感影像典型要素提取方法[J]. 计算机工程, 2019, 45(10): 260-265,271.
[13]	买买提阿依甫,吾守尔·斯拉木,帕丽旦·木合塔尔,杨文忠. 基于BiLSTM-CNN-CRF模型的维吾尔文命名实体识别[J]. 计算机工程, 2018, 44(8): 230-236.
[14]	李雁群,何云琪,钱龙华,周国栋. 基于维基百科的中文嵌套命名实体识别语料库自动构建[J]. 计算机工程, 2018, 44(11): 76-82.
[15]	史兆鹏,邹徐熹,向润昭. 基于依存句法分析的多特征词义消歧[J]. 计算机工程, 2017, 43(9): 210-213.

选择文件类型/文献管理软件名称

选择包含的内容

面向词义消歧的条件随机场模型库构建

Construction of Condition Random Field Model Base Oriented to Word Sense Disambiguation

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

面向词义消歧的条件随机场模型库构建

Construction of Condition Random Field Model Base Oriented to Word Sense Disambiguation

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价