10.3969/j.issn.1000-386x.2019.09.014
基于模糊机制和语义密度聚类的汉语自动语义角色标注研究
基于CPB(Chinese Proposition Bank)提出一种基于LSTM-Bi-LSTM的汉语自动语义角色标注方法,并提出语义密度聚类进行数据预处理以及"模糊"机制利用于词向量转换过程.语义密度聚类通过密度的概念对谓词进行全局统一的聚类,将稀疏谓词替换为其所属聚类集合中的常见谓词;利用语义距离概念,将"模糊"机制引入词向量的转换过程,能适当地减少词向量的语义性,并提升与谓词词向量的相关性.利用Bi-LSTM网络自动学习特征表达,然后利用CRF和IOBES标注策略转化为词序列标注问题,引进一种词性学习方法;利用LSTM网络学习生成的词性特征向量与"模糊化"后的词向量融合后一同作为模型的输入向量;训练过程中采用了小批量梯度下降算法和Dropout正则化,这既加快了训练速度,又易于得到全局最优解,还防止了参数过拟合情况的出现.多组对比实验表明,该方法标注结果的F值最高达到了81.24％.
SRL、模糊机制、语义密度聚类、神经网络、词向量、CRF、Dropout
36
TP391.1(计算技术、计算机技术)
2019-09-19（万方平台首次上网日期，不代表论文的发表时间）
共8页
76-82,92
