论文部分内容阅读
框架语义分析任务主要包含目标词识别、框架识别、语义角色标注三个子任务。本文研究的框架排歧任务是框架识别的关键子任务。框架排歧任务的定义为:针对可激起多个框架的目标词,在给定其所在的上下文环境时,为其自动识别正确的框架。框架排歧是框架识别模型性能的瓶颈所在,在该任务上的突破,将为后续构建高精度的语义角色标注模型奠定基础,推动实现计算机对句子浅层语义信息的有效处理。针对框架排歧子任务,本文主要的研究内容及成果如下:(1)本文提出一种有效区别正确框架与错误框架的基于神经网络的框架表示学习算法。不同于传统的分类算法人工提取特征的做法,本文直接从语料中的例句出发,使用神经网络模型给出了一种框架表示学习的算法。该算法充分利用汉语框架语义知识库(CFN)中例句库、词元库,基于hinge-loss的神经网络,学习到优良的框架分布式表示向量。该框架表示向量可有效提升框架排歧模型的性能。此外,本文比较了其它三种不同的框架表示学习方法,分别是基于词元的框架表示学习、基于Word2Vec的框架表示学习和基于WSABIE的框架表示学习,验证了本文基于神经网络的框架表示学习方法显著好于其它三种方法。(2)本文构建了基于框架表示学习的汉语框架排歧模型。采用WSABIE算法学习得到目标词的上下文表示,排歧时以目标词的上下文表示向量与框架表示向量做余弦夹角来做判决。实验中,在CFN中88个有歧义的词元上进行,框架排歧精度最好达到72.52%。基于组块3组2折交叉验证t-检验,本文所提方法的性能显著高于其它的框架排歧方法。(3)本文设计和开发了CFN框架自动排歧系统。基于构建的基于框架表示学习的汉语框架排歧模型,该系统实现了以框架语义学为理论基础的句法语义分析任务中框架排歧的自动化处理。此外,系统还实现了对框架排歧任务所涉及的框架库、词元库、句子库的信息管理模块,规范了框架排歧及后续语义角色标注等任务的基础数据。本文构建的汉语框架排歧模型可为汉语框架语义分析的后续任务奠定基础。此外,本文提出的汉语框架分布式表示学习方法也可在汉语框架语义分析的其它任务中得到更为深入的应用和改进。