主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第3期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
何径舟,王厚峰.基于特征选择和最大熵模型的汉语词义消歧.软件学报,2010,21(6):1287-1295
基于特征选择和最大熵模型的汉语词义消歧
Chinese Word Sense Disambiguation Based on Maximum Entropy Model with Feature Selection
  修订日期:2009-02-24
DOI:
中文关键词:  最大熵模型  分类特征  自动特征选择  汉语词义消歧
英文关键词:maximum entropy model  classification feature  automatic feature selection  Chinese word sense disambiguation
基金项目:upported by the National Natural Science Foundation of China under Grant Nos.60675035, 60973053, 90920011 (国家自然科学基金); the Beijing Municipal Natural Science Foundation of China under Grant No.4072012 (北京市自然科学基金)
作者单位
何径舟 北京大学 信息科学技术学院 计算语言学研究所,北京 100871 北京大学 计算语言学教育部重点实验室,北京 100871 
王厚峰  
摘要点击次数: 4709
全文下载次数: 4980
中文摘要:
      词义消歧是自然语言处理中一类典型的分类问题.在分类中,特征的选择至关重要.通常情况下,特征是由人工选择的,这就要求特征选取者对于待分类的问题本身和分类模型的特点有深刻的认识.分析了汉语词义消岐中特征模板对消歧结果的影响,在此基础上提出一套基于最大熵分类模型的自动特征选择方法,包括针对所有歧义词的统一特征模板选择和针对单个歧义词的独立特征模板优化算法.实验结果表明,使用自动选择的特征,不仅简化了特征模板,而且提高了汉语词义消歧的性能.与SemEval 2007:task #5的最好成绩相比,该方法分别在微平均值MicroAve(micro-average accuracy))和宏平均值MacroAve(macro-average accuracy))上提升了3.10%和2.96%.
英文摘要:
      Word sense disambiguation (WSD) can be thought as a classification problem. Feature selection is of great importance in such a task. In general, features are selected manually, which requires a deep understanding of the task itself and the employed classification model. In this paper, the effect of feature template on Chinese WSD is studied, and an automatic feature selection algorithm based on maximum entropy model (MEM) is proposed, including uniform feature template selection for all ambiguous words and customized feature template selection for each word. Experimental result shows that automatic feature selection can reduce feature size and improve Chinese WSD performance. Compared with the best evaluation results of SemEval 2007: task #5, this method gets MicroAve (micro-average accuracy)) increase 3.10% and MacroAve (macro-average accuracy)) 2.96% respectively.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利