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
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12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
廖祥文,刘德元,桂林,程学旗,陈国龙.融合文本概念化与网络表示的观点检索.软件学报,2018,29(10):2899-2914
融合文本概念化与网络表示的观点检索
Opinion Retrieval Method Combining Text Conceptualization and Network Embedding
投稿时间:2017-07-20  修订日期:2017-11-08
DOI:10.13328/j.cnki.jos.005548
中文关键词:  信息检索  观点检索  知识图谱  文本概念化  网络表示
英文关键词:information retrieval  opinion retrieval  knowledge graph  text conceptualization  network embedding
基金项目:国家自然科学基金(61772135,U1605251);中国科学院网络数据科学与技术重点实验室开放基金(CASNDST 201708,CASNDST201606);可信分布式计算与服务教育部重点实验室主任基金(2017KF01);福建省自然科学基金(2017J01755);赛尔网络下一代互联网技术创新项目(NGⅡ20160501)
作者单位E-mail
廖祥文 福州大学 数学与计算机科学学院, 福建 福州 350116
福建省网络计算与智能信息处理重点实验室(福州大学), 福建 福州 350116 
 
刘德元 福州大学 数学与计算机科学学院, 福建 福州 350116
福建省网络计算与智能信息处理重点实验室(福州大学), 福建 福州 350116 
 
桂林 福州大学 数学与计算机科学学院, 福建 福州 350116
福建省网络计算与智能信息处理重点实验室(福州大学), 福建 福州 350116 
guilin.nlp@gmail.com 
程学旗 网络数据科学与技术重点实验室(中国科学院), 北京 100190  
陈国龙 福州大学 数学与计算机科学学院, 福建 福州 350116
福建省网络计算与智能信息处理重点实验室(福州大学), 福建 福州 350116 
 
摘要点击次数: 1479
全文下载次数: 825
中文摘要:
      观点检索是自然语言处理领域中的一个热点研究课题.现有的观点检索模型在检索过程中往往法根据上下文将词汇进行知识、概念层面的抽象,在语义层面忽略词汇之间的语义联系,观点层面缺乏观点泛化能力.因此,提出一种融合文本概念化与网络表示的观点检索方法.该方法首先利用知识图谱分别将用户查询和文本概念化到正确的概念空间,并利用网络表示将知识图谱中的词汇节点表示成低维向量,然后根据词向量推出查询和文本的向量,并用余弦公式计算用户查询与文本的相关度,接着引入基于统计机器学习的分类方法挖掘文本的观点.最后,利用概念空间、网络表示空间以及观点分析结果构建特征,并服务于观点检索模型.相关实验结果表明,所提出的检索模型可以有效提高多种检索模型的观点检索性能.其中,基于统一相关模型的观点检索方法在两个实验数据集上相比于基准方法,在MAP评价指标上分别提升了6.1%和9.3%,基于排序学习的观点检索方法在两个实验数据集上相比于基准方法,在MAP评价指标上分别提升了2.3%和14.6%.
英文摘要:
      Opinion retrieval is a hot topic in the research of natural language processing. Most existing approaches in text opinion retrieval can not extract knowledge and concept from context. They also lack opinion generalization ability and overlook the semantic relations between words. This paper proposes an opinion retrieval method based on knowledge graph conceptualization and network embedding. First, conceptual knowledge graph is used to conceptualize the queries and texts into the correct conceptual space while the nodes in the knowledge graph are embedded into low dimensional vectors space by network embedding technology. Then, the similarity between queries and texts is calculated based on embedding vectors. According to the similarity score, the opinion scores of texts can be captured based on statistical machine learning methods. Finally, the concept space, knowledge representation space, and opinion mining result serve opinion retrieval models. The experiment shows that the retrieval model proposed in this paper can effectively improve the retrieval performance of multiple retrieval models. Compared with referenced method based on unified opinion, the proposed approach improves the MAP scores by 6.1% and 9.3%, respectively. Compared with referenced method based on learning to rank, proposed approach improves the MAP scores by 2.3% and 14.6%, 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
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