TAILIEUCHUNG - Báo cáo khoa học: "Vector-based Models of Semantic Composition"

This paper proposes a framework for representing the meaning of phrases and sentences in vector space. Central to our approach is vector composition which we operationalize in terms of additive and multiplicative functions. Under this framework, we introduce a wide range of composition models which we evaluate empirically on a sentence similarity task. Experimental results demonstrate that the multiplicative models are superior to the additive alternatives when compared against human judgments. . | Vector-based Models of Semantic Composition Jeff Mitchell and Mirella Lapata School of Informatics University of Edinburgh 2 Buccleuch Place Edinburgh EH8 9LW UK mlap@ Abstract This paper proposes a framework for representing the meaning of phrases and sentences in vector space. Central to our approach is vector composition which we operationalize in terms of additive and multiplicative functions. Under this framework we introduce a wide range of composition models which we evaluate empirically on a sentence similarity task. Experimental results demonstrate that the multiplicative models are superior to the additive alternatives when compared against human judgments. 1 Introduction Vector-based models of word meaning Lund and Burgess 1996 Landauer and Dumais 1997 have become increasingly popular in natural language processing NLP and cognitive science. The appeal of these models lies in their ability to represent meaning simply by using distributional information under the assumption that words occurring within similar contexts are semantically similar Harris 1968 . A variety of NLP tasks have made good use of vector-based models. Examples include automatic thesaurus extraction Grefenstette 1994 word sense discrimination Schutze 1998 and disambiguation McCarthy et al. 2004 collocation extraction Schone and Jurafsky 2001 text segmentation Choi et al. 2001 and notably information retrieval Salton et al. 1975 . In cognitive science vector-based models have been successful in simulating semantic priming Lund and Burgess 1996 Landauer and Dumais 1997 and text comprehension Landauer and Dumais 1997 Foltz et al. 1998 . Moreover the vector similarities within such semantic spaces have been shown to substantially correlate with human similarity judgments McDonald 2000 and word association norms Denhire and Lemaire 2004 . Despite their widespread use vector-based models are typically directed at representing words in isolation and methods .

• Báo cáo khoa học
• Vector based Models
• Semantic Composition
• Jeff Mitchell and Mirella Lapata
• báo cáo khoa học
• báo cáo ngôn ngữ
• xử lý ngôn ngữ tự nhiên
• Bài giảng Xử lý ngôn ngữ tự nhiên
• Ngôn ngữ tự nhiên
• Kỹ thuật lập trình
• Xử lý nhập nhằng ngữ nghĩa
• Xử lý ngữ nghĩa
• Xử lý ngôn ngữ
• Natural Language Processing
• Ngôn ngữ lập trình
• Nhập nhằng cấu trúc
• Tri thức về ngôn ngữ
• Mô hình ngôn ngữ
• Mô hình n gram
• Dịch máy
• Phương pháp dịch máy
• Hiểu ngôn ngữ
• Phân tích ngữ nghĩa
• Phân loại tin tự động
• Biểu diễn vị từ
• Thuộc tính về sự kiện
• Thuộc tính về sự kiện
• Mô hình ngôn ngữ Google Book N grams
• Mô hình ngôn ngữ KenLM
• Phương pháp làm mịn
• Tách từ tiếng Việt
• Gán nhãn từ loại
• Phân tích cú pháp
• Nghĩa từ vựng
• Phân giải nhập nhằng từ
• Phân loại văn bản
• Lexical chain
• Phản hồi thông tin
• Bài toán PTCP
• Cấu trúc ngữ pháp
• Phân tích cú pháp xác suất
• CKY kết hợp xác suất
• Văn phạm phi ngữ cảnh xác suất
• Hình thái học