TAILIEUCHUNG - Báo cáo khoa học: "An Equivalent Pseudoword Solution to Chinese Word Sense Disambiguation"

This paper presents a new approach based on Equivalent Pseudowords (EPs) to tackle Word Sense Disambiguation (WSD) in Chinese language. EPs are particular artificial ambiguous words, which can be used to realize unsupervised WSD. A Bayesian classifier is implemented to test the efficacy of the EP solution on Senseval-3 Chinese test set. The performance is better than state-of-the-art results with an average F-measure of . The experiment verifies the value of EP for unsupervised WSD. | An Equivalent Pseudoword Solution to Chinese Word Sense Disambiguation Zhimao Lu Haifeng Wang Jianmin Yao Ting Liu Sheng Li Information Retrieval Laboratory School of Computer Science and Technology Harbin Institute of Technology Harbin 150001 China lzm tliu lisheng @ Toshiba China Research and Development Center 5 F. Tower W2 Oriental Plaza No. 1 East Chang An Ave. Beijing 100738 China wanghaifeng@ School of Computer Science and Technology Soochow University Suzhou 215006 China jyao@ Abstract This paper presents a new approach based on Equivalent Pseudowords EPs to tackle Word Sense Disambiguation WSD in Chinese language. EPs are particular artificial ambiguous words which can be used to realize unsupervised WSD. A Bayesian classifier is implemented to test the efficacy of the EP solution on Senseval-3 Chinese test set. The performance is better than state-of-the-art results with an average F-measure of . The experiment verifies the value of EP for unsupervised WSD. 1 Introduction Word sense disambiguation WSD has been a hot topic in natural language processing which is to determine the sense of an ambiguous word in a specific context. It is an important technique for applications such as information retrieval text mining machine translation text classification automatic text summarization and so on. Statistical solutions to WSD acquire linguistic knowledge from the training corpus using machine learning technologies and apply the knowledge to disambiguation. The first statistical model of WSD was built by Brown et al. 1991 . Since then most machine learning methods have been applied to WSD including decision tree Bayesian model neural network SVM maxi mum entropy genetic algorithms and so on. For different learning methods supervised methods usually achieve good performance at a cost of human tagging of training corpus. The precision improves with larger size of training corpus. Compared with supervised methods .

• Báo cáo khoa học
• An Equivalent Pseudoword Solution
• Chinese Word Sense Disambiguation
• Zhimao Lu
• báo cáo khoa học
• mô hình 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 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