中文詞義歸納研究.pdf

1、詞義歸納利用聚類技術(shù)自動(dòng)從未標(biāo)注語料中獲取多義詞的詞義，從而大大提高語言工作者的工作效率。因此，詞義歸納成為當(dāng)今計(jì)算語言研究中一個(gè)最重要的課題。本文基于CLP2010提供的詞義歸納語料，從特征向量的方法、圖的方法和詞義歸納集成三個(gè)方面對中文詞義歸納進(jìn)行了研究，探討適合中文詞義歸納的方法。具體內(nèi)容如下:
　　(1)基于特征向量的中文詞義歸納。本文著重探討了特征選擇、算法等對系統(tǒng)性能的影響。選用詞語、單個(gè)漢字、漢字二元組等作為特征，單

2、個(gè)漢字特征能夠有效改善中文詞義歸納的結(jié)果，漢字二元組對分詞中的錯(cuò)誤有一定的糾正功能，對于單字詞的多義詞性能影響較大，而對多字詞的影響較小。聚類算法中性能較好的是K-means和Rb算法。本實(shí)驗(yàn)系統(tǒng)F-score值為79.34％，與CLP2010的參賽系統(tǒng)比較，排名第一，特別在單字詞的多義詞中，結(jié)果為69.50％，遠(yuǎn)遠(yuǎn)超過大部分參賽系統(tǒng)。
　　(2)基于共現(xiàn)圖的中文詞義歸納。圖方法性能較好，但更適用于較大規(guī)模語料。因此，本章使用4年

3、人民日報(bào)語料對CLP2010語料進(jìn)行擴(kuò)充，使用擴(kuò)展的語料來描述源語料中各個(gè)節(jié)點(diǎn)的分布。使用權(quán)重閾值對節(jié)點(diǎn)進(jìn)行過濾能夠有效地改善系統(tǒng)性能，Part_Purity提高了大概20個(gè)百分點(diǎn)，此時(shí)所有多義詞的詞義數(shù)分布與標(biāo)準(zhǔn)分布更為相近。添加搭配作為節(jié)點(diǎn)，保證90.46％的Part_Purity同時(shí)，有效多義詞數(shù)和平均有效實(shí)例數(shù)分別增加為93和27，優(yōu)于無搭配的88和25。對比基于源語料和擴(kuò)展語料的結(jié)果，擴(kuò)展語料能夠構(gòu)建更為合理的圖結(jié)構(gòu)，其Par