2 zbctop zbctop 于 2016.04.13 14:13 提问

采用相似度的方法基于Wikipedia的消歧

要是采用相似度比较实现基于Wikipedia的消歧,这个方向有什么比较好的论文,或者资料可以分享一下给我吗?对于用相似度消歧的大致方法有哪些呢?现在的发展状况也想详细了解一下。麻烦高手指教!

2个回答

CSDNXIAOD
CSDNXIAOD   2016.04.13 14:22

SSIM 结构相似度评价方法
人脸相似度,哈哈
----------------------biu~biu~biu~~~在下问答机器人小D,这是我依靠自己的聪明才智给出的答案,如果不正确,你来咬我啊!

xyrmgzt
xyrmgzt   2016.10.08 01:53

法基于Wikipedia的消歧
维基百科词义消歧语义相似度
要是采用相似度比较实现基于Wikipedia的消歧,这个方向有什么比较好的论文,或者资料可以分享一下给我吗?对于用相似度消歧的大致方法有哪些呢?现在

Csdn user default icon
上传中...
上传图片
插入图片
准确详细的回答,更有利于被提问者采纳,从而获得C币。复制、灌水、广告等回答会被删除,是时候展现真正的技术了!
其他相关推荐
nlp-形式语言与自动机-ch09-词义消歧
1、词义消歧方法分为:监督的和无监督的。 2、有监督的语义消歧方法:基于互信息的消歧方法: 基本思路:对每个需要消歧的多义词寻找一个上下文特征,这个特征能够可靠地指示该多义词在特定上下文语境中使用的是哪种语义。 3、有监督的语义消歧方法:基于贝叶斯分类器的消歧方法: 基本思路:在双语语料库中多义词的翻译(语义)取决于该词所处的上下文语境c, 4、基于义类辞典的消歧方法: 基本思想:多义
《统计自然语言处理基础》笔记(2)语义消歧方法总结
语义消歧  可以看作分类问题。一个词W有K个含义,对W消歧 就是确定W在特定句子中究竟使用了哪一个含义,即把W分到K类中的一个。分类的依据则是和W邻近的词,即W的上下文C。 歧义可以分为两类:一类是词的语义有多种,如“bank”,可以是银行,也可以是河岸;另一类是词本身的词性也是多样的,如predicate,既能作为名字,也能作为动词。对于前者, 可能需要与W相隔较远的其他词参与消歧,而对于后
cips2016+学习笔记︱NLP中的消岐方法总结(词典、有监督、半监督)
歧义问题方面,笔者一直比较关注利用词向量解决歧义问题:也许你寄希望于一个词向量能捕获所有的语义信息(例如run即是动车也是名词),但是什么样的词向量都不能很好地进行凸显。 这篇论文有一些利用词向量的办法:Improving Word Representations Via Global Context And Multiple Word Prototypes(Huang et al. 2012)
统计学自然语言处理(语义消歧)
概述本书本章描述自然语言处理中消除歧义的问题,并介绍几种重要的语义消歧算法,描述他们的资源需求和算法性能。消歧我们应该能直观的想象到就是一句话可能有几个意思。但是落实到具体细节中,我认为主要分以下几种: 1.分词的消歧,这是很常见的一个例子(南京 市 长 江大桥)  2.多义词的具体词义 3.词性的判断 对于词性的判断可以看做一个词性标注的问题词性标注的话,我们通常考虑邻近上下文。相反,如果
实体消歧,实体识别,实体融合,知识融合概述
实体消歧问题是当下比较热点的研究问题,国内外的大多熟研究从两个角度解决实体歧义造成的影响,分别是通过寻求更高质量的特征和引入外部资源辅助消解。 在特征选取方面,何正焱[2]利用DNN(深度神经网络)方法,提出了一种文档和实体的相似度为框架的消歧模型;姜丽丽[3]提出了一种基于带权图结构的框架来实现人物实体的消歧工作,并使用实体标签对每个人物实体进行标注;Bagga和Baldwin[4]将不同文档
用于词义消岐的Lesk算法
该算法由Michael E. Lesk于1986年提出,是一个基于词典的词义消岐方法。 该算法认为:一个词在词典中的词义解释与该词所在句子具有相似性。这种相似性可以由相同单词的个数来表示,比如“cone”和"pine"的意思分别为:   CONE 1. solid body which narrows to a point 2. something of this shape whe
统计自然语言处理基础学习笔记(4)——语义消除歧义
我们知道很多词语都有很多意思或语义,而在具体的语境中,词语有某种特定的意思。而独立于上下文来考虑词语意思,语义一般都会出现语义歧义。统计自然语言处理不得不考虑如何消除歧义问题。 消除歧义的任务就是确定一个多义词在一个特定的语境中使用哪一种语义。通过考虑词汇使用的上下文完全可以确定其具体的语义。那么如何确定一个词汇具有的语义,以及从这些语义确定某一种具体的语义呢?          比较
基于VSM的命名实体识别、歧义消解和指代消解
这篇文章主要讲解基于向量空间模型(Vector Space Model)的相关应用,包括命名实体识别、实体消歧和跨文本指代消解;其最终目的是想通过它应用到知识图谱构建过程中,即实体对齐和属性对齐。目录: 一 搜狗知立方介绍 搜狗知立方框架图、实体对齐和属性值决策、爬取InfoBox介绍 二 VSM相似度计算 基本概念、 向量空间模型VSM、TF-IDF、向量夹角cos相似度、实体相似度计算 希望文章对你有所帮助,从晚上2点写到早上6点,不容易啊!且看且珍惜吧!
工具:命名实体识别与消歧(Named Entity Recognition/Disambiguation)与词义消歧(Word Sense Disambiguation)
 对命名实体识别与消歧(Named Entity Recognition/Disambiguation)与词义消歧(Word Sense Disambiguation)有兴趣的同学注意了:ACL主席Gertjan van Noord等欧洲NLP科学家近日编撰了一篇非常棒的报告,汇总了大量的实体识别与消歧,词义消歧数据集,工具集。强烈推荐!
NLP 迷思之四:词义消歧(WSD)是NLP应用的瓶颈
本文转载自http://blog.sciencenet.cn/blog-362400-526304.html 引用老友: 受教了。谢谢立委。 我同意“成语从来不是问题”。成问题的应该是一词多义,或歧义,对吧? 这个迷思不再局限于中文处理,它在整个NLP领域和NLP爱好者圈子里颇有迷惑性。WSD (Word Sense Disambiguation) 确系 NLP 难点,但在NLP应用上基本不是