融合语义信息的矩阵分解词向量学习模型
词向量在自然语言处理中起着重要的作用,近年来受到越来越多研究者的关注.然而,传统词向量学习方法往往依赖于大量未经标注的文本语料库,却忽略了单词的语义信息如单词间的语义关系.为了充分利用已有领域知识库(包含丰富的词语义信息),文中提出一种融合语义信息的词向量学习方法(KbEMF),该方法在矩阵分解学习词向量的模型上加入领域知识约束项,使得拥有强语义关系的词对获得的词向量相对近似.在实际数据上进行的单词类比推理任务和单词相似度量任务结果表明,KbEMF比已有模型具有明显的性能提升.
自然语言处理、词向量、矩阵分解、语义信息、知识库
12
TP391(计算技术、计算机技术)
国家自然科学基金项目61370129,61375062,61632004;长江学者和创新团队发展计划资助项目IRT201206
2017-12-18(万方平台首次上网日期,不代表论文的发表时间)
共7页
661-667