文献类型：期刊文章

作　　者：鹿文鹏[1,2] 黄河燕[1] 吴昊[1]

机构地区：[1]北京理工大学计算机学院 北京市海量语言信息处理与云计算应用工程技术研究中心,北京100081 [2]齐鲁工业大学理学院,济南250353

出　　处：《自动化学报》

基　　金：国家重点基础研究发展计划(973计划)(2013CB329303);国家自然科学基金(61132009);山东省高等学校科技计划(J12LN09)资助~~

年　　份：2014

卷　　号：40

期　　号：12

起止页码：2836-2850

语　　种：中文

收录情况：BDHX、BDHX2011、CSCD、CSCD2013_2014、EI(收录号：20150400441377)、IC、INSPEC、JST、MR、PUBMED、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：对领域知识挖掘利用的充分与否,直接影响到面向特定领域的词义消歧(Word sense disambiguation,WSD)的性能.本文提出一种基于领域知识的图模型词义消歧方法,该方法充分挖掘领域知识,为目标领域收集文本领域关联词作为文本领域知识,为目标歧义词的各个词义获取词义领域标注作为词义领域知识;利用文本领域关联词和句子上下文词构建消歧图,并根据词义领域知识对消歧图进行调整;使用改进的图评分方法对消歧图的各个词义结点的重要度进行评分,选择正确的词义.该方法能有效地将领域知识整合到图模型中,在Koeling数据集上,取得了同类研究的最佳消歧效果.本文亦对多种图模型评分方法做了改进,进行了详细的对比实验研究.

关 键 词：词义消歧 领域知识 图模型 词义领域  文本领域  

分 类 号：TP391.1]