多模态英文动词性和形容词性隐喻识别研究

发布时间：2023-03-03 19:00

　　隐喻是一种十分普遍的语言现象,它反映的不只是人对语言的使用方式,更是人对事物的认知方式。隐喻在自然语言处理中处于十分重要的地位。语义的矛盾是隐喻的标志和信号,隐喻识别模型需要利用词语的特征,找到词语间的矛盾来识别隐喻。多模态的方法使用词语的文本信息和图像信息获取特征,它可以让隐喻识别模型获得更丰富的词语特征。词语可以按抽象度分为具体词和抽象词,具体词具有实体,使用图像信息可以获得更丰富的特征,而抽象词不具备实体,难以使用图像信息。本文把词语的抽象度和多模态方法结合起来,为具体词和抽象词选择合适的模态信息。很少有抽象度计算方法会考虑到词语的词性对抽象度的影响。而不同词性的词语具有不同的词义,这会导致抽象度的不同。因此本文提出了一种区分词性的抽象度获取方法,为隐喻识别模型提供支持。在文本模态特征获取方面,本文使用词语的词性抽象度作为特征信息。在图像模态特征获取方面,本文利用互联网获得词语的图像模态信息,使用卷积神经网络模型获得图像模态的特征向量,再计算出概念的图像模态相似度信息。在词语的区分词性抽象度计算方面,本文首先在权威抽象度数据库中获取只具有单一词性的词语,把它们作为种子词,再使用多...

【文章页数】：92 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 问题的提出
    1.2 隐喻识别研究综述
        1.2.1 基于单一模态的隐喻识别方法
        1.2.2 基于多模态的隐喻识别方法
    1.3 本文的主要工作
    1.4 本文的组织结构
第二章 多模态的语义特征
    2.1 多模态算法介绍
    2.2 多模态相关工作
    2.3 符号与现实连接问题
    2.4 图像模态的语义属性抽取
        2.4.1 实验数据和方法
        2.4.2 实验结果及分析
第三章 引入抽象度的多模态隐喻识别研究
    3.1 已有的多模态隐喻识别方法
    3.2 概念的抽象度与多模态隐喻识别的关系
    3.3 引入抽象度的多模态隐喻识别方法
        3.3.1 文本模态和图像模态的获取
        3.3.2 多模态融合
        3.3.3 算法流程
    3.4 实验和分析
        3.4.1 实验数据
        3.4.2 实验结果
第四章 区分词性抽象度的计算
    4.1 抽象度和词性的关系
    4.2 抽象度计算和多词义词向量相关工作
        4.2.1 词语的抽象度计算
        4.2.2 表示词语多词义的词向量计算
    4.3 Sense2vec模型
    4.4 区分词性抽象度的计算方法
        4.4.1 种子词的获取
        4.4.2 词性语义距离计算
        4.4.3 词性抽象度的计算
    4.5 实验与分析
        4.5.1 实验数据
        4.5.2 词性抽象度覆盖率实验
        4.5.3 词性抽象度计算结果分析
第五章 基于区分词性抽象度计算的多模态英文隐喻识别研究
    5.1 基于单一模态的隐喻识别模型
        5.1.1 逻辑斯蒂回归模型
        5.1.2 算法流程
    5.2 基于多模态的隐喻识别模型
    5.3 基于区分词性抽象度的多模态隐喻识别模型
    5.4 实验设置
        5.4.1 实验数据
        5.4.2 抽象度阈值的训练
    5.5 实验结果及分析
        5.5.1 对比现有的隐喻识别方法
        5.5.2 对比不考虑区分词性抽象度的多模态隐喻识别方法
        5.5.3 结果分析
第六章 总结和展望
    6.1 本文的主要贡献
    6.2 未来的研究方向
参考文献
致谢
附录A 概念的图像语义属性抽取结果(子集)
附录B 区分词性抽象度计算结果及评测(子集)
附录C 英文形容词性短语隐喻识别结果(子集)
附录D 英文动词性短语隐喻识别结果(子集)



本文编号：3752930