基于马尔可夫逻辑网络的语义角色标注

发布时间：2022-02-18 07:06

　　近年来,随着统计机器学习技术的不断发展,对句子进行语义分析逐渐受到重视起来。语义角色标注（Semantic Role Labeling, SRL）是浅层语义分析的一种可行方案,并具有广阔的应用前景,如问答、信息抽取。本文的出发点是将词义信息与语义角色标注任务相融合。在CoNLL2009国际评测中,曾将谓词词义消歧作为语义角色标注的一个子任务。当时,我们的方法是将最好的词义消歧预测结果作为语义角色标注的输入,再进行语义角色标注处理。这种级联方式的处理无法得出全局最优解。我们的想法是通过马尔可夫逻辑网络（Markov Logic Networks, MLNs）这种融合模型将词义消歧与语义角色标注融合起来,使两个任务在预测过程中相互帮助,得出全局最优解。本文将分为两个阶段。第一阶段是验证全词词义信息对语义角色标注的影响。谓词词义信息对语义角色标注是有帮助的,但全词词义信息对语义角色标注是否有帮助一直没有定论。第二阶段是如果全词词义信息对语义角色标注有帮助,我们通过马尔可夫逻辑网络将全词词义消歧与语义角色标注进行融合,将级联方式和融合方式的实验结果对比,进行分析。 

【文章来源】：哈尔滨工业大学黑龙江省211工程院校985工程院校

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景
    1.2 课题的研究目的和意义
        1.2.1 语义角色标注
        1.2.2 语义角色标注存在的问题
        1.2.3 解决方法
    1.3 国内外相关研究
        1.3.1 理论分析
        1.3.2 研究现状
    1.4 本文研究内容
第2章 CIR-CoNLL2009 语义角色标注系统
    2.1 语义角色标注基础知识
        2.1.1 语料资源
        2.1.2 评价方法和国际评测
    2.2 系统介绍
        2.2.1 整体结构
        2.2.2 最大熵模型
        2.2.3 语义角色分类
        2.2.4 基于整数线性规划的后处理
    2.3 实验与结果分析
        2.3.1 特征介绍
        2.3.2 特征选择方法
        2.3.3 实验结果与评测成绩
    2.4 本章小结
第3章 词义信息在语义角色标注中的应用
    3.1 语义角色标注对词义信息的需求
    3.2 语料库预处理
        3.2.1 句法的转换
        3.2.2 语义角色信息
        3.2.3 Lemma信息
        3.2.4 词义信息
        3.2.5 语料库切分
    3.3 实验及结果分析
        3.3.1 实验设计
        3.3.2 实验结果与讨论
    3.4 本章小结
第4章 词义消歧与语义角色标注融合
    4.1 马尔可夫逻辑网络定义
        4.1.1 一阶谓词逻辑
        4.1.2 马尔可夫网络
        4.1.3 马尔可夫逻辑网络
    4.2 MLNs中谓词与公式概念定义
        4.2.1 可见的MLNs谓词
        4.2.2 隐含的MLNs谓词
        4.2.3 局部公式
        4.2.4 全局公式
    4.3 基于MLNs语义角色标注系统
    4.4 基于MLNs的词义消歧系统
    4.5 基于MLNs的融合系统
    4.6 实验
        4.6.1 实验设计
        4.6.2 实验结果与讨论
    4.7 本章小结
结论
参考文献
致谢



本文编号：3630444