典型文献
半监督卷积神经网络的词义消歧
文献摘要：
为了解决有标签语料获取困难的问题,提出了一种半监督学习的卷积神经网络(convolutional?neural networks,?CNN)汉语词义消歧方法.?首先,提取歧义词左右各2个词汇单元的词形、词性和语义类作为消歧特征,利用词向量工具将消歧特征向量化;然后,对有标签语料进行预处理,获取初始化聚类中心和阈值,同时,使用有标签语料对卷积神经网络消歧模型进行训练,利用优化后的卷积神经网络对无标签语料进行语义分类,选取满足阈值条件的高置信度语料添加到训练语料之中,不断重复上述过程,直到训练语料不再扩大为止;最后,使用SemEval-2007:Task#5作为有标签语料,使用哈尔滨工业大学无标注语料作为无标签语料进行实验.?实验结果表明:所提出方法使CNN的消歧准确率提高了3.1％.
文献关键词：
半监督学习;卷积神经网络;词义消歧;消歧特征;词向量工具
中图分类号：
作者姓名：
张春祥;唐利波;高雪瑶
作者机构：
哈尔滨理工大学计算机科学与技术学院, 黑龙江 哈尔滨 150080
文献出处：
引用格式：
[1]张春祥;唐利波;高雪瑶-.半监督卷积神经网络的词义消歧)[J].西南交通大学学报,2022(01):11-17,27
A类：
消歧特征,词向量工具,Task#5
B类：
词义消歧,语料,半监督学习,convolutional,neural,networks,汉语词,歧义词,汇单,词形,词性,用词,特征向量,向量化,初始化,聚类中心,无标签,语义分类,阈值条件,置信度,SemEval,哈尔滨工业大学
AB值：
0.237058
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
