基于维基百科的自动词义消歧方法

针对传统词义消歧仅基于上下文语境而导致准确率低的问题,提出一种多策略的无监督自动词义消歧方法。利用从维基百科在线中提炼出的丰富语义知识,线性融合上下文语境、背景知识和语义信息3大特征,根据逻辑回归算法学习各特征的权重,选取最大融合值所对应的候选项作为最优词义。在SENSEVAL数据集上取得了85．50％的平均准确率,验证了该方法的有效性。     

基于最大熵模型的汉语词义消歧与标注方法

分析最大熵模型开源代码的原理和各参数的意义,采用频次和平均互信息相结合特征筛选和过滤方法,用Delphi语者编程实现汉语词义消歧的最大熵模型,运用GIS（Generalized Iterative Scaling）算法计算模型的参数。结合一些语占知识规则解决训练语料的数据稀疏问题,所实现的汉语词义消歧与标注系统,对800多个多义词进行词义标注,取得了较好的标注正确率。     

Using Semantic Classification Trees for WSD

This paper describes the evaluation of a WSD method withinSENSEVAL. This method is based on Semantic Classification Trees (SCTs)and short context dependencies between nouns and verbs. The trainingprocedure creates a binary tree for each word to be disambiguated. SCTsare easy to implement and yield some promising results. The integrationof linguistic knowledge could lead to substantial improvement.     

基于知网语义相关度计算的词义消歧方法

歧义字段处理一直是中文信息处理领域中最关键也是最困难的问题之一,至今该问题仍没有得到完全而有效的解决,使得以此为基础的多个应用领域都难以取得突破性进展。传统的消歧方法--规则消歧和统计消歧都有不可避免的缺点：规则消歧存在规则的完备性与合理性问题,统计消歧则只取大概率事件而忽视小概率事件。在研究了知网表达汉语知识的基础上,改进了基于知网语义相关度的计算模型,并应用于汉语的歧义字段处理中。经大量例句作实验,以句子为单位的切分正确率可达到97.1%,验证了该消歧方法的有效性。     

基于语义的词义消歧算法初探

词义消歧是自然语言处理中的难题之一。结合《知网》,从语义的角度出发,结合词性信息、搭配实例和语义相关度等信息,提出了一种多策略的词义消歧方法。     

基于上下文语境的词义消歧方法

针对传统词义消歧方法面临的数据稀疏问题,提出一种基于上下文语境的词义消歧方法。该方法假设同一篇文章中的句子之间共享一些相同的话题,首先,抽取在同一篇文章中包含相同歧义词的句子,这些句子可以作为歧义句的上下文语境,为其中的一个歧义句子提供消歧知识;其次,通过一种无监督的词义消歧方法进行词义消歧。在真实的语料上实验结果表明,使用2个上下文语境句子,窗口大小为1时,该方法的消歧准确率比基线方法(OrigDisam)提高了3.26%。     

基于WordNet词义消歧的系统融合

最近混淆网络在融合多个机器翻译结果中展示很好的性能. 然而为了克服在不同的翻译系统中不同的词序, 假设对齐在混淆网络的构建上仍然是一个重要的问题. 但以往的对齐方法都没有考虑到语义信息. 本文为了更好地改进系统融合的性能, 提出了用词义消歧(Word sense disambiguation, WSD)来指导混淆网络中的对齐. 同时骨架翻译的选择也是通过计算句子间的相似度来获得的, 句子的相似性计算使用了二分图的最大匹配算法. 为了使得基于WordNet词义消歧方法融入到系统中, 本文将翻译错误率(Translation error rate, TER)算法进行了改进, 实验结果显示本方法的性能好于经典的TER算法的性能.     

利用语义词典Web挖掘语言模型的无指导译文消歧

为了解决困扰词义及译文消歧的数据稀疏及知识获取问题,提出一种基于Web利用n-gram统计语言模型进行消歧的方法.在提出词汇语义与其n-gram语言模型存在对应关系假设的基础上,首先利用Hownet建立中文歧义词的英文译文与知网DEF的对应关系并得到该DEF下的词汇集合,然后通过搜索引擎在Web上搜索,并以此计算不同DEF中词汇n-gram出现的概率,然后进行消歧决策.在国际语义评测SemEval-2007中的Multilingual Chinese English Lexical Sample Task测试集上的测试表明,该方法的P_mar值为55.9%,比其上该任务参评最好的无指导系统性能高出12.8%.     

喷气燃料润滑性的评定

采用ASTM D5001-90a和SH／T 0073两种方法对我国3号喷气燃料的润滑性进行评定，同时评定了进口JetA-1喷气燃料的磨痕宽度(WSD值)。结果表明，我国成品3号喷气燃料的润滑性优于进口JetA-1喷气燃料。进一步分析了WSD值与Km值两者存在线性关系，当WSD为0．65mm和0．79mm时，Km值分别为126和90。     

Biobased Poly-phosphonate Additives from Methyl Linoleates‡

Poly-dialkyl phosphonates were synthesized by reacting methyl linoleate with dimethyl, diethyl, and di-n-butyl phosphites in the presence of free radical initiator and positively identified and characterized using gas chromatography–mass spectrometry (GC-MS), nuclear magnetic resonance (NMR; ¹H, ¹³C, ³¹P), and Fourier transform infrared (FTIR). Neat poly-dialkyl phosphonates and their blends in high-oleic sunflower oil (HOSuO) and polyalphaolefin (PAO-6) base oils were investigated for their physical, chemical, and tribological properties. At room temperature, the poly-dialkyl phosphonates displayed much better solubility in HOSuO than in PAO-6. Solubility in the base oils increased in the order dimethyl?<?diethyl?<?di-n-butyl. Relative to methyl linoleate, the neat poly-dialkyl phosphonates displayed higher density, higher kinematic viscosity, higher oxidation stability, and better cold flow (lower pour point and cloud point) properties. As an additive (0–10% w/w) in HOSuO, increasing concentration of poly-di-n-butyl phosphonate resulted in increasing onset and peak oxidation temperatures and decreasing cloud point. Poly-di-n-butyl phosphonate blends in HOSuO also showed lower four-ball antiwear (AW) coefficient of friction (COF) and wear scar diameter (WSD) than corresponding blends with zinc dialkyl dithiophosphate (ZDDP). As an additive (0–10% w/w) in PAO-6 base oil, poly-di-n-butyl phosphonate displayed lower four-ball antiwear COF and comparable WSD relative to similar blends of ZDDP in PAO-6. The results indicate that poly-dialkyl phosphonates are promising biobased AW additives with comparable or better performance than current petroleum-based commercial AW additives such as ZDDP.