| 基于训练样本集扩展的隐式篇章关系分类 |
| |
| 引用本文： | 朱珊珊,洪 宇,丁思远,严为绒,姚建民,朱巧明.基于训练样本集扩展的隐式篇章关系分类[J].中文信息学报,2016,30(5):111-120. |
| |
| 作者姓名： | 朱珊珊 洪 宇 丁思远 严为绒 姚建民 朱巧明 |
| |
| 作者单位： | 苏州大学 江苏省计算机信息处理技术重点实验室,江苏 苏州 215006 |
| |
| 基金项目： | 国家自然科学基金(61373097, 61272259, 61272260, 90920004);教育部博士学科点专项基金(2009321110006, 20103201110021);江苏省自然科学基金(BK2011282);江苏省高校自然科学基金(11KJA520003);苏州市自然科学基金(SH201212) |
| |
| 摘 要： | 隐式篇章关系分类主要任务是在显式关联线索缺失的情况下,自动检测特定论元之间的语义关系类别。前人研究显示,语言学特征能够有效辅助隐式篇章关系的分类。目前,主流检测方法由于缺少足够的已标注隐式训练样本,导致分类器无法准确学习各种分类特征,分类精确率仅约为40%。针对这一问题,该文提出一种基于训练样本集扩展的隐式篇章关系分类方法。该方法首先借助论元向量,以原始训练样本集为种子实例,从外部数据资源中挖掘与其在语义以及关系上一致的“平行训练样本集”;然后将“平行训练样本集”加入原始训练样本集中,形成扩展的训练样本集;最后基于扩展的训练样本集,实现隐式篇章关系的分类。该文在宾州篇章树库(Penn Discourse Treebank, PDTB)上对扩展的训练样本集进行评测,结果显示,相较于原始训练样本集,使用扩展的训练样本集的实验系统整体性能提升8.41%,在四种篇章关系类别上的平均性能提升5.42%。与现有主流分类方法性能对比,识别精确率提升6.36%。
|
| 关 键 词： | 隐式篇章关系 语义向量 训练样本集扩展 篇章分析
|
Implicit Discourse Relation Classification Method Based on the Training Data Expansion |
| |
| ZHU Shanshan,HONG Yu,DING Siyuan,YAN Weirong,YAO Jianmin,ZHU Qiaoming.Implicit Discourse Relation Classification Method Based on the Training Data Expansion[J].Journal of Chinese Information Processing,2016,30(5):111-120. |
| |
| Authors: | ZHU Shanshan HONG Yu DING Siyuan YAN Weirong YAO Jianmin ZHU Qiaoming |
| |
| Affiliation: | Key Lab of Computer Information Processing Technology of Jiangsu Province,
Soochow University, Suzhou, Jiangsu 215006, China |
| |
| Abstract: | |
| |
| Keywords: | |
|
| 点击此处可从《中文信息学报》浏览原始摘要信息 |
|
点击此处可从《中文信息学报》下载全文 |
|
