Modyfikacja miary semantycznego podobieństwa pojęć Leacock‑Chodorowa
DOI:
https://doi.org/10.18778/0208-6018.351.06Słowa kluczowe:
badanie tekstu, Sieć WordNet, podobieństwo semantyczne słów, miara Leacock‑ChodorowaAbstrakt
Miary semantycznego podobieństwa pojęć można podzielić na dwa rodzaje: metody oparte na wiedzy i metody oparte na bazie tekstów. Techniki oparte na wiedzy stosują stworzone przez człowieka słowniki oraz inne opracowania. Techniki oparte na bazie tekstów oceniają podobieństwo semantyczne dwóch pojęć, odwołując się do obszernych baz dokumentów tekstowych. Niektórzy badacze twierdzą, że miary oparte na wiedzy są lepsze jakościowo od tych opartych na bazie tekstów, ale o wiele istotniejsze jest to, że te drugie zależą bardzo mocno od użytej bazy tekstów. W niniejszym artykule przedstawiono propozycję modyfikacji najlepszej metody pomiaru semantycznego podobieństwa pojęć, opartej na sieci WordNet, a mianowicie miary Leacock‑Chodorowa. Ta miara była najlepsza w kilku eksperymentach badawczych oraz można zapisać ją za pomocą prostej formuły. Nową propozycję oceniono na podstawie dwóch popularnych benchmarkowych zbiorów par pojęć, tj. zbioru 65 par pojęć Rubensteina‑Goodenougha oraz zbioru 353 par pojęć Fickelsteina. Wyniki pokazują, że przedstawiona propozycja spisała się lepiej od tradycyjnej miary Leacock‑Chodorowa.
Pobrania
Bibliografia
Bird S., Loper E., Klein E. (2009), Natural Language Processing with Python, O’Reilly Media Inc., Sebastopol.
Google Scholar
Budanitsky A., Hirst G. (2006), Evaluating WordNet‑based Measures of Lexical Semantic Relatedness, “Computational Linguistics”, vol. 32, issue 1, pp. 13–47.
Google Scholar
DOI: https://doi.org/10.1162/coli.2006.32.1.13
Fellbaum Ch. (ed.) (1998), WordNet: An Electronic Lexical Database, The MIT Press, Cambridge.
Google Scholar
DOI: https://doi.org/10.7551/mitpress/7287.001.0001
Hirst G., St‑Onge D. (1998), Lexical chains as representations of context for the detection and correction of malapropisms, [in:] Ch. Fellbaum (ed.), WordNet: An Electronic Lexical Database, The MIT Press, Cambridge, pp. 305–332.
Google Scholar
Jiang J., Conrath D. (1997), Semantic similarity based on corpus statistics and lexical taxonomy, Proceedings of International Conference on Research in Computational Linguistics, Taiwan, pp. 19–33.
Google Scholar
Leacock C., Chodorow M. (1998), Combining local context and WordNet similarity for word sense identification, [in:] Ch. Fellbaum (ed.), WordNet: An Electronic Lexical Database, The MIT Press, Cambridge, pp. 265–283.
Google Scholar
Lin D. (1998), Automatic retrieval and clustering of similar words, Proceedings of the 36th Annual Meeting of the Association for Computational Linguistics and the 17th International Conference on Computational Linguistics (COLING–ACL ’98), Montreal, pp. 296–304.
Google Scholar
DOI: https://doi.org/10.3115/980691.980696
McInnes B., Pedersen T., Liu Y., Melton G., Pakhomov S. (2014), U‑path: An undirected path‑based measure of semantic similarity, Proceedings of the Annual Symposium of the American Medical Informatics Association, Washington, pp. 882–891.
Google Scholar
Resnick P. (1995), Using information content to evaluate semantic similarity, Proceedings of the 14th International Joint Conference on Artificial Intelligence, Montreal, pp. 448–453.
Google Scholar
Wu Z., Palmer M. (1994), Verbs semantics and lexical selection, Proceedings of the 32nd annual meeting on Association for Computational Linguistics, ACL ’94, Association for Computational Linguistics, Stroudsburg, pp. 133–138.
Google Scholar
DOI: https://doi.org/10.3115/981732.981751
Zugang C., Jia S., Yaping Y. (2018), An Approach to Measuring Semantic Relatedness of Geographic Terminologies Using a Thesaurus and Lexical Database Sources, “International Journal of Geo‑Information”, vol. 7(3), pp. 98–12.
Google Scholar
DOI: https://doi.org/10.3390/ijgi7030098
Pobrania
Opublikowane
Jak cytować
Numer
Dział
