Диссертация (1137511), страница 16
Текст из файла (страница 16)
В случае гипонимических отношенийзадача зеркальная: гипоним задан лексемой, а гипероним — лексическим значением.Таким образом, разработанный и описываемый в данной главе метод позволяет автоматически группировать словарные толкования по сходству лексикограмматической организации, что понижает трудоемкость написания шаблоновдля извлечения тезаурусных отношений и повышает точность применения такихшаблонов.В результате работы, описанной в настоящей главе, получен корпус омонимичных тезаурусных отношений, где каждое отношение представлено тройкой: [лексическое значение – тип отношения – связанная лексема].
Для построения из такого корпуса отношений семантической сети необходимо определить,какое значение связанной лексемы соответствует такой тройке, т. е. произвестидизамбигуацию лексемы в контексте этого отношения.84Глава 4. Дизамбигуация тезаурусных отношенийНастоящая глава посвящена следующему шагу построения электронноготезауруса: переходу от набора тезаурусных отношений, в которых участвуют лексемы, к набору тезаурусных отношений, связывающих между собой лексическиезначения. Как мы покажем ниже, такой переход является частным случаем задачидизамбигуации.Алгоритмическую часть решения задачи дизамбигуации как правило можноразделить на две большие части:– получение векторных представлений контекста омонимичной лексемы и еёлексических значений,– применение алгоритма классификации для выбора одного из лексических значений.Для получения векторных представлений контекста в рамках настоящегоисследования были выбраны дистрибутивные семантические модели, являющиеся на момент написания текста наиболее широко применяемым инструментомдля разрешения неоднозначности.Наиболее широко применяемые векторные семантические модели, такиекак word2vec [85], задают векторное представление для лексемы.
При этом цельюприменении их для решения задачи дизамбигуации является получение векторного представления лексического значения в заданном контексте. Таким образомодин из вопросов, который возникает при применении векторной семантическоймодели для разрешения неоднозначности на материале тезауруса состоит в том,каким образом перейти от векторного представления лексем к векторному представлению значений или векторному представлению толкований.Вопрос о том, каким образом строится векторное представление контекстав различных системах автоматического разрешения неоднозначности обсуждается в разделе 4.2. Отдельное внимание уделяется в этом разделе новому классувекторных моделей, которые позволяют получать не общие вектора для лексемывне зависимости от ее возможных значений, а строить вектора, соответствующиеодному значению лексемы.Известно несколько классов алгоритмов классификации, применяемых длярешения задач дизамбигуации.
Краткий их обзор приведён в разделе 4.2. Дизамбигуация на материала словарных толкований значительно отличается от такой85же задачи на классическом корпусе двумя свойствами, которые влияют на выборметодов дизамбигуации:– Во-первых, применимый контекст у омонимичной лексемы строго ограничен.Очевидно, в качестве контекста лексемы имеет смысл рассматривать лишь еётолкование и относящиеся к её толкованию части словарной статьи. Текст, состоящий из составленных вместе толкований, невозможно считать текстом одной темы.
В то же время одна из основных трудностей корпусных методов дизамбигуации состоит в том, чтобы выбрать максимально большой контекст словоупотребления, остающийся в рамках одной темы. Кроме того, контекст словоупотребления в словарном толковании включает, как правило, только именную группу. В силу этого при выборе алгоритмов классификации в настоящейработе остались за рамками рассмотрения алгоритмы, получающие значительное преимущество от расширения контекста.– Во-вторых, на материале толкового словаря многие задачи дизамбигуации одинаковой лексемы имеют более сходные контексты.
Причиной этому служит использование лексикографами ограниченного набора шаблонов для составлениятекста толкований, описанное в главе 2. Наличие сходных контекстов может какусложнять решение задачи дизамбигуации за счёт того, что меньшая часть контекста влияет на выбор лексического значения, так и упрощать её, если дизамбигуатор может противопоставлять между собой разные толкования или группировать сходные. В настоящей работе поднимается вопрос о том, возможноли использовать информацию о сходных задачах дизамбигуации.
В качествепилотного исследования этого вопроса в работе сравниваются методы классификации, которые решают каждую задачу дизамбигуации независимо, с методами, которые решают одновременно набор сходных задач.В настоящей главе описывается серия экспериментов, которая ставит своей целью перебор ограниченного набора методов дизамбигуации, их параметров,и способов представления лингвистических признаков для дизамбигуации с последующим выделением тех из них, которые оказывают наибольшее влияние напроцесс дизамбигуации. В работе исследуется влияние следующих параметровметода:– выбор модели векторного представления контекста: алгоритм Леска, word2vecили AdaGram,– выбор способа перехода от векторного представления каждой лексемы толкования к векторному представлению значения выбранной лексемы,86– выбор метрики сравнения векторов,– выбор методики поиска значения гиперонима среди нескольких методик, использующих информацию о всех найденных гипонимах заданного гиперонима, либо использующих только информацию о текущем гипониме и значенияхгиперонима.Глава организована следующим образом:Раздел 4.1 посвящен мотивировке и уточнению решаемой задачи.
В разделе 4.2 обсуждаются современные методы разрешения неоднозначности и обосновывается выбор методов для проведения серии экспериментов по дизамбигуации. Раздел описывает мотивацию и завершается описанием выбора методов длянастоящей главы. В разделе 4.3 описываются материалы исследования, к которым относятся: корпус омонимичных отношений, полученный в главе 3, корпусадля построения векторных семантических моделей. Ключевым материалом дляисследования методов дизамбигуации является эталонный корпус.
Его созданиюуделяется особое внимание. Решение задачи, поставленной в настоящей главе,требует специальной подготовки входных данных, массового перебора дизамбигуаторов, применения их к тестовым данным и анализа полученных результатов.В разделе 4.4 описана схема эксперимента, позволяющая провести такой перебор.Результаты эксперимента приведены в разделе 4.5.
В разделе 4.6 анализируютсяошибки различных алгоритмов, обсуждается ограничения их применимости. Вразделе 4.7 перечисляются основные результаты работы.Описанные в настоящей главе эксперименты опубликованы [34; 35].4.1Задача дизамбигуации в контексте извлечения гипо-гиперонимическихотношений из словаряРезультатом этапа извлечения тезаурусных отношений из толкований, описанного в главе 3, является множество троек: [лексическое значение – тип отношения – связанная лексема].
В этой паре отношение устанавливается между сущностями разного типа: отдельным лексическим значением и лексемой. При этом лексема извлечена из толкования связанного с ней лексического значения. Для того,чтобы построить отношение между двумя лексическими значениями необходимо87определить, какое значение лексемы использовано в толковании. Это показывает,что такая задача является частным случаем общей задачи дизамбигуации.С точки зрения задачи построения семантической сети, в корпусе уже имеется информация о тезаурусном отношении между двумя лексемами и о значениилексемы для одного из участников отношения. Для построения семантической сети необходимо восстановить такую информацию и для второго участника отношения.Поставленная задача требует ряд уточнений.
В настоящей главе мы рассматриваем только гипо-гиперонимические отношения и только случай, когда задачудизамбигуации нужно решить для гиперонима. Гипо-гиперонимические отношения являются наиболее значимой частью семантической сети, и такое упрощениесоответствует поставленной в главе 1 задаче.В разделе 4.2 приводится описание известных методов дизамбигуации. Привыборе методов дизамбигуации необходимо учитывать, что решаемая в настоящей главе задача дизамбигуации имеет особенности:– дизамбигуируется значение лексемы с учетом ее вхождения в гиперонимическое отношение,– контекстом, из которого можно извлекать признаки для разрешения многозначности, является толкование.Кроме того, лексическое значение в корпусе не представлено синсетом, чтобыло бы более удобным источником данных для создания электронного тезауруса.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
