融入背景知識的篇章語義分析方法研究.pdf

1、篇章語義分析以獲取篇章級語義信息為目標，以篇章語義結構分析和篇章語義內(nèi)容分析為主要內(nèi)容，是一個新興的研究熱點。目前，篇章語義分析研究主要關注如何挖掘原文內(nèi)容語義信息。實際上，根據(jù)認知心理學中的聯(lián)想主義理論，原文并不能脫離背景知識而存在，缺少背景知識必定會影響對原文語義的分析與理解。為了更好地進行篇章語義分析，融入背景知識是必不可少的輔助手段。本文首先在背景知識獲取方面切入，提出基于搜索引擎的篇章背景知識聯(lián)想模型，并在其基礎上進一步改進提

2、出基于分布式語義的篇章背景知識聯(lián)想模型，賦予機器獲取背景知識的能力；隨后，將背景知識融入篇章語義分析研究最重要的兩個方面：篇章語義結構分析和篇章語義內(nèi)容分析，并相應地探索了篇章語義關系分析和篇章語義連貫性分析兩個子問題，其中篇章語義關系分析研究以獲取篇章語義結構信息為目標，篇章語義連貫性分析則以篇章語義內(nèi)容信息為分析對象。本文主要研究內(nèi)容可概括如下：
　　1.基于搜索引擎的篇章背景知識聯(lián)想研究
　　本文提出基于搜索引擎的篇章

3、背景知識聯(lián)想模型，采用“Subject,Predicate,Object”（主語，指示詞，賓語）三元組作為知識表示方案，從人工構建知識庫和自動抽取知識庫中引入背景知識候選。本文提出基于三元組關聯(lián)網(wǎng)絡的篇章表示方案，將背景知識候選和原文信息統(tǒng)一表示起來，并進一步引入搜索引擎作為資源，提出基于權重傳播的排序模型計算背景知識候選與原文的相關性，依此對背景知識候選進行排序。在評價方面，我們采用排序問題的方式評估模型性能，并采用人工標注的方式判定

4、結果。實驗結果顯示：本文最終獲得MAP值為0.676，P@20值為0.417，取得了較好的性能。
　　2.基于分布式語義的篇章背景知識聯(lián)想研究
　　為了彌補上文方法計算效率低、評價不夠完整等缺點，本文進一步提出基于分布式語義的篇章背景知識聯(lián)想模型。本文利用主題模型和深度學習等方法將背景知識候選和原文信息同時轉(zhuǎn)換為質(zhì)密的實值向量，并使用向量運算代替搜索引擎計算結點之間的語義相關度。本文隨后采用改進的權重傳播模型對背景知識候選進

5、行排序，并選出相關性較高的背景知識引入文本分類任務中，通過基于任務的評價方式驗證背景知識聯(lián)想模型的分析效果。實驗結果顯示：該模型在背景知識引入上取得的MAP值為0.649，P@5值為0.5596；同時，通過引入背景知識使得文本分類模型性能提高2.55％。
　　3.融入背景知識的中文篇章語義關系研究
　　之后，本文將背景知識融入篇章語義分析的重要方面：篇章語義結構分析，并通過探索篇章語義關系分析任務來獲取篇章語義結構信息?？紤]

6、到中文篇章關系分析尚無成熟的任務定義和語料資源，本文首先提出面向中文的篇章關系任務及關系類型體系，并探索大規(guī)模篇章關系語料資源的構建方法，提出句群、復句、分句的三層標注方案，構建包含1096篇文檔、超過兩萬個實例的高質(zhì)量中文資源。隨后，本文融合背景知識信息，探索了顯式篇章關系識別和隱式關系識別，并將結果應用于傾向性分析任務中，取得了較好的效果，同時為后續(xù)研究提供了資源基礎和模型參考。
　　4.融入背景知識的篇章語義連貫性分析研究<

7、br>　　本文在篇章語義關系分析的基礎上更進一步，將背景知識融入篇章語義分析的另一個重要方面：篇章語義內(nèi)容分析，并通過探索篇章語義連貫性分析任務來獲取篇章語義內(nèi)容信息。給定一篇待分析的文章，本文使用前文介紹的方法獲取背景知識，并將其融入已有連貫性分析模型中，包括基于圖的無指導模型和基于實體的有指導模型兩類。我們在句子排序和摘要連貫性評估兩個任務上測試模型，實驗結果顯示：融合背景知識的無指導、有指導兩類模型，在兩個任務上均獲得了非常顯著的

8、性能提升，證明了本研究的實際價值。
　　綜上，本文在背景知識獲取和融入背景知識的篇章語義分析兩方面都做了嘗試并取得一定成果，希望本文融入背景知識來支持相關研究的思路能對其他研究人員有所啟發(fā)。在本文的部分工作中，為了更好地與已有研究進行對比，我們的實驗針對英文語料展開，但需要指出的是本文所提出的方法并沒有語言依賴性。相信隨著自然語言處理技術的進步，以及各種資源的不斷豐富，背景知識獲取和原文語義分析方法都將不斷進步，并進而促進機器翻譯