面向框架语义分析的目标词自动识别方法

提出了一种基于监督学习的目标词自动识别方法,分析并检验了多种区分目标词、框架元素和非实义词的分类特征,并在此基础上,联合使用监督学习与规则匹配方法,形成了兼顾扩展性和精确性的目标词识别系统。在FrameNet语料集的实验结果显示,融合方法的目标词识别获得了3.86%的性能提升。     

基于推理线索构建的事件关系识别方法

利用同一话题下的事件元素在话题内的分布特性以及事件元素在话题演化过程中的语义依存规律, 提出基于推理线索构建的事件关系识别方法。实验结果显示, 相比于基于核心词和实体推理的事件关系识别方法, 所提出的方法在F值上获得9.57%的性能提升。     

融合多模型与高置信度词典的事件线索检测

提出一种融合多模型和高置信度词典的事件线索识别方法,将高置信度词典特征分别加入最大熵模型和条件随机场模型,然后融合两个模型的结果,旨在提高触发词识别的召回率和整体性能。针对事件真伪性识别任务,进一步考察否定词或不确定词与触发词的物理位置距离和依存路径距离等特征,提高事件真伪性识别的性能。实验结果显示,针对触发词识别和事件真伪性识别任务,与仅使用最大熵模型相比,所提出的融合多模型与高置信度词典的方法能够提高触发词识别的性能6.43%,提高事件真伪性识别的性能1.69%。     

基于语义依存线索的事件关系识别方法研究

以事件为基本语义单元, 基于事件的篇章结构信息及语义特征, 通过分析事件的语义依存关系及其在演化过程中的语义依存规律, 提出基于语义依存线索的事件关系识别方法, 实现事件语义关系的浅层检测: 判定事件之间是否存在语义关系。实验结果显示, 相比于传统的基于语义相似度的识别方法, 新提出的基于事件语义依存线索的事件关系识别方法获得了5%的性能提升。