[论文解读] Generating Conceptual Metaphors from Proposition Stores

Ekaterina Ovchinnikova, Vladimir Zaytsev+2 more|arXiv (Cornell University)|Sep 25, 2014

Language, Metaphor, and Cognition参考文献 34被引用 7

一句话总结

本文提出了一种无监督方法，可从命题库（即表示语义关系的结构化语言数据）中自动生成概念隐喻，而无需依赖人工编码的资源或标注的训练数据。该方法通过匹配目标概念与潜在源域之间的属性相似性来识别可能的源域，并生成相应的语言隐喻，经专家验证后在英语和俄语评估中均表现出高准确率。

ABSTRACT

Contemporary research on computational processing of linguistic metaphors is divided into two main branches: metaphor recognition and metaphor interpretation. We take a different line of research and present an automated method for generating conceptual metaphors from linguistic data. Given the generated conceptual metaphors, we find corresponding linguistic metaphors in corpora. In this paper, we describe our approach and its evaluation using English and Russian data.

研究动机与目标

• 开发一种无需依赖人工整理的词典-语义资源的自动化无监督方法，从原始语言数据中生成概念隐喻。
• 支持基于生成的概念隐喻在语料库中发现语言隐喻，从而促进隐喻识别与理解。
• 使用英语和俄语语言数据评估该方法的有效性，确保其跨语言适用性。
• 为社区提供开源工具集和经验证的资源，用于隐喻生成与分析。
• 评估计算出的隐喻排名分数与人类对隐喻显著性的判断之间的相关性。

提出的方法

• 该方法从分词后的句子构建命题库，提取带有句法关系的加权词组元组，以表示关于概念的常识性知识。
• 针对每个目标概念，收集描述其属性的加权命题列表，然后识别具有相似属性特征的潜在源域。
• 基于共享的命题特征，通过加权匹配机制计算目标概念与候选源概念之间的相似性，以对潜在的概念隐喻进行排序。
• 在生成概念隐喻后，系统在语料库中搜索表达该映射的语言实现（例如短语如“经济在前进”）。
• 该方法无需预定义的源域或目标域，也不依赖选择性偏好或手工编码的知识。
• 通过专家语言学家对所发现的语言隐喻的相关性和自然性进行验证。

实验结果

研究问题

• RQ1 能否在不依赖人工编码的词典-语义资源的前提下，从命题库中可靠地生成概念隐喻？
• RQ2 自动生成的概念隐喻与《主隐喻列表》和CorMet中的既定概念隐喻在多大程度上一致？
• RQ3 该系统在多大程度上能基于生成的概念隐喻在语料库中发现有效的语言隐喻？
• RQ4 所提出的排名机制在识别给定目标概念最合理的源域方面有多高效？
• RQ5 目标域与源域之间命题属性的相似性在多大程度上能预测概念隐喻的感知显著性？

主要发现

• 在俄语评估中，系统对排名靠前的源域生成的语言隐喻验证成功率达到76%（185个隐喻中141个被专家判定为正确）。
• 在英语评估中，对排名靠前的源域生成的语言隐喻有83%被验证为正确（197个隐喻中163个被判定准确）。
• 该方法成功生成了《主隐喻列表》中14个概念隐喻中的12个，表明与既定隐喻映射具有很强的一致性。
• 与CorMet相比，该方法在识别如“水 → 情感”和“战斗 → 爱情”等映射时表现更优，具有更高的置信度分数，并覆盖了更多自然表达。
• 该方法对“战斗 → 情感”映射的置信度评分为99%，表明其与语料库中自然隐喻用法高度一致。
• 该方法展示了跨语言鲁棒性，在英语和俄语中均成功生成并验证了隐喻，性能保持一致。