[论文解读] Identifying Metaphoric Antonyms in a Corpus Analysis of Finance Articles

Aaron Gerow, Mark T. Keane|arXiv (Cornell University)|Dec 13, 2012

Language, Metaphor, and Cognition参考文献 10被引用 3

一句话总结

本研究通过分析包含17,000多篇金融新闻文章（1000多万词）的语料库，利用动词论元的分布相似性，预测人类识别出的'UP'和'DOWN'动词的隐喻反义词。研究发现，论元分布的余弦相似度在87%的情况下能正确预测最频繁出现的反义词，支持了分布模型在隐喻理解中的应用。

ABSTRACT

Using a corpus of 17,000+ financial news reports (involving over 10M words), we perform an analysis of the argument-distributions of the UP and DOWN verbs used to describe movements of indices, stocks and shares. In Study 1 participants identified antonyms of these verbs in a free-response task and a matching task from which the most commonly identified antonyms were compiled. In Study 2, we determined whether the argument-distributions for the verbs in these antonym-pairs were sufficiently similar to predict the most frequently-identified antonym. Cosine similarity correlates moderately with the proportions of antonym-pairs identified by people (r = 0.31). More impressively, 87% of the time the most frequently-identified antonym is either the first- or second-most similar pair in the set of alternatives. The implications of these results for distributional approaches to determining metaphoric knowledge are discussed.

研究动机与目标

• 探究人们在金融语言中如何识别隐喻反义词，特别是描述市场走势的'UP'和'DOWN'动词。
• 检验论元结构的分布相似性在多大程度上可预测人类识别出的隐喻反义词对。
• 评估分布语义在建模领域特定语言中隐喻知识方面的有效性。
• 为分布方法在隐喻认知中的合理性提供实证证据。

提出的方法

• 分析了包含17,000多篇金融新闻文章（总词数超过1000万）的语料库，提取'UP'和'DOWN'动词的论元分布。
• 开展两项研究：自由作答和配对任务，收集参与者识别出的反义词。
• 计算动词对之间论元分布的余弦相似度，以评估语义相似性。
• 利用相似度得分对潜在反义词对进行排序，并与人类反应进行比较。
• 通过测量最高排名反义词的相似度与准确率，评估分布相似性的预测能力。
• 将结果应用于评估分布模型在捕捉语言中隐喻知识方面的可行性。

实验结果

研究问题

• RQ1 在金融语境中，人类最常将哪些动词识别为'UP'和'DOWN'的隐喻反义词？
• RQ2 论元结构的分布相似性在多大程度上可预测人类识别出的隐喻反义词对？
• RQ3 动词论元分布之间的余弦相似度与人类识别反义词的频率之间相关性如何？
• RQ4 分布模型能否可靠地预测在多个选项中被最常选择的反义词？

主要发现

• 论元分布之间的余弦相似度与人类识别的反义词对比例之间存在中等相关性（r = 0.31）。
• 在87%的情况下，最常被识别出的反义词位于基于论元分布相似度的前两名动词对中。
• 最常被识别出的反义词始终能被最高排名的分布相似度准确预测，表明其具有强大的预测能力。
• 研究结果支持将分布语义作为建模领域特定语言中隐喻知识的可行方法。
• 本研究证明，论元分布的相似性是金融话语中隐喻反义关系的稳健指标。