[论文解读] Large-Scale Noun Compound Interpretation Using Bootstrapping and the Web as a Corpus

Su Nam Kim, Preslav Nakov|arXiv (Cornell University)|Nov 27, 2019

Topic Modeling参考文献 40被引用 33

一句话总结

这篇论文提出一个自举框架，联合从网络抓取名词短语（NCs）和细粒度改写模式，以解释目标抽象关系（Make 2）。它分析在自举过程中固定头部或修饰语中的任一项如何提升准确性和可扩展性。

ABSTRACT

Responding to the need for semantic lexical resources in natural language processing applications, we examine methods to acquire noun compounds (NCs), e.g., "orange juice", together with suitable fine-grained semantic interpretations, e.g., "squeezed from", which are directly usable as paraphrases. We employ bootstrapping and web statistics, and utilize the relationship between NCs and paraphrasing patterns to jointly extract NCs and such patterns in multiple alternating iterations. In evaluation, we found that having one compound noun fixed yields both a higher number of semantically interpreted NCs and improved accuracy due to stronger semantic restrictions.

研究动机与目标

• 动机：需要大规模、可解释的名词短语（NCs）及其细粒度改述模式。
• 开发一种自举方法，在从模式提取 NCs 与从 NCs 提取模式之间交替使用，以网络作为语料库。
• 评估在 NC 中限制一个名词（头部或修饰语）对提取质量与覆盖率的影响。
• 提供一个对 NCs 进行粗粒度（Make 2）与细粒度改述分布注释的数据集。

提出的方法

• 将 NC 语义表示为对改述动词和介词的分布。
• 使用两步自举过程：(i) 提取改述给定种子模式的 NCs；(ii) 为已发现的 NCs 提取新的改述模式。
• 采用三种自举策略（松散、严格、仅NC严格）结合基于网络的查询来收集 NCs 和模式。
• 使用频率阈值和基于 WordNet 的名词检查来筛选候选项；不允许种子或先前提取的 NCs；要求在网络数据中具有最小共现计数。
• 迭代最多三次，在覆盖度与语义准确性之间取得平衡，并为 NCs 生成细粒度改述分布。

实验结果

研究问题

• RQ1 从一小组种子模式与 NCs 的自举是否可以扩展到成千上万的 NCs，并用改述动词进行解释？
• RQ2 在 NC 中固定一个名词（头部或修饰词）是否能提高提取准确性并减少语义漂移？
• RQ3 在松散、严格和仅 NC 严格的自举方案中，提取数量与准确性之间的权衡是什么？
• RQ4 相较于粗粒度抽象关系，细粒度改述动词在捕捉 NC 语义方面有多大信息量？
• RQ5 得到的 NC 数据集如何支持需要 NC 解释的 NLP 应用？

主要发现

• 严格自举和仅 NC 严格自举在 NC 与 NC-模式的准确性上高于松散自举。
• 在严格自举下提取的 NC 数量显著增加，而仅 NC 严格自举由于更多模式实例化而加速增长。
• 使用更高的共现阈值（N=10）通常会减少提取的 NC 和模式，但可能略微提高准确性。
• 自举得到的 NC 可以与每个 NC 的细粒度改述动词分布配对。
• 对比评估显示他们的方法在覆盖度上更高，但在各个迭代中存在一定的准确性下降。