[论文解读] Sense Tagging: Semantic Tagging with a Lexicon

Yorick Wilks, Mark Stevenson|ArXiv.org|May 29, 1997

Natural Language Processing Techniques参考文献 16被引用 32

一句话总结

本文提出了一种语义标注系统，结合词性标注与朗文当代英语词典（LDOCE）的词义定义重叠，利用模拟退火算法优化独立语言信号中的词义选择，以消歧同形词。该系统在小型测试集上实现了86%的同形词消歧准确率，表明结合简单、模块化的方法可优于单一方法的性能。

ABSTRACT

Sense tagging, the automatic assignment of the appropriate sense from some lexicon to each of the words in a text, is a specialised instance of the general problem of semantic tagging by category or type. We discuss which recent word sense disambiguation algorithms are appropriate for sense tagging. It is our belief that sense tagging can be carried out effectively by combining several simple, independent, methods and we include the design of such a tagger. A prototype of this system has been implemented, correctly tagging 86% of polysemous word tokens in a small test set, providing evidence that our hypothesis is correct.

研究动机与目标

• 开发一种实用且可扩展的词义标注方法，相对于预定义词典而非广泛语义类别进行操作。
• 解决现有词义消歧（WSD）方法的局限性，这些方法依赖于稀缺的手动标注语料库或临时定义的词义区分。
• 通过整合多种独立的语言信息源（如词性与词典定义）来提高消歧准确率。
• 证明基于预定义词典（如LDOCE）的模块化混合系统，使用简单可重用组件，可优于单一方法的WSD方法。

提出的方法

• 系统使用朗文当代英语词典（LDOCE）的机器可读版本作为词义和同形词的来源。
• 文本通过词干提取、停用词去除和句子分割进行预处理，以隔离用于分析的内容词。
• 应用词性标注器（Brill标注器），其输出映射到LDOCE的词性类别，以过滤掉不一致的词义。
• 对每个词义的词典定义进行处理，去除停用词并进行词干提取，以支持语义重叠计算。
• 使用模拟退火算法，基于与周围上下文定义的最大重叠度，为每个词标记选择最一致的单一词义。
• 系统设计具有可扩展性，未来可集成额外的独立信息源，如搭配模式或共现统计。

实验结果

研究问题

• RQ1 通过结合多种独立、简单的方法而非依赖复杂、单体的模型，能否有效实现词义标注？
• RQ2 词性信息与词典定义重叠的整合，在多大程度上能提升词义消歧的准确率？
• RQ3 基于预定义词典（如LDOCE）的系统在小型、领域特定的测试集上，是否优于无监督或有监督的WSD方法？
• RQ4 与纯统计或启发式方法相比，模块化、基于规则的组件在极少训练的情况下，能在多大程度上提升性能？

主要发现

• 在《华尔街日报》209个词的小型测试集上，该系统对多义词标记正确同形词的准确率达到86%。
• 词义级消歧准确率达到57%，优于仅使用模拟退火的基线方法（在同一测试集上为47%）。
• 与单独使用模拟退火相比，词性过滤与词典定义重叠的结合显著提升了消歧性能。
• 结果表明，使用基于词典的词义清单并结合多种独立的语言信号，可带来更可靠、更准确的语义标注。
• 性能提升归因于LDOCE提供的结构化、领域锚定的词义区分，其语义类别比临时定义的词义簇更精确。
• 尽管测试规模较小，结果仍支持假设：模块化、基于知识的系统能有效解决词义标注问题。