自选论文PPT.pptVIP

Tree Kernel-based Negation and Speculation Scope Detection with Structured Syntactic Parse Features 第六组 范围测定是信息提取的一个主要任务，而范围测定的的任务是检测由特定线索为主的语言范围。目前该方面的研究集中在两个方面：negation和speculation (1)negative范围检测是检测有否定词主导的部分； (2)speculation是检测句子中不确定的成分； 本篇论文的重点是后者。 1)The chair [not expensive] but comfortable. 2)Considering all that we have seen , what are now [the possible future scenarios]. 论文简介 论文提出的方法 本论文将范围检测作为一个二元分类问题，即判断句子中的标记元素是否属于范围之内。论文提出的方法： （1）flat syntactic features引入到基准系统中。 （2）提出了使用结构化句法分析的基于树核的范围检测方法。 （3）对各线索的词性构造了判别器，并为每个分类器选择了最优特征。 Flat Syntactic Features Basic features: 与线索和符号直接相关的特征 Constituent Syntactic Features: (1)候选标记附近的语言信息，用来检测某一范围内候选标记与附近标记的共同作用 (2)语法树中标记本身的特征，用来断定候选标记与线索是否直接有关联 Dependency Syntactic Features: 强调线索和标记之间的主要关系 (2)语法书中标记本身的特征，用来断定候选标记与线索是否直接有关联 Dependency Syntactic Features: 强调线索和标记之间的主要关系 Structured Syntactic Features 语法树不仅包括线索与范围之间的直接联系，还表示两者之间的相关结构，相关结构通常包括隐含的线索，因此，使用组成和依赖句法结构作为辅助功能，能够进一步改善基准系统。 此外使用基于树核的分类器来捕获在组成和依存分析树中的信息，组成语法树可以直接用于基于树核的计算，而依赖树却不可以，树核无法表示弧上的关系，下图为一依赖树和组成语法树。 将依存树转化成可以直接用于树核的形式： （1）提取依存关系来形成纯关系的树，原树中的节点上的标记被忽略，只保留关系标签。 （2）将（1）中删除的标记冲击插入依赖关系框架中，将它们与原来的依存关系连接 Part-of-Speech Based Classification Optimization 线索的词性可能导致范围分类的低效率，下图显示BioScope的子语料库中线索的词性分布： 线索不同的词性代表着不同的句法角色，因此在触发语言范围是代表了不同的特征，如列，第一句中suggest的词性标注为VBP，而第二局中为VBN 实验结果： Performance of flat syntactic features： Performance of structured syntactic features on negation Performance of structured syntactic parse features on speculation. Performances of POS based classification 谢谢!