意义计算的实现-知网!.ppt

提纲 相似度的计算 相关概念的计算 知网英汉翻译系统 在意义计算中，一些常用的函数 容易混淆的两个概念 词语相关性——反映的是两个词语互相关联的程度，即词语之间的组合特点，它可以用词语在同一个语境中共现的可能性来衡量。 词语相似性——反映的是词语之间的聚合特点。 什么是概念的相似度 概念相似度是一个主观性很强的概念，会根据不同的应用而产生不同的定义。 实现方法 同义词 同类词 反义或对义词 抽取参与计算的DEF片段 概念计算 实现方法—特殊情况 在符合下列情况是直接得出相似度值，无需其他计算： 同义词相似度为1.000000。 同类词相似度为0.950000。 反义或对义词 (仅限于单个义原) 相似度为0.000000。 实现方法—抽取DEF 不是所有的概念都是直接拿到DEF就进行计算的，有些概念中存在特殊的动态角色，需要特别的处理。对于动态角色CoEvent, 需要用CoEvent 后面的KDML部分作为这个词语的DEF来参与计算，用以建立不同类别词语之间的关系。如 ： 旅程（名词）： DEF={fact|事情:CoEvent={tour|旅游}}。 旅行（动词）： DEF={tour|旅游} 实现方法—四个部分 公式：Sim(D1,D2) = (P1*β1+P2*β2+P3*β3+P4*β4)* γ概念相似度的计算分为4个部分来进行。β是每一个部分计算结果的权值。β1+β2+β3+β4 =1，目前我们指定：β1=0.1，β2=0.1，β3=0.7，β4=0.1。γ为惩罚因子。 实现方法—包含关系的计算（部分1） 两个DEF相互包含关系的计算公式：P1 = 1/LL：包含关系存在的层次 实现方法—包含关系的计算（部分1） “心理医生”:DEF={human|人:HostOf={Occupation|职位},domain={medical|医},{doctor|医治:agent={~},content={disease|疾病:cause={mental|精神}}}} “医生”:DEF={human|人:HostOf={Occupation|职位},domain={medical|医},{doctor|医治:agent={~}}} “手指”： {part|部件:whole={part|部件:PartPosition={hand|手},whole={human|人}}} “手”：{part|部件:PartPosition={hand|手},whole={human|人}} 实现方法—概念主类相似度的计算（部分2） 两个概念主类之间的相似度的计算公式：P2 = α / ( d +α ) d为两个主类义原在Taxonomy树上的距离。 α= 1 。 距离与相似度为反比关系，即距离越近相似度越高。 实现方法—概念主类相似度的计算（部分2） “human|人” : entity|实体 = thing|万物 = physical|物质 = animate|生物 = AnimalHuman|动物 = human|人 实现方法—节点相似性的计算（部分3） DEF的各个节点相似性的计算，这一部分的计算是在整个相似度计算中最复杂，也是权值比例最大的一部分。 具体包含如下三个方面的计算： 同层相同节点的计算; 对于动态角色domain的进一步处理; 两个DEF相同节点数与总节点数的计算 实现方法—节点相似性的计算（部分3） “患儿”：DEF={human|人:domain={medical|医},modifier={child|少儿}, {SufferFrom|罹患:experiencer={~}},{doctor|医治:patient={~}}} “儿科医生”：DEF={human|人:HostOf={Occupation|职位},domain={medical|医}, {doctor|医治:agent={~},patient={human|人:modifier={child|少儿}}}} 实现方法—节点相似性的计算（部分3） 实现方法—节点相似性的计算（部分3） 同层相同节点的计算公式：S1 = Nsim / Nmax / 2x  Nsim ：同层相同节点数 Nmax：同层最大节点数 2x ：x是层次数那么以上我们所举的例子的计算结果为：S1 =1/21 + 0.5/22 + 0/23 + 0/24  =0.5 + 0.125 + 0 + 0 =0.625 实现方法—节点相似性的计算（部分3） 对于动态角色domain的进一步处理。 如果两个DEF中都存在domain，并且domain的值也相