78_基于word2vec的大中华区词对齐库的构建.pdfVIP

78_基于word2vec的大中华区词对齐库的构建.pdf

  1. 1、本文档共11页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
78_基于word2vec的大中华区词对齐库的构建

基于word2vec 的大中华区词对齐库的构建 * 王明文,徐雄飞,徐凡,李茂西 (江西师范大学 计算机信息工程学院,南昌 330022) 摘要:本文针对大陆、香港和台湾地区(简称大中华区)存在同一种语义但采用不同词语进行表达的语言 现象进行分析。首先,我们抓取了维基百科以及简繁体新闻网站上的3,200,000 万组大中华区平行句对,手 工标注了一致性程度达到 95% 以上的 10,000 组大中华区平行词对齐语料库。同时,我们提出了一个基于 word2vec 的两阶段的大中华区词对齐模型,该模型采用word2vec 获取大中华区词语的向量表示形式,并融 合了有效的余弦相似度计算方法以及后处理技术。实验结果表明我们提出的大中华区词对齐模型在以上两 种不同文体的词对齐语料库上的F1 值显著优于现有的GIZA++和基于HMM 的基准模型。此外,我们在维 基百科上利用该词对齐模型进一步生成了90,029 组准确率达82.66%的大中华区词语三元组。 关键词:大中华区;词对齐;最长公共子序列;word2vec 中图分类号:TP391 文献标识码:A Building Word Alignment Corpus for the Greater China Region * Wang Mingwen ,Xu Xiongfei ,Xu Fan ,Li Maoxi (School of Computer Information Engineering, Jiangxi Normal University, Nanchang 330022, China) Abstract: We deal with the linguistic phenomenon that different expressions refer to the same semantic meaning among the Mainland China, Hong Kong and Taiwan, a.k.a., the greater China region(GRC). Firstly, we automatically crawl 3.2 million GCR parallel sentences from the wikipedia and the news website with simplified and traditional encoding, and then manually annotate 10,000 GCR parallel word alignment corpora with the annotation agreement above 95%. Meanwhile, we present a 2-phase GCR word alignment model based on word2vec to represent the GCR words’ vector, which incorporate the effective word similarity calculation method along with post-processing technology. Expreiment results on the proposed 2 different word alignment corpus demenstrate the effectiveness of our GCR model which significantly outperforms the current GIZA++ and HMM-based models. Furthermore, we generate 90,029 triples from wikipedia with accuracy over 82.66%. Keywords: the greater China region

文档评论(0)

zhuwenmeijiale + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

版权声明书
用户编号:7065136142000003

1亿VIP精品文档

相关文档