首页/论文/1802.04609

arXiv 1802.046092018-02-13cs.CL

基于网络特征的上下义关系检测

Network Features Based Co-hyponymy Detection

Indian Institute of Technology Kharagpur（印度理工学院卡拉格布尔分校）

Abhik Jana, Pawan Goyal

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

区分词汇关系是自然语言处理领域的一个长期研究课题。近年来，为了检测诸如上位关系、部分关系、共下位关系等词汇关系，分布式语义模型正以某种形式被广泛使用。尽管人们对上位关系的检测做了大量的努力，但是对上下义关系的检测问题却很少有人研究。在本文中，我们提出了一种新的监督模型，其中各种网络措施已被用来识别高精度的表现更好或与最先进的模型相当的共上下义关系。

英文摘要：

Distinguishing lexical relations has been a long term pursuit in natural language processing (NLP) domain. Recently, in order to detect lexical relations like hypernymy, meronymy, co-hyponymy etc., distributional semantic models are being used extensively in some form or the other. Even though a lot of efforts have been made for detecting hypernymy relation, the problem of co-hyponymy detection has been rarely investigated. In this paper, we are proposing a novel supervised model where various network measures have been utilized to identify co-hyponymy relation with high accuracy performing better or at par with the state-of-the-art models.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

基于分布式叙词表嵌入的上下义关系检测

Using Distributional Thesaurus Embedding for Co-hyponymy Detection

Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）

区分分布相似词之间的词汇关系一直是自然语言处理（NLP）领域的一个挑战。本文研究了分布式叙词表的网络嵌入能否有效地用于共上下义关系的检测。通过对三个基准数据集的广泛实验，我们表明，通过在分布式词库上应用node 2 vec获得的向量表示优于最先进的二元分类模型，用于co-hyponymy与hyponymy，以及co-hyponymy与meronymy。

2020-02-24cs.CL

专门化词汇蕴涵的词向量

Specialising Word Vectors for Lexical Entailment

Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室）；PolyAI（PolyAI公司）

我们提出了LEAR（词汇蕴涵吸引排斥），一种新的后处理方法，转换任何输入词向量空间，强调词汇蕴涵（LE）的不对称关系，也被称为IS-A或上下义关系。通过注入外部语言约束（例如，WordNet链接）到初始向量空间中，LE专业化过程使真正的上下义关系对在变换后的欧几里得空间中更接近。建议的非对称距离测量调整规范的词向量，以反映实际的WordNet风格的概念层次结构。同时，联合目标使用对称余弦距离强制执行语义相似性，同时产生专门用于两个词汇关系的向量空间。LEAR专业化在上位词方向性、上位词检测和分级词汇蕴涵等任务中实现了最先进的性能，证明了所提出的非对称专业化模型的有效性和鲁棒性。

2018-04-19cs.CL

语言模型是否编码语义关系？探测与稀疏特征分析

Do Language Models Encode Semantic Relations? Probing and Sparse Feature Analysis

本文研究了大型语言模型对语义关系（同义、反义、上位词、下位词）的表示，结合线性探测与稀疏特征分析，揭示了语义关系在模型中的编码特性及稳定性。

2026-03-31cs.CL

语义关系的并行学习

Concurrent Learning of Semantic Relations

Kelkoo Group（Kelkoo集团）；University of Caen Normandy（卡昂诺曼底大学）；Kodar Ltd（Kodar有限公司）；University of Grenoble Alps（格勒诺布尔阿尔卑斯大学）

发现单词是否在语义上相关并识别它们之间的特定语义关系对于NLP至关重要，因为它对于IR中的查询扩展等任务至关重要。在这种情况下，已经提出了不同的方法，或者专门关注单个词汇关系，（例如，上位关系对随机关系）或学习能够识别多个语义关系的特定分类器（例如，上位关系对同义关系对随机关系）。在本文中，我们提出了另一种方法来看待依赖于多任务学习范式的问题。特别是，我们想研究是否可以通过并行学习另一个语义关系（例如，共同上下义关系）的学习过程中，一个给定的语义关系（例如，上位关系）得到改善。在此背景下，我们特别研究了半监督学习的好处，其中预测函数的训练是在少数标记数据和许多未标记数据上进行的。基于简单的学习策略和最先进的分布特征表示的初步结果表明，并行学习可以导致绝大多数测试情况下的改进。

2018-07-30cs.CL

DoNotDistribute团队在SemEval-2020的任务11：新闻文章中宣传检测的神经模型中的特征、微调和数据增强

Team DoNotDistribute at SemEval-2020 Task 11: Features, Finetuning, and Data Augmentation in Neural Models for Propaganda Detection in News Articles

Georgetown University（乔治城大学）

本文介绍了我们的系统SemEval 2020共享任务11：检测新闻文章中的宣传技巧。我们参与了跨度识别和技术分类子任务，并报告了使用不同的基于BERT的模型以及手工制作的功能的实验。我们的模型在这两项任务中的表现都远高于基线，我们贡献了消融研究和对我们结果的讨论，以剖析不同功能和技术的有效性，目的是帮助未来的宣传检测研究。

2020-08-21cs.CL

联合实体检测与跟踪模型中有效全局特征的大规模探索

A Large-Scale Exploration of Effective Global Features for a Joint Entity Detection and Tracking Model

Information Sciences Institute（信息科学研究所）

实体检测与跟踪（Entity Detection and Tracking，EDT）是识别文档中真实世界实体的文本提及的任务，通过考虑除名称以外的提及（代词、定义描述等）来扩展命名实体检测和共指消解任务。像NE标记和共指消解一样，EDT任务的大多数解决方案将提及检测方面与共指方面分开。通过这样做，这些解决方案仅限于使用局部特征进行学习。相比之下，通过同时对EDT任务的两个方面进行建模，我们能够使用高度复杂的非局部特征进行学习。我们开发了一个新的联合EDT模型，并探讨了许多功能的实用性，证明了它们在这项任务上的有效性。

2009-07-04cs.CL

更多相关论文收起更多论文

利用认知特征进行讽刺检测

Harnessing Cognitive Features for Sarcasm Detection

Indian Institute of Technology Bombay（印度理工学院孟买分校）；IITB-Monash Research Academy（印度理工学院孟买分校-莫纳什研究学院）；IBM Research（IBM研究院）

在本文中，我们提出了一种新的机制，丰富的特征向量，讽刺检测的任务，从人类读者的眼动模式提取的认知特征。讽刺检测一直是一个具有挑战性的研究问题，其对于评论摘要、对话系统和情感分析等NLP应用的重要性已得到广泛认可。讽刺通常可以追溯到不协调，随着整个句子的展开而变得明显。这种不协调的存在--无论是隐含的还是明确的--都会影响读者的眼睛在文本中移动的方式。我们观察眼睛的行为的差异，而阅读讽刺和非讽刺的句子。基于他的观察，我们利用从读者眼动数据中获得的认知特征来增强传统的语言和文体特征。我们使用这样获得的增强特征集进行统计分类。增强的认知功能提高讽刺检测3.7%（F分数），在最好的报告系统的性能。

2017-01-19cs.CL

使用情感和社会规范特征检测社交媒体帖子中的抑郁症

Depression detection in social media posts using affective and social norm features

National Technical University of Athens（雅典国家技术大学）；Institute for Speech and Language Processing（言语与语言处理研究所）

我们提出了一个从社交媒体帖子中检测抑郁症的深层架构。所提出的架构建立在BERT的基础上，从社交媒体帖子中提取语言表示，并使用专注的双向GRU网络将这些表示结合起来。我们将情感信息，通过增强的文本表示与预训练的情感分类器中提取的特征。心理文学的动机，我们建议将亵渎和道德功能的职位和话在我们的建筑使用后期融合方案。我们的分析表明，道德和亵渎可以是抑郁症检测的重要特征。我们将我们的模型应用于Pirina数据集上的Reddit帖子的抑郁检测，并进一步考虑在Reddit RSDD数据集中提出的每个用户多个帖子的情况下检测抑郁用户的设置。包含所提出的功能在两种设置中产生最先进的结果，即F1评分分别绝对提高2.65%和6.73%。索引术语：抑郁检测，BERT，特征融合，情感识别，亵渎，道德

2023-03-24cs.CL

面向大语言模型生成文本的多层级特征检测

Multi-Hierarchical Feature Detection for Large Language Model Generated Text

Northeastern University（东北大学）

本文系统检验了多层级特征集成对LLM生成文本检测的实际价值，提出MHFD方法融合语义、句法与统计特征，发现其仅带来0.4-2.6%的有限提升却产生4.2倍计算开销，表明现代神经模型已能高效捕获主要检测信号。

2025-09-23cs.CL

使用语法特征进行网络钓鱼检测

Using Syntactic Features for Phishing Detection

Purdue University（普渡大学）

本文比较了钓鱼邮件和合法邮件中动词的主语和宾语的用法。本研究旨在探讨动词的句法结构和主语、宾语是否可以作为网络钓鱼检测的特征。为了达到这一目的，我们进行了两个系列的实验：句子的句法相似性和动词的主语和宾语比较。实验结果表明，这两种特征都可以用于某些动词，但对其他动词还需要做更多的工作。

2015-05-29cs.CL

基于对比学习跨域特征增强的Zero-shot姿态检测

Zero-shot stance detection based on cross-domain feature enhancement by contrastive learning

National University of Defense Technology（国防科技大学）

Zero-shot姿态检测是具有挑战性的，因为它需要检测的立场，以前看不见的目标在推理阶段。学习可转移的目标不变特征的能力对于zero-shot姿态检测是至关重要的。在这项工作中，我们提出了一个立场检测方法，可以有效地适应看不见的目标，其核心是捕捉目标不变的语法表达模式作为可转移的知识。具体来说，我们首先通过屏蔽句子的主题词来增强数据，然后将增强的数据馈送到无监督的对比学习模块以捕获可转移的特征。然后，为了适合特定的目标，我们将原始文本编码为目标特定的特征。最后，我们采用了一个注意力机制，它结合了句法表达模式与目标特定的功能，以获得增强功能，预测以前看不见的目标。实验表明，我们的模型在四个基准数据集上的性能优于竞争基线。

2022-10-07cs.AIcs.CL

基于上下文、情感和情绪特征的讽刺检测框架

Sarcasm Detection Framework Using Context, Emotion and Sentiment Features

Instituto Politécnico Nacional（国立理工学院）

讽刺检测是一项重要的任务，可以帮助识别用户生成的数据（如论坛或推文）中的实际情绪。讽刺是一种复杂的语言表达形式，因为它的表面意义通常与其内在的深层意义相矛盾。这种不协调是讽刺的基本组成部分，然而，它使得讽刺检测相当具有挑战性的任务。在本文中，我们提出了一个模型，它结合了不同的功能来捕捉讽刺内在的不协调。我们使用预训练的Transformer和CNN来捕获上下文特征，并且我们使用在情感检测和情感分析任务上预训练的Transformers。我们的方法在来自社交网络平台和在线媒体的四个数据集上的表现优于以前的最先进的结果。

2023-01-04cs.CLcs.LG

面向深度学习算法的文本特征提取：在虚假新闻检测中的应用

Feature Extraction of Text for Deep Learning Algorithms: Application on Fake News Detection

Soongsil University（崇实大学）

特征提取是机器学习和深度学习的一个重要过程，因为该过程使算法运行得更有效、更准确。在自然语言处理中，用于虚假新闻检测等欺骗检测的方法中，已经引入了几种统计方面的特征提取方法（例如N-gram）。在这项研究中，它将被证明，通过使用深度学习算法和字母频率的原始文本的新闻没有任何信息的顺序的字母表实际上可以用来分类假新闻和可信的高精度（85\%）。由于这种预处理方法使数据非常紧凑，但也包括分类器所需的特征，因此字母频率似乎包含一些有用的特征，用于理解原始文本的复杂上下文或含义。

2020-11-03cs.CLstat.ML

神经统计特征在生成Transformers检测中的对抗鲁棒性

Adversarial Robustness of Neural-Statistical Features in Detection of Generative Transformers

University of Ottawa（渥太华大学）；American University（美利坚大学）

计算机生成文本的检测是一个重要性迅速增加的领域，因为新生的生成模型允许有效创建引人注目的类人文本，这些文本可能被滥用于垃圾邮件，虚假信息，网络钓鱼或在线影响活动。过去的工作研究了当前最先进模型的检测，但尽管威胁形势不断发展，但对检测方法对对抗攻击的鲁棒性分析很少。为此，我们评估了神经和非神经方法检测计算机生成的文本的能力，对文本对抗攻击的鲁棒性，以及成功的对抗攻击对人类判断文本质量的影响。我们发现，虽然统计特征的表现不如神经特征，但统计特征提供了额外的对抗鲁棒性，可以在集成检测模型中加以利用。在这个过程中，我们发现，以前有效的复杂短语功能检测计算机生成的文本对当代生成模型的预测能力很小，并确定有前途的统计功能，而不是使用。最后，我们开创性地使用$Δ$ MAUVE作为人类判断对抗文本质量的代理度量。

2022-03-02cs.AIcs.CLcs.LG

古吉拉特语的语素边界检测与语法特征预测：数据集与模型

Morpheme Boundary Detection & Grammatical Feature Prediction for Gujarati : Dataset & Model

Dharmsinh Desai University（达尔姆辛·德赛大学）

本文针对低资源语言古吉拉特语，构建了首个同时支持语素边界检测和语法特征标注的数据集，并提出基于双向LSTM的形态分析器模型，无需手工后缀规则即可有效处理形态学任务。

2021-12-18cs.AIcs.CLcs.LG

多语言瓶颈特征的口语词检测

Multilingual Bottleneck Features for Query by Example Spoken Term Detection

Idiap Research Institute（伊迪亚普研究所）

现有技术的口语词检测（QbE-STD）的解决方案通常依赖于查询和音频文档的瓶颈特征表示来执行基于动态时间规整（DTW）的模板匹配。在这里，我们提出了一个研究QbE-STD性能使用几个单语以及多语言的瓶颈功能，从前馈网络提取。然后，我们提出采用残差网络（ResNet）来估计瓶颈特征，并显示出比相应的前馈网络特征有显着的改进。在GlobalPhone语料库上训练神经网络，并在非常具有挑战性的QUESST 2014数据库上执行QbE-STD实验。

2019-06-30cs.CLcs.HCcs.LG