"Covid vaccine is against Covid but Oxford vaccine is made at Oxford!" Semantic Interpretation of Proper Noun Compounds
Indian Institute of Technology Delhi(德里印度理工学院);The Hebrew University of Jerusalem(耶路撒冷希伯来大学)
专有名词复合词,例如,“Covid vaccine”,以简洁的方式传达信息(“Covid vaccine”是“对Covid疾病免疫的疫苗”)。这些通常用于简短的领域,如新闻标题,但在信息搜索应用程序中很大程度上被忽略。为了解决这一限制,我们发布了一个新的手动注释数据集ProNCI,由22.5K专有名词复合词及其自由形式的语义解释组成。ProNCI比以前的名词复合数据集大60倍,还包括以前没有探索过的非成分示例。我们用各种神经模型进行实验,用于自动生成专有名词复合词的语义解释,范围从Few-Shot提示到监督学习,具有不同程度的有关组成名词的知识。我们发现,添加有针对性的知识,特别是关于普通名词的知识,可以使性能提高2.8%。最后,我们将我们的模型生成的解释与现有的Open IE系统相结合,并观察到产量增加了7.5%,精度为85%。数据集和代码可在https://github.com/dair-iitd/pronci上获得。
2022-10-24 cs.CL
From chocolate bunny to chocolate crocodile: Do Language Models Understand Noun Compounds?
University of British Columbia(不列颠哥伦比亚大学);Vector Institute for AI(Vector人工智能研究所)
本文研究语言模型对名词复合词的理解能力,发现 GPT-3 在标准释义任务上几乎完美,在需要创造力和常识的新颖复合词概念化任务上优于人类,并分析了其推理与复述训练数据的程度。
2023-05-24 cs.CL
A Joint Approach to Compound Splitting and Idiomatic Compound Detection
MobileTeleSystems(移动电信系统公司);Sberbank of Russia(俄罗斯联邦储蓄银行);National Research University Higher School of Economics(国家研究型高等经济大学)
诸如机器翻译、语音识别和信息检索之类的应用需要有效地处理名词复合词,因为它们是词汇表外(OOV)词的可能来源之一。对名词复合词的深入处理不仅需要将它们分解成更小的成分(甚至词根),而且还需要识别那些不应该被分解的实例,因为它们具有惯用的性质。我们为德语开发了一种基于双重深度学习的名词复合词拆分和惯用复合词检测方法,我们使用新收集的注释德语复合词语料库进行训练。我们的神经名词复合拆分器在子单词级别上运行,比当前最先进的拆分器性能高出约5%。
2020-03-21 cs.CL
Analysis of Japanese Compound Nouns using Collocational Information
复合名词的分析是自然语言处理系统的关键问题之一,特别是对于那些旨在广泛覆盖领域的系统。本文提出了一种结合词语搭配统计和同义词词典分析日语复合名词结构的方法。本文以16万个词语搭配为语料,对平均长度为4.9个字的复合名词进行了分析。该方法的准确度约为80%。
1994-12-25 cmp-lg cs.CL
Using the Web as an Implicit Training Set: Application to Noun Compound Syntax and Semantics
Sofia University(索非亚大学)
英语书面语篇的一个重要特征是名词复合词的丰富性-名词序列充当单个名词,例如,结肠癌肿瘤抑制蛋白。虽然最终由领域专家掌握,但它们的解释对自动分析构成了重大挑战。理解名词复合词的句法和语义对于许多自然语言应用是重要的,包括问答、机器翻译、信息检索和信息抽取。我解决的问题,名词复合语法的新颖的,高度准确的无监督和轻度监督的算法,使用Web作为语料库和搜索引擎作为接口,该语料库。传统上,Web一直被视为页面点击数的来源,用于估计n元词频。我通过引入新的表面特征和释义来扩展这种方法,从而为名词复合括号的任务产生最先进的结果。我还展示了如何这些类型的功能可以应用到其他结构歧义问题,如介词短语附件和名词短语协调。我通过自动生成释义动词和介词来解决名词复合词的语义问题,这些动词和介词使名词复合词中名词之间隐藏的语义关系显式化。我还演示了如何这些释义动词可以用来解决各种关系相似性问题,以及如何释义名词复合词可以提高机器翻译。
2019-11-23 cs.CL cs.IR
A Probabilistic Model of Compound Nouns
复合名词(如示例名词复合词)在自然语言中变得越来越常见,并为NLP系统带来了许多困难的问题,特别是增加了解析的复杂性。在本文中,我们开发了一个概率模型的句法分析这样的化合物。该模型基于从语料库中获取的名词之间的亲缘关系知识来预测复合名词结构。这种基于语料库的方法中固有的问题得到解决:数据稀疏是克服使用语义动机的词类和意义的歧义明确处理的模型。Lauer(1994)中描述了基于该模型的实现,并正确解析了77%的测试集。
1994-09-06 cmp-lg cs.CL
A Machine Learning Approach for the Identification of Bengali Noun-Noun Compound Multiword Expressions
Central Calcutta Polytechnic(加尔各答中央理工学院);Jadavpur University(贾达普大学)
本文提出了一种机器学习方法,用于识别孟加拉语多词表达(MWE),这是二元名词复合物。我们提出的方法有两个步骤:(1)候选提取使用块信息和各种启发式规则和(2)训练的机器学习算法称为随机森林分类的候选人分为两组:二元名义复合MWE或非二元名义复合MWE。各种关联措施,句法和语言的线索和一组基于WordNet的相似性功能已被用于我们的MWE识别任务。本文提出的方法可用于识别孟加拉语连续文本中的二元语法名词性复合词MWE。
2014-01-25 cs.CL cs.LG
Paraphrasing Verbs for Noun Compound Interpretation
Bulgarian Academy of Sciences(保加利亚科学院)
英语书面文本的自动分析面临的一个重要挑战是大量的名词复合词:充当单个名词的名词序列。在我们看来,它们的语义最好由所有可能的释义动词的集合来表征,并具有相关的权重,例如,使用亚马逊的Mechanical Turk,我们收集了以前在语言学文献中提出的250个名词-名词复合词的释义动词,从而为名词复合词的解释创造了宝贵的资源。使用这些动词,我们进一步构建了一个数据集的句子对代表一种特殊的文本蕴涵任务,其中一个二元的决定是关于是否涉及一个动词和两个名词的表达可以转化为名词复合,同时保持句子的意义。
2019-11-20 cs.AI cs.CL cs.IR
Systematicity in GPT-3's Interpretation of Novel English Noun Compounds
Stanford University(斯坦福大学)
Levin等人。(2019)通过实验表明,对新的英语名词复合词的解释(例如,炖锅),虽然不完全组成,是高度可预测的基础上,修改器和头部是否指文物或自然种类。大语言模型GPT-3是否受相同的解释性原则支配?为了解决这个问题,我们首先比较莱文等人。的实验数据与GPT-3代的相似度很高。然而,这一证据是一致的GPT 3推理只对特定的词汇项目,而不是更抽象的概念类别的莱文等人。的理论。为了更深入地探索,我们构建了需要相关概念推理的提示。在这里,我们没有找到令人信服的证据,证明GPT-3不仅仅是对单个词汇进行推理。这些结果强调了在评估大语言模型是否潜在地编码更深层次的理论时,控制低水平分布的重要性。
2022-10-18 cs.CL
Conceptual Association for Compound Noun Analysis
本文描述了利用语料库统计技术对复合名词进行自动解释的研究。本文对句法消歧进行了初步研究。提出的方法基于叙词表类别的关联。关联数据是从语料库中提取的明确的情况下收集的,然后应用于歧义复合名词的分析。虽然提出的工作仍在进行中,第一次尝试语法分析测试集的244个例子显示75%的正确性。未来的工作旨在提高这种准确性和扩展的技术分配语义角色信息,从而产生一个完整的解释。
1996-09-11 cmp-lg cs.CL
Corpus Statistics Meet the Noun Compound: Some Empirical Results
实现并比较了名词复合词分析的各种统计方法。结果支持两个主要结论。首先,概念联想的使用不仅可以使覆盖面更广,而且可以提高准确性。第二,依赖语法的基础上的分析模型是更准确的基础上最深的成分,即使后者是更普遍的文献。
1996-09-10 cmp-lg cs.CL
Metonymy Interpretation Using X NO Y Examples
我们发展了基于实例的借代解释方法。这种方法的一个优点是,不需要手工建立的转喻数据库,因为它使用的是``名词X没有名词Y(名词X的名词Y)形式的例子。另一个好处是,我们将能够通过使用新的语料库来解释新创造的转喻句子。我们进行了转喻解释的实验,并获得了66%的准确率时,使用这种方法。
2000-08-28 cs.CL
Large-Scale Noun Compound Interpretation Using Bootstrapping and the Web as a Corpus
University of Melbourne(墨尔本大学);National University of Singapore(新加坡国立大学)
针对自然语言处理应用中对语义词汇资源的需求,我们研究了获取名词复合词(NC)的方法,例如,“橙汁”,连同适当的细粒度语义解释,例如,“从……中挤出来”,可以直接用作释义。我们采用自举和网络统计,并利用NC和释义模式之间的关系,联合提取NC和这样的模式在多个交替迭代。在评估中,我们发现,有一个复合名词固定产生更高数量的语义解释的NC和提高准确性,由于更强的语义限制。
2019-11-27 cs.AI cs.CL cs.IR
Human and Automatic Interpretation of Romanian Noun Compounds
Princeton University(普林斯顿大学)
针对罗马尼亚语名词复合词,本文构建一套新的语义关系集,并用人工标注与神经网络分类器验证,发现模型预测与人工判断相符,但高频“无关系”暴露出现有关系清单不足。
2024-03-11 cs.AI cs.CL
Designing Statistical Language Learners: Experiments on Noun Compounds
本论文的目的是推进统计语言学习设计空间的探索。为了实现这一目标,本文做出了两个主要的理论贡献:(i)通过指定一个自然语言分析的体系结构,确定了一个新的设计类别,在该体系结构中,概率被赋予语义形式而不是更表面的语言元素;以及(ii)它探讨了数学理论的发展,以预测统计语言学习系统在数量方面的预期准确性。用来训练它们的数据。理论工作说明了应用统计语言学习设计的分析名词复合词。名词复合词的句法和语义分析尝试使用所提出的架构。实证比较表明,所提出的句法模型是显着优于先前建议的,接近人类法官在同一任务上的表现,以及所提出的语义模型,第一个统计方法来解决这个问题,表现出显着更好的准确性比基线策略。这些结果表明,新的一类设计确定是一个有前途的。这些实验还突出了对广泛适用的数据要求理论的需要。
1996-09-25 cmp-lg cs.CL
Do Vision-Language Models Understand Compound Nouns?
University of Maryland(马里兰大学)
本文构建Compun基准评估CLIP等视觉-语言模型对复合名词的理解能力,并提出用大语言模型生成多样化描述替代手写模板,将CLIP在Compun上的复合名词理解性能提升8.25%。
2024-03-30 cs.CL cs.CV
SemEval-2013 Task 4: Free Paraphrases of Noun Compounds
Radboud University Nijmegen(拉德堡德大学);Universidade de Lisboa(里斯本大学);QCRI, Qatar Foundation(卡塔尔基金会卡塔尔计算研究所);University of Ottawa(渥太华大学);Polish Academy of Sciences(波兰科学院);University of Southern California(南加州大学);University of Cambridge(剑桥大学);University College Dublin(都柏林大学学院)
在本文中,我们描述了SemEval-2013任务4:定义,数据,评估和结果。任务是通过释义来捕捉英语名词复合词的一些含义。给定一个两个词的名词复合词,参与系统被要求产生一个明确的自由形式的释义排名列表。该列表会自动与人类注释者提出的类似排名的释义列表进行比较和评估,这些释义通过Amazon的Mechanical Turk进行招募和管理。“黄金”排名是基于注释者中释义的相对受欢迎程度。为了使排名更可靠,高度相似的释义被分组,以淡化句法和形态上的表面差异。三个系统参与了这项任务。他们在两个评估指标中的一个上都超过了一个简单的基线,但在两个指标上都没有。这表明任务是艰巨的。
2019-11-23 cs.AI cs.CL cs.IR
Sense disambiguation of compound constituents
Heinrich-Heine-Universität Düsseldorf(杜塞尔多夫海因里希·海涅大学)
在对名-名复合词(如海星、银行账户、游艇)意义的分布语义学解释中,成分多义的重要作用在很大程度上仍未得到解决(参见第二章)。明星的含义在海星vs.明星集群vs.明星运动员)。我们需要的不是对一个成分的不同含义进行平均的语义向量,而是消除歧义的成分向量,以便了解这些更具体的成分含义对整个复合词的含义有什么贡献。本文提出了一种新的方法来解决这个特定的问题的词义消歧:集扩展。我们以Mahabal等人开发的方法为基础。(2018)最初旨在解决类比问题。我们修改了他们的方法,使其能够解决复合成分的意义消歧问题。使用近9000种化合物的数据集进行的实验结果(LADEC,Gagné et al. 2019)表明,这种方法是成功的,但这种成功对化合物被证明的频率很敏感。
2022-04-01 cs.CL
Improved statistical machine translation using monolingual paraphrases
University of California at Berkeley(加州大学伯克利分校);Bulgarian Academy of Sciences(保加利亚科学院);Sofia University(索非亚大学)
我们提出了一种新的单语句子释义方法,用于“免费”增加统计机器翻译系统的训练数据--通过从已经可用的数据中创建它,而不必创建更多对齐的数据。从句法树开始,我们递归地生成新的句子变体,其中名词复合词使用合适的介词进行释义,反之亦然--包含介词的名词短语变成名词复合词。评估表明,改进相当于训练数据量加倍的33%-50%。
2021-09-25 cs.AI cs.CL
Concerning Olga, the Beautiful Little Street Dancer (Adjectives as Higher-Order Polymorphic Functions)
American Institutes for Research(美国研究院)
在本文中,我们提出了一个类型化的复合语义的形式[形容词名词],模型形容词作为高阶多态功能,并在类型被假定为代表概念的本体,反映了我们的常识世界观和我们谈论它的方式在ordinary语言。除了[Adj Noun]复合词之外,我们的建议似乎也为众所周知的形容词排序限制提出了一个合理的解释。
2008-02-10 cs.CL cs.LO
On-line Learning of Binary Lexical Relations Using Two-dimensional Weighted Majority Algorithms
我们考虑学习某种类型的词汇语义知识的问题,这些知识可以表示为词与词之间的二元关系,例如所谓的动词的次范畴化(动词-名词关系)和复合名词短语关系(名词-名词关系)。具体来说,我们认为这个问题作为一个在线学习问题的意义上的Littlestone的学习模型中,学习者的目标是最大限度地减少预测错误的总数。在计算学习理论的文献中,Goldman、Rivest和Schapire以及随后的Goldman和Warnings考虑了二元关系R:X * Y -> {0,1}的在线学习问题,其中一个域集合X可以被划分为相对较少的类型,即由X的行为上不可区分的成员组成的集群。在本文中,我们扩展了这个模型,并假设这两个集合X,Y可以划分成少量的类型,并提出了主机的预测算法,这是二维扩展的Goldman和Warranty的加权多数类型算法提出的原始模型。我们将这些算法应用于学习问题的“复合名词短语”的关系,其中一个名词是相关的另一个只是在情况下,他们可以形成一个名词短语在一起。实验结果表明,本文提出的算法的性能优于Goldman和Warrant的算法。我们还从理论上分析了我们的算法之一的性能,在最坏情况下的预测错误的数量上界的形式。
1995-07-25 cmp-lg cs.CL
Probing BERT for German Compound Semantics
Institute for Natural Language Processing, University of Stuttgart(自然语言处理研究所,斯图加特大学)
该研究探究德语BERT对名词复合词语义的编码能力,通过不同配置预测868个金标准复合词的组合性,发现组合性信息在早期层易提取,但德语任务难度高于英语,或因德语复合构词产率更高、成分歧义更多。
2025-05-20 cs.CL
Sequence-to-Sequence Networks Learn the Meaning of Reflexive Anaphora
Yale University(耶鲁大学)
反身回指对语义解释提出了挑战:它们的意义依赖于上下文,似乎需要抽象变量。过去的工作对经常性网络应对这一挑战的能力提出了质疑。在本文中,我们探讨这个问题的背景下,英语的片段,结合了相关的排序的上下文变异。我们认为,序列到序列的架构与经常性的单位,并表明这种网络能够学习语义解释的反身回指概括到新的先行词。我们探索了注意力机制和不同的循环单元类型对成功所需的训练数据类型的影响,这可以通过两种方式来衡量:需要多少词汇支持来诱导抽象的反身意义(即,在训练过程中必须出现多少个不同的反身先行词),以及一个名词短语必须出现在什么样的语境中才能支持对这个名词短语的反身解释的泛化?
2020-11-02 cs.CL
Computational Interpretations of the Gricean Maxims in the Generation of Referring Expressions
我们研究了生成作为适当指称表达的定指名词短语的问题,即:(1)成功地识别听话人的预期指称,同时(2)不向她传达任何虚假的会话含义(Grice,1975)。我们回顾了几种可能的计算解释的会话含义准则,不同的计算成本,并认为,最简单的可能是最好的,因为它似乎是最接近人类说话者做什么。我们详细描述了我们推荐的算法,以及主机系统必须提供的资源,以利用该算法的规范,并在IDAS系统的自然语言生成组件中使用的实现。这篇论文将发表在1995年4 - 6月的《认知科学》杂志上,并在该杂志的出版商Ablex的许可下在cmp-lg上提供。
1995-04-26 cmp-lg cs.CL
Compound interpretation is based on analogy
Northwest University(西北大学);University of Tübingen(蒂宾根大学)
本文提出复合词类比模型(CAM),通过成分嵌入与家族平均位移向量预测复合词嵌入,在普通话复合词上优于CAOSS模型,并验证了其认知合理性,表明复合词理解基于局部类比泛化。
2026-10-02 cs.CL
No Word is an Island -- A Transformation Weighting Model for Semantic Composition
University of Tübingen(蒂宾根大学)
分布式语义的组合模型被用来从他们的词的表示构造短语表示。组成模型通常位于光谱的两端。它们要么有少量的参数,但以相同的方式组合所有短语,要么以大量参数为代价执行特定于单词的组合。在本文中,我们提出了转换加权(TransWeight),一个组成模型,始终优于现有的模型上的名词性化合物,形容词-名词短语和副词-形容词短语在英语,德语和荷兰语。与文献中的最佳模型相比,TransWeight通过以相同的方式组成相似的单词,大大减少了所需的参数数量。
2019-07-11 cs.CL
Typed Hilbert Epsilon Operators and the Semantics of Determiner Phrases (Invited Lecture)
Université de Bordeaux(波尔多大学);CNRS(法国国家科学研究中心)
限定词短语的语义,无论是定指、不定摹状词还是量化名词短语,通常被认为是一个完全解决的问题:普通名词是属性,限定词是适用于两个谓词的广义量词:对应于普通名词的属性和对应于动词短语的属性。我们首先提出了一个批评这种标准的观点。首先,限定词的语义不遵循句子的句法结构。第二,不定冠词的标准解释不能适用于名词性句子。第三,标准观点忽略了广义量词的两个属性之间的语言不对称性。在续集中,我们提出了一个丰富的类型系统,我们最初开发的词汇语义,使用许多排序的逻辑语义表示的希尔伯特术语的决定词和量词的治疗。我们提出了这个语义框架称为蒙塔古生成词典,并显示这些条款如何更好地匹配的句法结构,避免了上述问题的标准方法。希尔伯特项与选择函数的不同之处在于,每个公式都有一个多态算子而不是一个算子。它们还在意义组装逻辑、处理组合性的类型化λ演算和语义表示的多排序逻辑之间建立了有趣的联系。此外,语义项自然地引入了类型判断,并证实了类型判断是一种预设形式的主张。
2014-06-18 cs.AI cs.CL cs.LO
More Than Meets the Eye: Measuring the Semiotic Gap in Vision-Language Models via Semantic Anchorage
IDSAI, University of Exeter(IDSAI研究所,埃克塞特大学)
研究通过引入DIVA基准测试,探讨高视觉保真度是否干扰视觉抽象中的隐喻构成性,提出语义对齐差距和方向偏置指标,发现模型规模无法解决字面偏好,高保真度导致象征性对齐减弱。
2026-04-19 cs.CL cs.CV
From Compound Figures to Medical Multi-image Reasoning: Scaling Multimodal Large Language Models with Biomedical Literature
Department of Biomedical Informatics and Data Science, Yale School of Medicine, Yale University, New Haven, CT 06510, USA(耶鲁医学院生物医学信息学与数据科学系,耶鲁大学,新 Haven,CT 06510,USA);School of Medicine, University of Puerto Rico, San Juan, PR 00921, USA(波多黎各大学医学院,波多黎各,San Juan,PR 00921,USA)
本文提出M3LLM,一种基于生物医学文献中复合图像的多模态大语言模型,通过分而治之策略提升多图像理解能力,实验证明其在多图像、单图像等场景中表现优异。
2026-10-01 cs.AI cs.CL cs.CV