2005 年谢芳等人利用 BP 神经网络模型和统计待消歧词的上下文信息

Im Jahr 2005 verwendeten Xie Fang et al. Das BP-Modell für neuronale Netze und statistische Kontextinformationen von Wörtern, die eindeutig definiert werden sollen, um eine Begriffsklärung durchzuführen. Im Jahr 2014 schlug Zhang Tingting vor, basierend auf der vorhandenen Wortbedeutungsstruktur von WordNet und der kontextsemantischen Beziehung der Wortbedeutungspaarung. Nach der Wortbedeutungsdisambiguierung wird die Disambiguierungsarbeit durch semantische Auswahl abgeschlossen. Im Jahr 2016 führte Zhang Guoqing eine Methode zur Disambiguierung des geführten Wortsinns unter Verwendung eines neuronalen Netzwerks durch und führte auch eine Methode zur ungeleiteten Disambiguierung unter Verwendung von Hownet ein, was die ursprüngliche Häufigkeit des gemeinsamen Auftretens bedeutet. Im Jahr 2016 führten Zhang Chunxiang und andere semantische Informationen in das Wortsinn-Disambiguierungsmodell ein. In chinesischen Sätzen wird das mehrdeutige Vokabular als Zentrum verwendet, um seine linken und rechten lexikalischen Einheiten zu lokalisieren. Basierend auf den semantischen Kategorien der linken und rechten lexikalischen Einheiten wird das Bayes'sche Modell verwendet, um die wahre Semantik des mehrdeutigen Vokabulars zu bestimmen. Mit dem Aufkommen neuronaler Netze werden neuronale Netze auch häufig in der Verarbeitung natürlicher Sprache verwendet. Mit Hilfe von Sprachmodellideen verwendeten Bengio et al. Die Wörter im Satz als Eingabe des neuronalen Netzwerks und als Ausgabe des neuronalen Netzwerks. Unter Verwendung der Ideen des Sprachmodells und des Algorithmus zur Rückausbreitung des neuronalen Netzwerks zum Erlernen der Wortvektoren wurde die Trainingszeit erheblich verkürzt. Durch die Kombination von Matrixzerlegung und Kontextfenstern können mehr statistische Informationen verwendet werden. Je größer der Korpus, desto vorteilhafter ist er. Die durch Deep Learning erhaltenen Wortvektoren enthalten viele semantische Informationen. Können und wie können diese semantischen Informationen zur Eliminierung von Wortbedeutungen verwendet werden? Das Feld der Divergenz ist zum neuesten Thema geworden.

Im Jahr 2005 verwendeten Xie Fang et al. das neuronale Netzwerkmodell von BP und die kontextuellen Informationen, die die Wörter als uneindeutig einrechneten. Im Jahr 2014 schlug Zhang eine kontextssemantische Beziehung vor, die auf WordNets vorhandener Wortbedeutungsstruktur und Wortbedeutungspaaren basiert, die dann durch semantische Auswahl verunstaltet werden. Im Jahr 2016 führte Zhang Guoqing eine geführte Methode der Disambiguation mit hilfe neuronaler Netze durch und führte auch die ungelenkte Methode der Disambiguation mit Hownet Yiyuan homogenen Frequenzinformationen ein. Im Jahr 2016 führten Zhang Chunxiang und andere semantische Informationen in das Modell des Wortes ein, das Disambiguation bedeutet. In chinesischen Sätzen werden die linken und rechten Vokabeleinheiten als Mittelpunkt positioniert, und die reale semantische Semantik des mehrdeutigen Vokabulars wird vom Bayesschen Modell anhand der semantischen Kategorien linker und rechter Vokabeleinheiten beurteilt. Mit dem Aufkommen neuronaler Netze werden neuronale Netzwerke auch in der natürlichen Sprachverarbeitung weit verbreitet. Bengio und andere verwenden die Wörter im Satz als Eingabe des neuronalen Netzwerks und die Ausgabe des neuronalen Netzwerks, und verwenden den Gedanken- und Neuronalnetzwerk-Reverse-Propagationsalgorithmus des Sprachmodells, um den Wortvektor zu lernen, was die Trainingszeit erheblich verkürzt. In Kombination mit Matrixzerlegung und Kontextfenster können mehr statistische Informationen genutzt werden, je vorteilhafter die Korporen, desto mehr enthält der durch Deep Learning erhaltene Wortvektor eine große Menge an semantischen Informationen, ob diese semantischen Informationen verwendet werden können und wie man sie im Bereich der Wortentmystik verwendet, ist das neueste Problem geworden.

In 2005 nutzten Xie Fang und andere BP neuronales Netzwerkmodell und statistische Kontextinformationen des Wortes, das disambitioniert werden sollte, um Wortsinndisambiguation durchzuführen.In 2014 schlug Zhang Tingting vor, die Disambiguation durch semantische Selektion nach Wortsinndisambiguation auf der Grundlage der vorhandenen Wortsinnsstruktur von WordNet und der kontextsemantischen Beziehung von Wortbedeutung Matching zu vollenden.Im 2016 führte Zhang Guoqing mit Hilfe eines neuronalen Netzwerkes eine direkte Wortsinndisambiguation durch und führte eine nicht geführte Wortsinndisambiguation durch.Im 2016 führten Zhang Chunxiang und andere semantische Informationen in das Wortsinndisambiguationsmodell ein.In chinesischen Sätzen befinden sich die linken und rechten lexikalischen Einheiten mit den mehrdeutigen Wörtern als Mittelpunkt. Basierend auf den semantischen Kategorien der linken und rechten lexikalischen Einheiten, wird Bayesian-Modell verwendet, um die wahre Semantik der mehrdeutigen Wörter zu beurteilen.Mit dem Aufkommen neuronaler Netzwerke werden neuronale Netzwerke in der natürlichen Sprachverarbeitung weit verbreitet eingesetzt.Mit Hilfe der Idee des Sprachmodells verwendet Bengio Wörter in Sätzen als Eingabe von neuronalem Netzwerk und der Ausgabe von neuronalem Netzwerk und verwendet die Idee des Sprachmodells und des neuronalen Netzwerks zurück Vermehrungsalgorithmus, um das Wort Vektor zu lernen, was die Trainingszeit stark verkürzt.Mit der Kombination von Matrixzerlegung und Kontext-Fenster können mehr statistische Informationen verwendet werden. Je größer das Korpus, desto vorteilhafter ist es. Der Wortvektor, der durch tiefes Lernen gewonnen wird, enthält eine Menge semantische Informationen. Ob und wie man diese semantischen Informationen im Bereich der Wortsinndisambiguation verwendet, ist das neueste Problem geworden.<br>