文献类型：期刊文章

作　　者：冯煜博[1] 蔡东风[1] 宋彦[2]

FENG Yubo;CAI Dongfeng;SONG Yan(Reseach Center for Human-computer Intelligence,Shenyang Aerospace University,Shenyang,Liaoning 110136,China;Sinovation Ventures,Shenzhen,Guangdong 518061,China)

机构地区：[1]沈阳航空航天大学人机智能研究中心,辽宁沈阳110136 [2]创新工场,广东深圳518061

出　　处：《中文信息学报》

基　　金：辽宁省重点研发计划(2019JH210100020);教育部人文社会科学研究青年基金(17yjczh003)。

年　　份：2020

卷　　号：34

期　　号：3

起止页码：13-22

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：词向量是词的低维稠密实数向量表示,在自然语言处理的各项任务中都扮演了重要角色。目前词向量大多都是通过构造神经网络模型,在大规模语料库上以无监督学习的方式训练得到,这样的模型存在着两个问题:一是低频词词向量的语义表示质量较差;二是忽视了知识库可以对该模型提供的帮助。该文提出了利用知网相关概念场来提升词向量语义表示质量的模型。实验结果表明,在词语相似度任务、词语相关度任务和词语类比任务上,该模型使得斯皮尔曼相关性系数和准确率都得到了显著的提升。

关 键 词：词向量  知网相关概念场  低频词  神经网络语言模型  

分 类 号：TP391]