Метрики семантической близости с приложениями к задачам АОТ

Введение PatternSim Сравнение HybridSim Приложения

Метрики семантической близости с
приложениями к задачам АОТ

Александр Панченко
Universit´ catholique de Louvain
e
alexander.panchenko@uclouvain.be

1 апреля 2013 г.

Александр Панченко 1/44


План

1 Введение

2 Метрика основанная на лексико-синтаксических шаблонах

3 Сравнение метрик семантической близости

4 Гибридная метрика семантической близости

5 Приложения метрик семантической близости



План

1 Введение




Поиск и визуализация семантически связанных слов
Классификация коротких текстов



Введение

Мотивация

1 Синонимы, гиперонимы и ко-гипонимы полезны для:
ˇ
систем обработки коротких текстов (Saric et al., 2012;
Panchenko at., 2012);
расширешия поисковых запросов (Hsu et al., 2006);
вопросно-ответных систем (Sun et al., 2005);
2 Ручное создание семантических ресурсов непозволительно
дорого.
3 Качество существующих систем извлечения недостаточно.



Семантические отношения и ресурсы
Определение
Семантический ресурс это ненаправленный граф (C , R):
узлы C представляют слова;
дуги R представляют нетипизированные семантические
отношения.



Subject of the Research – Semantic Relation Extractors
We study the extractors based on two components:
1 semantic similarity measures;
2 nearest neighbors procedures.
Terms Text-Based Data

C
Feature Extractor
F
Similarity Measure Semantic Similarity Measure

S Semantic Relation Extractor
Normalizer

S
kNN Procedure

R

Semantic Relations



Метрики семантической близости
Определение
Метрика семантической близости численно выражает
семантическую связность двух ci , cj : sij = sim(ci , cj ):

high если ci , cj пара syn, hyper , cohypo
sij =
0 иначе

Свойства

Неотрицательность: 0 ≤ sij ≤ 1;
Рефлективность: sij = 1 ⇔ ci = cj ;
Симметричность: sij = sji ;
sij ≤ sik + skj



Метрики семантической близости
Малое количество подобных пар, большое количество
несвязных пар: sij ∼ exp(λ):

Распределение подобия слова “doctor” (|C | > 200, 000):



Оценка качества метрик семантической близости

1 корреляции с суждениями человека (MC, RG, WordSim);
2 ранжирование семантических отношений (BLESS, SN);
3 извлечение семантических отношений;
4 использование извлеченных отношений в системе АОТ:
в системе классификации имен файлов (iCOP);
с системе поиска семантически связанных слов (Serelex).



План

1 Введение







Публикации

Panchenko A., Morozova O., Naets H. “A Semantic
Similarity Measure Based on Lexico-Syntactic Patterns”.
In Proceedings of KONVENS 2012, pp.174–178, 2012
Panchenko A., Romanov P., Morozova O., Naets H.,
Philippovich A., Fairon C. "Serelex: Search and
Visualization of Semantically Related Words". In
Proceedings of the 35th European Conference on Information
Retrieva (ECIR 2013).
Панченко А., Романов П., Романов А., Филиппович А.,
Филиппович Ю., Морозова О. Серелекс: поиск и
визуализация семантически связанных слов. (АИСТ
2013)



Демо
http://serelex.cental.be/



Лексико-синтаксические паттерны

18 паттернов извлекающих гиперонимы, ко-гипонимы и
синонимы



Основной каскад автоматов

Каскад конечных автоматов (FST)
В формете Unitex



Пример реализации паттерна в виде автомата

Гибкие правила позволяют учеть лингвистическую
вариацию сохраняя точность
В отличие от паттернов основанных на строках (Bollegala
et al., 2007)


PatternSim: основные этапы
Корпус Wikipedia+ukWaC: 2.9 · 1012 токенов
Паттерны извлекают конкордансы
such diverse {[occupations]} as {[doctors]},
{[engineers]} and {[scientists]}[PATTERN=1]
such {non-alcoholic [sodas]} as {[root beer]} and
{[cream soda]}[PATTERN=1]
{traditional[food]}, such as
{[sandwich]},{[burger]}, and {[fry]}[PATTERN=2]
Количество извлечений
Wikipedia – 1.196.468
ukWaC – 2.227.025
WaCypedia+ukWaC – 3.423.493
Вычисление подобия


Формула Efreq-Rnum-Cfreq-Pnum

√ 2 · µb P(ci , cj )
sij = pij · · .
bi∗ + b∗j P(ci )P(cj )
eij
P(ci , cj ) = eij – вероятность извлечения отношения
ij
между парой ci , cj , где eij – частота взаимной
встречаемости слов ci и cj в конкордансе K
fi
P(ci ) = – вероятность слова ci , где fi – частота ci
i fi

bi∗ = j:eij ≥β 1 – количество извлечений слова ci с
1 |C |
частотой ≥ β, где µb = |C | i=1 bi∗ – среднее количество
извлечений для слова
pij ∈ [1; 18] – количество отдельных паттернов
извлечекших отношение ci , cj



Ранжирование семантических отношений
Точность сравнима или лучше чем у аналогов;
Полнота меньше чем у аналогов.

Рис.: График точность-полнота (коллекция BLESS).


Извлечение семантических отношений

Точность@1 ≈ 0.80;
“Хорошее” лексическое покрытие:



План

1 Введение







Проанализированные метрики близости

37 различных метрик;
Вопрос 1: Дополняют ли метрики друг друга?
Вопрос 2: Если да то в каких аспектах?



Лучшие метрики семантической близости (MC, RG,
WordSim, BLESS, SN)

Каждый излекает большое количество ко-гипонимов:
Canon, Nikon ,
Lamborghini, Ferrari ,
Obama, Romney .


Резюме

Метрики дополняют друг друга в терминах:

лексического покрытия;
точности;
типов извлекаемых отношений.



План

1 Введение







Публикациии

Panchenko A., Morozova O., Naets H. “A Semantic
Similarity Measure Based on Lexico-Syntactic Patterns”.
In Proceedings of KONVENS 2012, pp.174–178, 2012
Panchenko A., “Similarity Measures for Semantic Relation
Extraction”. PhD thesis. Universit´ catholique de Louvain.
e
197 pages, 2013.



Отдельные и гибридные метрики
(a) Terms, C (b) Terms, C

Single Similarity Measure
simi sim1 ... simN

Hybrid Similarity Measure
Features
Si S1 SN
norm norm ... norm

S1 SN
combination method
Scmb
norm

Si Scmb
knn knn

Relations, R Relations, R

Рис.: Система извлечения семантических отношений основанная на:
(a) отдельной метрике;
(b) гибридной метрике.



16 признаков = 16 отдельных метрик
5 метрик основанных на семантических сетях:
1 WuPalmer;
2 Leacock and Chodorow;
3 Resnik;
4 Jiang and Conrath;
5 Lin.
3 метрики основанных на Веб корпусе
(NGD-Yahoo/Bing/Google);
5 метрики основанные на корпусе текстов:
2 дистрибутивных (BDA, SDA)
1 лексико-синтаксические шаблоны (PatternSim)
2 другие (LSA, NGD-Factiva)
3 метрики основанные на определениях
1 ExtendedLesk;
2 GlossVectors;
3 DefVectors-WktWiki.


Способы комбинирования без учителя

cmb 1 k
1 Mean: sij = K k=1,K sij ;
cmb 1 k
2 Mean-Nnz: sij = |k:s k >0,k=1,K | k=1,K sij ;
ij
1 K Sk −µk
3 Mean-Zscore: Scmb = K k=1 σk ;
cmb = median(s 1 , . . . , s K );
4 Median: sij ij ij
cmb = max(s 1 , . . . , s K );
5 Max: sij ij ij
cmb = 1
6 RankFusion: sij k
K k=1,K rij ;
7 RelationFusion (Panchenko and Morozova, 2012).



Методы комбинирования с учителем
8 Logit, Logit-L1, Logit-L2.
Бинарная логистическая регрессия;
Положительные обучающие примеры – синонимы,
гиперонимы, ко-гипонимы из BLESS/SN;
Отрицательные обучающие примеры – случайные пары
семантически несвязных слов BLESS/SN;
Отношение ci , t, cj ∈ R представлена с помощью вектора
1 N
попарной близостей: x = (sij , . . . , sij ), N = 2, 16;
Категория yij :
0 if ci , t, cj случайное отношение
yij =
1 иначе
Использование модели (w1 , . . . , wK ) для
комбинирования:
K
cmb 1 k
sij = ,z = wk sij + w0 .
1 + e −z
k=1



9 SVM.

Веса w и опорные вектора
SV :

w= αi yi xi .
xi ∈SV

Использование модели

K
sij = wT x+b =
cmb k
wi sij +b.
k=1




График Точность-Полнота вычисленный на коллекции BLESS:
(a) 16 отдельных метрик и гибридная метрика Logit-E15;
(b) 8 гибридных метрик.



Методы комбинирования с учителем Logit-E15

Рис.: Значение подобия между 74 словами связанными со словом
“acacia”.


Методы комбинирования с учителем (продолжение)

Рис.: Оптимизация мета-параметров метрики C-SVM-radial-E15.



План

1 Введение








Серелекс: результаты в виде списка и графа слов
http://serelex.cental.be/




Серелекс: результаты в виде множества изображений




Оценка качества работы системы Серелекс

Рис.: Удовлетворенность пользователей первыми 20 результатами
поиска для 353 запросов.




План

1 Введение








iCop: классификация имен файлов

Рис.: Структура системы.

Использование семантических отношений для расширения
имени файла (Vocabulary Projection).



iCop: пример Vocabulary Projection




Качество классификации

Обучающая выборка Тестовая выборка Accuracy Accuracy (voc. projection)
Gallery (train) Gallery 96.41 96.83 (+0.42)
PirateBay Title+Desc+Tags PirateBay Title+Desc+Tags 98.92 98.86 (–0.06)
PirateBay Title+Tags PirateBay Title+Tags 97.73 97.63 (–0.10)
Gallery PirateBay Title+Desc+Tags 90.57 91.48 (+0.91)
Gallery PirateBay Title+Tags 84.23 88.89 (+4.66)
PirateBay Title+Desc+Tags Gallery 88.83 89.04 (+0.21)
PirateBay Title+Tags Gallery 91.16 91.30 (+0.14)

Таблица: Качество классификации с использованием C-SVM-linear c
учетом кросс-валидации.




Спасибо за внимание!
Вопросы?


Метрики семантической близости с приложениями к задачам АОТ

Recommandé

Recommandé

Contenu connexe

En vedette

En vedette (20)

Метрики семантической близости с приложениями к задачам АОТ