• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Annual meeting of the Association for Computational Linguistics >Structured Learning for Taxonomy Induction with Belief Propagation
【24h】

Structured Learning for Taxonomy Induction with Belief Propagation

机译：通过信念传播进行分类学归纳的结构化学习

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

We present a structured learning approach to inducing hypernym taxonomies using a probabilistic graphical model formulation. Our model incorporates heterogeneous relational evidence about both hypernymy and siblinghood, captured by semantic features based on patterns and statistics from Web n-grams and Wikipedia s. For efficient inference over taxonomy structures, we use loopy belief propagation along with a directed spanning tree algorithm for the core hypernymy factor. To train the system, we extract sub-structures of WordNet and dis-criminatively learn to reproduce them, using adaptive subgradient stochastic optimization. On the task of reproducing sub-hierarchies of WordNet, our approach achieves a 51% error reduction over a chance baseline, including a 15% error reduction due to the non-hypernym-factored sibling features. On a comparison setup, we find up to 29% relative error reduction over previous work on ancestor F1.
机译：我们提出了一种使用概率图形模型公式来诱导上位分类的结构化学习方法。我们的模型结合了有关上位和同级的异构关系证据，这些语义证据是基于Web n-gram和Wikipedia的模式和统计信息通过语义特征捕获的。为了对分类法结构进行有效推断，我们将循环置信度传播与定向生成树算法一起用于核心上位因子。为了训练该系统，我们提取了WordNet的子结构，并使用自适应次梯度随机优化方法有区别地学习重现它们。在重现WordNet的子层次结构的任务上，我们的方法在机会基准上实现了51％的错误减少，包括由于非hypernym系数的同级功能而导致的15％的错误减少。在比较设置中，与祖先F1的先前工作相比，我们发现相对误差减少了29％。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号