HowNet

摘要： 多模态融合旨在将多个模态信息整合以得到一致、公共的模型输出,是多模态领域的一个基本问题。通过多模态信息的融合能获得更全面的特征并且提高模型鲁棒性,目前多模态融合技术已成为多模态领域核心研究课题之一。本文基于ImageNet、HowNet和CCD,通过人工标注构建了一个新的多模态知识库,已完成校准ImageNet中21455个名词及动词概念的映射,有效地将HowNet以及CCD中概念映射到ImageNet中。该数据集能够应用于自然语言处理任务和计算机视觉任务,并通过图片信息和概念信息提高任务效果。在图片分类中,通过增加HowNet和ImageNet概念能够融合更多的图片特征来辅助分类;在语义理解中,通过映射增加图片信息可以更好地理解语义。

摘要： 目前基于信息含量的中文词语相似度算法普遍使用单一的知识库,存在信息不完备的问题.本文在现有的基于HowNet信息含量的词语相似度算法和基于同义词词林信息含量的词语相似度算法基础上,改进了信息含量的计算方法,并根据词语的不同分布情况将两种算法进行动态融合,充分利用了HowNet和同义词词林中的体系结构信息,改善了现有方法的局限性.经Miller&Charles(MC30)数据集测评,该算法所得到的词语相似度值与人工判定值之间的皮尔森相关系数为0.927,验证了融合多知识库策略的可行性,也证明了本文方法在实用方面可以达到符合人类主观判断的效果.

摘要： 术语内部动态角色标注是航空领域HowNet构建的关键环节,其直接影响航空领域HowNet的规模与质量.针对动态角色种类多造成标注困难的问题,提出一种基于KN N的术语内部动态角色标注方法.通过对术语内部词语DEF项的分析进行样本预选择,并在最近邻样本选择阶段融合基于DEF的语义相似性及基于词向量的语境分布相似性.实验结果表明,1-Best、3-Best和7-Best的准确率分别为67.57％、86.00％和94.17％,平均倒数排名MRR为0.7764,优于现有的研究结果.

摘要： 义原(sememe)被定义为人类语言中不可再分的最小语义单位.一个词语的意义可以由多个义原的组合来表示.以往人们已经人工为词语标注义原并构建了知网(HowNet)这一语言知识库,并借此将义原应用到了多种自然语言处理任务.但传统的人工标注费时费力,而且不同的专家进行标注难免会引入标注者的主观偏差,导致标注的一致性和准确性难以保证.因此,保证词的义原标注一致性已成为建设高质量语言知识库HowNet、提升义原应用任务效果的首要任务.该文首次提出了一种对HowNet已标注的义原进行一致性检验的方法.实验结果表明,所提方法切实有效,能够很好地应用于HowNet知识库的标注一致性检验以及完善扩充.

摘要： 中文电子病历中存在大量非结构化的文本信息,其中的医学命名实体识别是生物医学领域知识组织和服务的基础.文章首先分析了中文电子病历特征的词语、词性、语素和词的组成等语法特征,以及HowNet语义特征;然后,运用CRF模型,提出了基于CRF医学命名实体的识别方案;最后,实验表明融合HowNet的中文电子病历命名实体识别方法具有较好的效果.

摘要： 作为自然语言处理的关键技术之一,词汇之间的语义相关性计算依赖于语义资源.语义资源可分为知识库和语料库;HowNet和ConceptNet是包含中文词汇的两种语义知识库,可为中文词汇语义相关性计算提供依据.本文在分析以上两种语义知识库结构及应用的基础上,提出:面向HowNet的基于信息含量的语义相关性计算方法,以及面向ConceptNet的基于路径距离的语义相关性计算方法.通过实验案例分析,得出如下结论:HowNet明确定义词汇的概念,适用于检测词对间的语义相似度;ConceptNet定义词对间的多重语义关系,在检测词对语义相似度的基础上,亦能检测词对间的语义相关度.此外,本文探索性地提出结合使用以上两种语义知识库的词对间语义关系计算算法,以期扩大检索词汇的范围并提高效率.

摘要： 随着科学技术的迅猛发展,提高农业的科技化水平成为了学术界的重要研究内容.此次利用K-means算法与BIRCH算法,在建立农业科技推广服务系统语义分析算法模型的基础上,设计了农业科技推广服务系统,系统设计主要从功能需求、体系搭建以及项目相似度计算等方面入手.该系统可以根据用户评论,量化用户的技术情感倾向,从而为用户推荐个性化的农业技术.研究中,以3500条农业评论数据为样本,对该模型进行了核心功能验证与性能测试,核心功能实现结果表明,系统的核心功能实现度高,可以较好满足农业用户的技术需求.性能测试数据显示,该设计系统的性能测试指标值较高,系统总体性能良好.该研究对于农业科技推广具有一定的借鉴意义.

摘要： 针对泛娱乐情报存在繁杂、异构、信息量较少的特点以及传统主题发现方法感知结果准确率低等问题,提出了一种基于潜在语义索引结合常识知识库的泛娱乐情报主题感知方法.根据泛娱乐情报的语料特征,首先在预处理阶段采用HowNet知识库进行语义去重、同义词合并,形成文本向量作为潜在语义索引模型的输入;然后通过潜在语义索引模型,对泛娱乐情报进行主题感知.该方法是主题模型在泛娱乐领域情报分析中的一次尝试,具有一定的实践意义.

摘要： 本文首先基于hownet对多义词进行无导词语消歧处理,然后利用hownet建立的知识库获取文章中词语的概念,并对未登录词语进行概念标注.用概念统计代替传统的词形频率统计方法,选择出与主题相关的若干概念,建立主题概念向量空间模型;通过段落聚类的算法计算出段落重要度;利用段落重要度和主题概念向量空间模型计算出句子重要度,抽取文摘句.通过对抽取的语句进行句子相似度的计算来提高文摘精确度,设计并实现了一个中文自动文摘系统.

摘要： 传统问答系统的研究主要是针对事实问句，目前国内外对于情感问句的研究还很少见。情感问句能够更加直接地表达用户的想法和情感倾向，因而在日常生活中普遍存在。本文基于HowNet 提出了汉语情感问句的二层分类体系。首先利用HowNet 构建情感词典，采用SVM 和朴素贝叶斯分类算法对汉语情感问句和事实问句进行分类，取得了很好的效果。然后本文结合意见的定义，给出了一个汉语情感问句的语义分类体系，以HowNet义原以及疑问词相关的属性为特征，对汉语情感问句在语义上的大类进行分类，在缩小特征维度的情况下，也取得了较好的分类效果。

摘要： 传统问答系统的研究主要是针对事实问句，目前国内外对于情感问句的研究还很少见。情感问句能够更加直接地表达用户的想法和情感倾向，因而在日常生活中普遍存在。本文基于HowNet 提出了汉语情感问句的二层分类体系。首先利用HowNet 构建情感词典，采用SVM 和朴素贝叶斯分类算法对汉语情感问句和事实问句进行分类，取得了很好的效果。然后本文结合意见的定义，给出了一个汉语情感问句的语义分类体系，以HowNet义原以及疑问词相关的属性为特征，对汉语情感问句在语义上的大类进行分类，在缩小特征维度的情况下，也取得了较好的分类效果。

摘要： 传统问答系统的研究主要是针对事实问句，目前国内外对于情感问句的研究还很少见。情感问句能够更加直接地表达用户的想法和情感倾向，因而在日常生活中普遍存在。本文基于HowNet 提出了汉语情感问句的二层分类体系。首先利用HowNet 构建情感词典，采用SVM 和朴素贝叶斯分类算法对汉语情感问句和事实问句进行分类，取得了很好的效果。然后本文结合意见的定义，给出了一个汉语情感问句的语义分类体系，以HowNet义原以及疑问词相关的属性为特征，对汉语情感问句在语义上的大类进行分类，在缩小特征维度的情况下，也取得了较好的分类效果。

摘要： 传统问答系统的研究主要是针对事实问句，目前国内外对于情感问句的研究还很少见。情感问句能够更加直接地表达用户的想法和情感倾向，因而在日常生活中普遍存在。本文基于HowNet 提出了汉语情感问句的二层分类体系。首先利用HowNet 构建情感词典，采用SVM 和朴素贝叶斯分类算法对汉语情感问句和事实问句进行分类，取得了很好的效果。然后本文结合意见的定义，给出了一个汉语情感问句的语义分类体系，以HowNet义原以及疑问词相关的属性为特征，对汉语情感问句在语义上的大类进行分类，在缩小特征维度的情况下，也取得了较好的分类效果。

摘要： 传统问答系统的研究主要是针对事实问句，目前国内外对于情感问句的研究还很少见。情感问句能够更加直接地表达用户的想法和情感倾向，因而在日常生活中普遍存在。本文基于HowNet 提出了汉语情感问句的二层分类体系。首先利用HowNet 构建情感词典，采用SVM 和朴素贝叶斯分类算法对汉语情感问句和事实问句进行分类，取得了很好的效果。然后本文结合意见的定义，给出了一个汉语情感问句的语义分类体系，以HowNet义原以及疑问词相关的属性为特征，对汉语情感问句在语义上的大类进行分类，在缩小特征维度的情况下，也取得了较好的分类效果。

摘要： 在利用大规模英汉双语平行语料库进行双向双语翻译词典建设时发现:由于错误累计问题.现有词对齐技术无法直接获取质量较高的双语词汇知识.由此提出一种基于HowNet以及WordNet进行相似度计算,然后设定相似度阈值来进行词义过滤的方法.实验结果表明该方法行之有效.并对HowNet以及WordNet相似度计算方法进行了基于实际应用的对比与探讨后得出:HowNet在语义区分上粒度更细因此其召回率较高,WordNet则具有更高的精确率.

摘要： 在利用大规模英汉双语平行语料库进行双向双语翻译词典建设时发现:由于错误累计问题.现有词对齐技术无法直接获取质量较高的双语词汇知识.由此提出一种基于HowNet以及WordNet进行相似度计算,然后设定相似度阈值来进行词义过滤的方法.实验结果表明该方法行之有效.并对HowNet以及WordNet相似度计算方法进行了基于实际应用的对比与探讨后得出:HowNet在语义区分上粒度更细因此其召回率较高,WordNet则具有更高的精确率.

摘要： 在利用大规模英汉双语平行语料库进行双向双语翻译词典建设时发现:由于错误累计问题.现有词对齐技术无法直接获取质量较高的双语词汇知识.由此提出一种基于HowNet以及WordNet进行相似度计算,然后设定相似度阈值来进行词义过滤的方法.实验结果表明该方法行之有效.并对HowNet以及WordNet相似度计算方法进行了基于实际应用的对比与探讨后得出:HowNet在语义区分上粒度更细因此其召回率较高,WordNet则具有更高的精确率.

摘要： 在利用大规模英汉双语平行语料库进行双向双语翻译词典建设时发现:由于错误累计问题.现有词对齐技术无法直接获取质量较高的双语词汇知识.由此提出一种基于HowNet以及WordNet进行相似度计算,然后设定相似度阈值来进行词义过滤的方法.实验结果表明该方法行之有效.并对HowNet以及WordNet相似度计算方法进行了基于实际应用的对比与探讨后得出:HowNet在语义区分上粒度更细因此其召回率较高,WordNet则具有更高的精确率.

摘要： 本发明公开了一种HowNet的自然语言处理方法、系统及应用，应用于自然语言处理技术领域，提出HowNet认知体系，通过HowNet义原表和HowNet知识库描述语言构建HowNet知识库；遵循自然语言内部的预设规律，构建HowNet的语言解析规则库；构建HowNet解析器，调用HowNet知识库和语言解析规则，并对文本数据语法、语义、概念关系等信息自动标注；通过HowNet解析器输出结构化的文本解析结果和概念间的语义结构关系。本发明提供其所需要的和所能处理的庞大的知识系统和中文文本语义解析技术，同时构建与之相关的一套知识描述规范体系和文本解析器，从而实现对中文文本的语义解析。

摘要： 本发明提供基于藏语特征的HowNet动态角色知识体系构建方法和系统，涉及数据处理技术领域。本发明根据藏语的句法‑语义特征以及Dowty的原型理论，厘定HowNet的动态角色的语义特征和限定范围；根据动态角色的语义特征和限定范围，结合论元选择的句法优先级，将厘定后的动态角色逐层分类，得到动态角色层级；将动态角色层级与802个HowNet基本事件类相关联，构成HowNet动态角色知识体系。本发明基于藏语的句法‑语义特征和原型理论对HowNet动态角色进行再厘定，确定HowNet动态角色语义范围、语义特征的原则，确保HowNet在语义标注时的一致性，并解决了HowNet原有动态角色的划分混乱问题，建立起划分清晰的结构化的HowNet动态角色知识体系。

摘要： 本发明公开了一种HowNet知识库构建方法、系统及应用，应用于信息处理技术领域，其所构建的HowNet义原表、语义角色框架和知识规范描述体系——基于HowNet的知识库描述语言(KDML)对世间万物的概念与概念之间的关系以及概念的属性与属性之间的关系进行精细描述，能够适配计算机对自然语言的理解，为计算机理解自然语言提供与人类知识相结合的庞大的知识系统，实现计算机对文本语义的理解和计算，从而达到用户所期望的效果。

摘要： 本发明公开了一种基于HowNet的图模型词义消歧方法和系统，属于自然语言处理技术领域，本发明要解决的技术问题为如何充分利用知网知识，深入挖掘知网蕴含的语义知识，将其作为词义消歧的依据，提升词义消歧的性能，采用的技术方案为：①、一种基于HowNet的图模型词义消歧方法，包括如下步骤：S1、构建依存消歧图：分别对歧义句和目标歧义词在HowNet中的例句进行依存句法分析，得到上下文依存关系图和例句依存关系图，进而融合得到依存消歧图；S2、构建上下文消歧图；S3、利用消歧图进行消歧处理；S4、选择正确词义。②、一种基于HowNet的图模型词义消歧系统，该系统包括依存消歧图构建单元、上下文消歧图构建单元、消歧图处理单元和正确词义选择单元。

摘要： 本发明公开了一种基于知网HowNet的查询扩展方法，包括：获取初始查询词，检查初始查询词是否属于HowNet的词条，属于HowNet的词条，则确定初始查询词对应的词条的词性，词条的词性为实词，则提取词条的语义信息；对语义信息进行解析，确定语义信息包含的第一基本义原项，或确定语义信息包含的第一基本义原项，以及以下信息的至少一种：其他基本义原项、关系义原项和关系符号项；基于语义信息的解析结果和预设的词集确定规则确定词条对应的初始扩展词集；计算初始查询词与初始扩展词集中每个初始扩展词之间的语义相似度值，筛选出语义相似度值大于设定阈值的词作为最终的扩展词集。本发明还公开了一种基于知网HowNet的查询扩展装置。

摘要： 本发明提供了一种基于HowNet的短文本情感识别方法，包括以下步骤：(1)构建情感词典；(2)利用词法分析系统ICTCLAS2011对句子分词；(3)根据词的不同词性，对分词结果进行处理；(4)根据义原抽取规则，从HowNet中抽取词汇义原，并从情感词典中获取PAD值；(5)根据情感产生规则识别句子的PAD值，用来表征句子情感。