面向大数据的中文词义消歧模型优化研究

Word sense Disambiguation (WSD) is a task of identifying the intended meaning (sense) of a word in a certain context. It is a key problem in natural language processing. Whatever the language, ambiguity phenomenon is widespread. Especially in this era of big data, the data show the scale, diversification, fast and low value density features. Lexical ambiguity problem is becoming more and more serious. Considering the current characteristics of the data and the shortcomings of existing WSD model, this project will study from four areas:1) propose a WSD method based on the knowledge context.2）presents a WSD model based on language models, which exploits the language model to optimize the traditional supervised WSD mode.3）presents a WSD method based on context expansion.4）propose a dynamic adaptive probability method based on multiple classifier. Through this project, we are expected to form a fast and efficient disambiguation method for large-scale data, and create better conditions for the foundation of research and application of intelligent information processing in big data era.

词义消歧是指确定多义词在自然语言特定的上下文中的意义，它是自然语言处理领域的一个核心问题。无论是何种语言，一词多义的现象普遍存在。尤其是在当今大数据时代，数据呈现规模化、多样化、快速化和价值密度低等特点，词汇的歧义问题就显得更加严重。针对当前大数据环境下文本的特点，以及现有词义消歧模型的缺点，本课题将从四个方面展开研究：1)提出一种基于上下文语境的词义消歧模型。2)提出一种基于语言模型的词义消歧模型优化方法；3)提出一种基于上下文扩展的有监督词义消歧模型。4) 提出一种基于多分类器融合的动态自适应概率加权方法。通过本项目，有望形成面向大规模数据的快速高效词义消歧方法，为大数据时代的智能信息处理研究和应用创造更好的基础条件。

词义消歧是指确定多义词在自然语言特定的上下文中的意义，它是自然语言处理领域的一个核心问题。在当前大数据时代，词汇的歧义问题就显得更加严重,本项目针对在大数据环境下，词义消歧方法所面临的消歧知识获取困难等问题,研究面向大数据的词义消歧方法。本项目将从三个方面展开研究：1)提出一种基于上下文扩展的有监督词义消歧模型。2)提出一种基于上下文翻译的词义消歧模型；3)提出一种基于大规模伪数据的词义消歧模型。这些方法从不同角度缓解了词义消歧方法在大数据环境下所面临的数据稀疏问题，有效的提高了词义消歧方法的的准确性。本项目在2016-2018为期三年的执行周期内,实现了预期的研究目标,根据进度计划稳步开展了研究工作,有计划分阶段地实现了人才培养目标,取得了阶段性的研究成果,并为项目组以后在词汇语义理解领域深入开展研究奠定了扎实的基础。在本项目资助下,目前共发表论文10余篇。本项目的研究成果,对于机器翻译、信息检索、文本分析、自动文摘、知识挖掘等具有重要的理论和应用价值。