TY - JOUR

T1 - Методы машинного обучения применительно к задаче выделения глагольных и атрибутивных коллокаций

AU - Хохлова, Мария Владимировна

AU - Еникеева, Екатерина Владимировна

PY - 2020

Y1 - 2020

N2 - В статье представлены результаты применения алгоритмов машинного обучения к задаче автоматического выявления глагольных и атрибутивных коллокаций . Изучение сочетаемости показало, что дистрибуционные модели могут быть успешно использованы для моделирования отношений внутри словосочетаний. Словосочетание признается значимым, если его векторное представление близко к векторному представлению заглавного слова. Нами были использованы следующие методы оценки коллокаций на основе машинного обучения и векторных представлений текстов: базовый метод, метод аналогии и линейного преобразования. Автоматически выделенные словосочетания сравнивались с данными, приведенными в лексикографических источниках (в толковых словарях и словарях сочетаемости, всего было рассмотрено пять источников), которые образовали так называемый золотой стандарт. Результаты показали, что рассматриваемые методы успешно используются для извлечения словосочетаний, в том числе находят те, которые не отражены в словарях. Данные примеры могут претендовать на лексикографическоое описание, хотя и не приведены в источниках и нуждаются в дополнительной экспертной проверке. Поэтому необходимо дополнительно провести сравнение использованных алгоритмов с другими статистическими метриками и увеличить количество словосочетаний, которые привлечены в качестве золотого стандарта.

AB - В статье представлены результаты применения алгоритмов машинного обучения к задаче автоматического выявления глагольных и атрибутивных коллокаций . Изучение сочетаемости показало, что дистрибуционные модели могут быть успешно использованы для моделирования отношений внутри словосочетаний. Словосочетание признается значимым, если его векторное представление близко к векторному представлению заглавного слова. Нами были использованы следующие методы оценки коллокаций на основе машинного обучения и векторных представлений текстов: базовый метод, метод аналогии и линейного преобразования. Автоматически выделенные словосочетания сравнивались с данными, приведенными в лексикографических источниках (в толковых словарях и словарях сочетаемости, всего было рассмотрено пять источников), которые образовали так называемый золотой стандарт. Результаты показали, что рассматриваемые методы успешно используются для извлечения словосочетаний, в том числе находят те, которые не отражены в словарях. Данные примеры могут претендовать на лексикографическоое описание, хотя и не приведены в источниках и нуждаются в дополнительной экспертной проверке. Поэтому необходимо дополнительно провести сравнение использованных алгоритмов с другими статистическими метриками и увеличить количество словосочетаний, которые привлечены в качестве золотого стандарта.

KW - ГЛАГОЛЬНЫЕ КОЛЛОКАЦИИ

KW - АТРИБУТИВНЫЕ КОЛЛОКАЦИИ

KW - МАШИННОЕ ОБУЧЕНИЕ

KW - АЛГОРИТМЫ

KW - КОРПУСЫ ТЕКСТОВ

KW - РУССКИЙ ЯЗЫК

KW - verbal collocations

KW - noun collocations

KW - machine learning

KW - algorithms

KW - text corpora

KW - RUSSIAN language

UR - https://www.elibrary.ru/item.asp?id=44584678

M3 - статья в журнале по материалам конференции

SP - 54

EP - 60

JO - Компьютерная лингвистика и вычислительные онтологии

JF - Компьютерная лингвистика и вычислительные онтологии

SN - 2541-9781

IS - 4

ER -