当前位置：首页 > news >正文

nlp-语义分析

news 2025/8/9 14:56:24

一、语义学概述

二、语义表示

1、谓词逻辑表示法【早期】

2、框架表示法

3、语义网表示法

三、分布式表示

1、单词分布式表示

（1）基于共现矩阵奇异值分解的词向量模型

（2）基于上下文单词预测词向量模型

（3）全局向量GloVe模型

（4）基于字节对编码的字词表示模型

（5）单词分布式表示评价和应用

2、句子分布式表示

（1）skip-Thought模型

（2）Sent2Vec句子表示模型

3、篇章分布式表示

（1）词频-逆文档频率（TF-IDF）篇章表示方法

（2）fastText篇章表示模型

四、词义消歧

1、基于目标词上下文的词义消歧方法

2、基于词义释义匹配的词义消歧方法

3、基于词义知识增强预训练的消歧方法

4、词义消歧评价方法

5、词义消歧语料库

五、词义角色标注

1、基于句法树的语义角色标注方法

（1）基于成分

（2）基于依存

2、基于深度神经网络的语义角色标注方法。

（1）基于跨度

3、语义角色标注评价方法

4、语义角色标注语料库

在自然语言处理（NLP）中，语义分析是理解语言深层含义的核心任务，其目标是让计算机能够像人类一样解析文本的意义，包括词语、句子乃至篇章的含义，以及它们之间的逻辑关系。

一、语义学概述

语义学（Semantics）是研究语言意义的学科，主要关注语言符号（如词语、句子）与它们所指代的事物、概念或情境之间的关系。

词汇语义：研究单个词语的意义以及词汇之间的相互关系【形体、意义、实体】，包括词义的内涵、外延、多义性（如 “银行” 可指 “金融机构” 或 “河岸”）、同义 / 反义关系（如 “高兴” 与 “开心” 是同义，“高” 与 “矮” 是反义）等。

WordNet是目前最常用的英语词汇知识资源库。在其中词汇按照义项组合成同义集(Synset)每个义项表达不同的概念。名词、动词、形容词和副词各自独立的组合成网络。

句子语义：研究句子的整体意义以及句子之间的相互关系【同义、反义、蕴含、预设】，包括句子的真值条件（句子为真的情境）、歧义性（如 “咬死了猎人的狗” 可理解为 “狗咬死了猎人” 或 “猎人的狗被咬死了”）、以及句子之间的逻辑关系（如蕴含、矛盾、同义）。
篇章语义：研究多个句子组成的篇章的意义，关注句子之间的连贯性（如指代关系 “小明买了一本书，他很喜欢它” 中 “他” 指代 “小明”，“它” 指代 “书”）、因果关系等。

二、语义表示

语义表示（Semantic Representation）是将自然语言的意义用结构化、形式化的符号系统表示出来的过程，是计算机处理语义的基础。其核心目标是让不同的语言表达（如 “小明打了小红” 和 “小红被小明打了”）具有一致的语义表示，从而实现意义的等价性计算。

1、谓词逻辑表示法【早期】

自然语言的语义表示中也经常采用数理逻辑的方法。其中常用的是谓词逻辑(Predicate Logic)和命题逻辑(PropositionalLogic)， 谓词逻辑可以更细致的刻画语义，可以表示事物的状态、属性、概念等事物性语义，也可以表示因果关系等规则性语义。

除了直接使用单个谓词和指代对象的常量、变量或者函数组成原子公式之外，还可以使用 5种逻辑连接词和量词构造复杂的表示，就是谓词逻辑中的公式。原子公式是谓词演算的基本组块，运用连接词可以组合多个原子公式，以构成更加复杂的公式。

2、框架表示法

框架(Frame)表示法是以框架语义理论为基础发展起来的一种语义表示方法。框架用来表示所讨论对象(一个事物、概念或者事件)的语义。每个框架由若干槽(Slot)组成，描述框架所讨论对象的某一方面的属性。

3、语义网表示法

语义网络(Semantic Network)是一种用实体及其语义关系来表达知识和语义的网络图。语义网
络由节点和弧组成:节点表示各种事件、事物、概念、属性、动作等，也可以是一个语义子网络;
弧表示节点之间的语义关系，并且是有方向和标注的，方向表示节点间的主次关系且方向不能随意
调换。

三、分布式表示

分布式表示提出之前，许多自然语言处理算法采用独热表示(One-hot Representation)，其中每个维度表示某个单词是否在该文中出现。独热表示的维度和词表的大小一致，存在表示稀疏性的问题，而且无法表示单词之间的语义相似度，分布式表示通过将文本表示为低维空间下稠密的向量，并在低维表示空间中利用表示向量之间的计算关系，体现文本间的语义关联，有效地解决了这一问题。当应用在下游任务时，文本分布式表示也体现出良好的泛化能力，而且能有效地编码任务所需要的语法和语义信息

向量空间模型(VSM)阐述了将单词和篇章表示为向量的思想。对文本的处理可以直观地映射到向量空间，体现为对文本向量的加法、减法、距离度量等操作;将向量化的文本作为输入，从而直接将统计学习与机器学习算法应用在自然语言处理应用上。

1、单词分布式表示

相比于独热表示，分布式表示可以编码不同单词之间的语义关联。如上例中，如果采用独热表示，“计算机”与“电脑”以及“计算机”与“冰激凌”之间的相似度都相同。但是采用分布式表示可以
使得“计算机”和“电脑”在大多数维度上相近，这样“计算机”和“电脑”的向量之间的距离可以远小于 “江算机”和“冰激凌”之间的距离。

单词分布式表示的目标，即在向量空间建构单词之间的语义关联，使含义相近的单词有相似的向量表示。这自然地引出了两个问题:(1)如何衡量单词语义的相近;(2)如何衡量表示的相似性。

（1）基于共现矩阵奇异值分解的词向量模型

共现矩阵，是一种表示文本数据中词汇之间关系的矩阵。通常根据文本窗口来确定词汇的共现关系，即共现矩阵，它是一种表示文本数据中词汇之间关系的矩阵。通常根据文本窗口来确定词汇的共现关系，即在一个固定大小的窗口内，统计词语之间的共现次数。例如，在句子 “I like apples and bananas” 中，若窗口大小为 3，那么 “ I” 和 “like”、“like” 和 “apples” 等就会被视为共现，共现矩阵的元素记录了这些共现次数。。例如，在句子 “I like apples and bananas” 中，若窗口大小为 3，那么 “ I” 和 “like”、“like” 和 “apples” 等就会被视为共现，共现矩阵的元素记录了这些共现次数。

（2）基于上下文单词预测词向量模型

基于上下文单词预测词向量模型的典型代表是 Word2Vec，它包含连续词袋模型（CBOW）和跳字模型（Skip - Gram）两种架构。

连续词袋模型（CBOW）：
- 目标：根据上下文预测中心词。
- 原理：对于句子中的每个词，以它为中心，取其前后的若干个词作为上下文。将上下文词的 one - hot 向量输入到神经网络中，通过投影层将这些稀疏的 one - hot 向量转换为密集的词向量，然后通过隐藏层进行计算，最后通过输出层的 softmax 函数，计算每个词库中的词作为中心词的概率，选择概率最高的词作为预测结果。
- 特点：CBOW 通常比 Skip - gram 训练更快，因为它用多个上下文词来预测一个中心词，对高频词效果较好，对小数据集更有效。不考虑顺序
跳字模型（Skip - Gram）：
- 目标：根据中心词预测上下文词。
- 原理：将中心词的 one - hot 向量输入到神经网络中，通过投影层将其转换为词向量，然后通过隐藏层，对于每个可能的上下文位置，都有一个独立的输出层，通过 softmax 计算该位置出现每个词的概率。训练时，调整词向量以最小化预测上下文词的误差。
- 特点：Skip - gram 通常在大型数据集上表现更好，尤其是对生僻词的处理，因为它试图将一个词传播到更广泛的上下文中。虽然计算量看起来更大，但 Word2Vec 使用了负采样或层次 softmax 等技巧来加速训练。会考虑顺序

（3）全局向量GloVe模型

Sikp-Gram和CBOW模型根据局部信息进行学习，而LSA模型则基于词共现矩阵全局信息得到词语表示，全局统计信息和局部信息都对词表示学习提供有效信息。全局向(GlobalVectors forWord Representation，GloVe)模型则结合了上述模型的思想，从共现概率的角度分析并改进了Skip-Gram模型，即使用文本中局部的上下文信息，又对语料库的全局共现统计数据加以利用。

（4）基于字节对编码的字词表示模型

背景：

原理：

举例：

（5）单词分布式表示评价和应用

单词分布式表示模型的定量评估方法主要分为内部评价(IntrinsicEvaluation)和外部评价(Extrinsic Evaluation)两种方法

内部评价方法通常基于一个特殊设计的辅助任务，这个辅助任务探测词向量应该具有的某种性质如词义相关性、类比性等，并最终返回一个分数，来表示词向量的好坏，从而帮助我们理解词
向量模型的特点。

外部评方法通常基于一个实际应用任务，通过将词向量作为该任务的输入表示，比较不同词向量模型在该任务上的性能，来选择适合于该任务的词向量模型。

2、句子分布式表示

句子分布式表示主要用于句子级别的任务，如情感分析、文本推理、语义匹配等。对于句子级别表示的构建，不但要考虑句子中所包含单词的语义，也要考虑句子内部词之间的关系，即词的共现信息和句子语义之间的联系。还要考虑句子和句子之间隐含的语义相似性，以及其他的语义关系。这些性质对于句子级别的下游应用任务都很重要。

（1）skip-Thought模型

Skip-Thought模型借鉴了Skip-Gram模型的思想，认为可以基于一个句子预测出其上下文的句子，并以此作为监督信号，学习句子之间的语义关系，得到句子表示模型。

输入句子（如示例中 “I would see the cat on the steps” ），经编码器（常为循环神经网络及其变体，像 LSTM、GRU ）处理，将句子序列转化为固定维度向量，捕捉句子语义信息，形成初始句子表示。
预测阶段：基于编码得到的句子表示，构建预测模块，去生成或判别上下文句子（如 “I got back home”“This was strange” ）

（2）Sent2Vec句子表示模型

3、篇章分布式表示

在自然语言处理和信息检索领域，部分任务会要求模型学习并表示文档级别的特征，如文档检索、文档去重、文档级情感分析、主题识别等任务。相对一般nlp任务，这类任务不需模型精确地捕获细粒度的词句信息，但需模型建模文档的主题、包含的关键词等信息。

（1）词频-逆文档频率（TF-IDF）篇章表示方法

（2）fastText篇章表示模型

对于一个句子或篇章，fastText 会将其中所有词以及 n-gram 词的向量进行简单的叠加平均（或者其他聚合方式），从而得到整个句子或篇章的向量表示

四、词义消歧

词义消歧是在给定上下文中，确定多义词所表达的正确含义的过程。
例如，“苹果”在“我买了一个苹果”中指水果，而在“苹果公司发布新手机”中指公司。

1、基于目标词上下文的词义消歧方法

利用目标词周围的上下文信息（词语、句法结构等）来推断其含义。

不依赖外部知识库，只需要足够的标注数据，对新词义适应较快；但对稀有词义和长距离依赖不敏感，数据标注成本高。

常用方法包括：

基于特征的机器学习方法
- 提取上下文窗口内的词（bag-of-words）、词性（POS）、依存句法等特征
- 使用分类模型（如决策树、SVM、朴素贝叶斯）进行训练
深度学习方法
- 将上下文编码为向量（word2vec、BERT 等）
- 使用上下文嵌入直接预测词义

句子：银行附近有很多树
上下文词：附近、有、很多、树
模型推断“银行”为“河岸”而不是“金融机构”

2、基于词义释义匹配的词义消歧方法

将上下文与词典（如WordNet）中的词义解释进行匹配，选择最相似的释义。

典型方法

Lesk 算法
- 计算上下文词与词义定义（gloss）的重叠程度
- 重叠最多的词义被选为结果
改进 Lesk
- 扩展词义定义（包含同义词、例句）
- 使用词向量计算相似度而不是纯词面匹配

句子：我去银行取钱
词典定义：
银行① 金融机构
银行② 河岸
上下文和定义①有“取钱”高度相关 → 选①

3、基于词义知识增强预训练的消歧方法

利用知识库（如WordNet、HowNet、BabelNet）将词义信息融入预训练模型，使模型在表示时区分不同词义。

代表方法

GlossBERT
- 将词义定义和上下文一起输入BERT，预测匹配概率
SenseBERT
- 在BERT预训练阶段加入“词义预测任务”
K-BERT / ERNIE
- 将知识图谱中的实体、概念信息注入到Transformer结构中

4、词义消歧评价方法

常见评估指标

准确率（Accuracy）：预测正确的比例
宏平均F1值（Macro-F1）：对每个词义计算F1，再取平均
微平均F1值（Micro-F1）：整体计算F1

常用评测任务

SemEval（国际语义评测任务）
Senseval（早期评测任务）

评价方式

有监督WSD：在标注语料上进行交叉验证
无监督WSD：用外部任务（如翻译准确率）间接评估

5、词义消歧语料库

五、词义角色标注

定义：
词义角色标注是一种语义分析任务，用来确定句子中谓词（通常是动词）及其相关的语义论元（谁做了什么，在什么情况下等）。它相当于给句子建立一个**“语义框架”**，标明动作的发出者、接受者、方式、时间等信息。
例如：

“小王在图书馆读书。”
谓词：读（read）
论元：

A0（施事者）：小王

A1（受事物）：书

AM-LOC（地点状语）：图书馆