【NLP】语义分析

语义计算的任务：解释自然语言句子或篇章各部分(词、词组、句子、段落、篇章)的含义。

面临的困难：

1. 自然语言句子中存在大量的歧义，涉及指代、同义、多义、量词的辖域、隐喻等
2. 同一句子对于不同的人来说可能有不同的理解
3. 语义计算的理论、方法、模型尚不成熟

格语法

语义网络

事件的语义关系

优点：

• (1)直接而明确地表达概念的语义关系，模拟人的语义记忆和联想方式;
• (2)可利用语义网络的结构关系检索和推理，效率高。

缺点：它不适用于定量、动态的知识;不便于表达过程性、控制性的知识

概念依存理论

CD理论的三个层次:

• 基本动作

• 剧本

• 计划

词义消歧

1.早期基于规则的消歧方法

2.统计机器学习消歧方法（基本思路：一个词的不同语义一般发生在不同的上下文中。）

• 有监督学习方法
• 无监督学习方法

3.基于词典信息的消歧方法

语义角色标注

基本方法：

• 基于短语结构句法分析的SRL方法
• 基于依存关系的SRL方法
• 基于语块分析的SRL方法

主要问题：

• 对句法分析器性能的严重依赖性
• 领域适应能力差

词向量表示

基于文本的词汇语义表示模型

• 共现矩阵方法

神经网络方法——基于文本学习词汇语义表示

• 用周围词预测中间词的方法―连续词包模型(CBOW)
• 连续skip-gram模型:通过中间词预测周围词的概率

基于图像学习词汇语义表示

• 特征描述子，如SIFT算法,直接提取图像的关键点等特征

基于语音学习词汇语义表示

• 利用声学特征

基于多模态信息学习词汇语义表示

基于人脑的成分语义表征

文本情感分析

也称为观点挖掘(OpinionMining)，是针对人们对实体（包括产品、服务、组织、个人、议题、事件、话题及他们的属性等）表达的观点、评价、态度和情感进行计算的研究。

按分析粒度分为:

1. 篇章级情感分析
2. 句子级情感分析
3. 方面级情感分析