如何使用WordNet或与wordnet相关实现基于类别的文本标记?

时间:2014-02-03 17:35:56

标签: java machine-learning nlp classification wordnet

如何使用wordnet的类别(java作为接口)来使用wordnet标记文本?

示例

考虑句子:

1)计算机需要键盘,监视器,CPU才能工作。
2)汽车使用齿轮和离合器。

现在我的目标是,例句必须标记为

  • 第一句
  

计算机/电子
  键盘/电子
  CPU /电子灯

  • 第二句

      

    汽车/机械
      齿轮/机械
      离合器/机械

  •   
  一些额外的例子......

“使用微芯片监控离合器和齿轮” - >离合/机械,齿轮/机械,微芯片/电子

“此处用于监测氢含量的软件” - >软件/计算机,氢/化学..

我想在java上实现上面提到的目标,即通过技术,机械,电气等相关类别来标记名词。

如何使用wordnet执行此操作。

我之前的作品

为了实现我的目标,我在每个类别的文本文件中创建了一个术语索引,并将其与标题匹配..如果它在文本文件中包含一个单词,则标题将被分类。

例如

Automobile.txtcar , gear , wheel , clutch
networking.txtserver,IP Address,TCP , RIP

这是算法:

String Classify (String title)
{
 String area;
 if (compareWordsFrom ("Automobile.txt",title) == true ) area = "Auto";
 if (compareWordsFrom ("Netoworking.txt",title) == true ) area = "Networking";
 if (compareWordsFrom ("metels.txt",title) == true ) area = "Metallurgy";
 return area;
}

很难找到相关的词来构建索引。也就是说,现场汽车有1000个难以找到的相关术语。

准确地说,手动构建术语索引是一个令人心碎的过程

我已经使用过Stanford NLP,Open NLP,但他们正在标记POS,但不满足需要的东西。

我的需要
我需要一种自动化的工作方式。自然语言处理技术能够做到这一点。 ?

有人建议使用wordnet库,但我怎么能用它,因为它就像字典一样,但我想要...

机械= {齿轮,涡轮,发动机......)  electronic = {microchip,RAM,ROM,...)

是否有像上述结构中可用的单词数据库..

或者我是否有现成的图书馆?

1 个答案:

答案 0 :(得分:2)

您需要将一堆名词(例如“汽车”,“装备”)分类为预定义的类别(例如“汽车”)。虽然命名实体识别是正确完成此任务的方式,但它有其问题,主要是收集足够的注释数据以便正确地训练系统。

WordNet可以通过在名词之间建立 semantic similarity 来帮助您,从而帮助您根据相似性得分选择类别。有几种方法可以建立相似性得分。一些突出的是

基本思想是类似的术语按照本体(如WordNet)分类在相似的类别下。因此,如果它们密切相关,则本体的类别树中它们的类别之间的距离将更短,否则更长。也许最简单的这样的得分是路径得分:

PathScore(s1, s2) = 1/pathLength(s1, s2)

其中 pathLength 是上述类别树中路径的长度。

举例说明:

PathScore(*car*, *automobile*) = 1.0;     // path score is always between 0 and 1
WuPalmerScore(*car*, *automobile*) = 1.0; // Wu & Palmer's score is always between 0 and 1

PathScore(*engine*, *automobile*) = 0.25;
WuPalmerScore(*engine*, *automobile*) = 0.88;

PathScore(*microprocessor*, *automobile*) = 0.09;
WuPalmerScore(*microprocessor*, *automobile*) = 0.58;

因此,正如您所看到的,您希望在同一类别中使用的术语通常具有更高的相似性分数。执行此操作的最佳库是 WordNet Similarity for Java ,它提供了几个相似性指标供您进行试验。他们还有一个online demo here

警告如果您尝试标记专有名词,WordNet将无法正常运行。例如,如果您希望 Hyundai 属于汽车类别而三星属于电子类别,那么这根本无济于事......仅仅因为WordNet没有分类这些名词。在WordNet上构建的其他本体可以在这种情况下为您提供帮助:

  • 其中一个众所周知的本体是 Yago
  • 使用维基百科类别是另一种成功的方法。