Evaluating WordNet-based Measures of Lexical Semantic Relatedness

2006· article· en· 1 414 citations· W2136930489 sur OpenAlex· 10.1162/coli.2006.32.1.13

Pourquoi ce travail est-il dans la base ?

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

Affiliation canadienneUne personne signataire a déclaré un établissement canadien. C'est la seule voie dont dispose la base habituelle.

Organisme subventionnaire canadienUn organisme canadien l'a financé. Le travail peut ne porter aucune affiliation canadienne.

Scores machine (provisoires)

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Tête enseignante Opus0,059

Tête enseignante GPT0,347

Écart entre enseignants: 0,288 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validation: score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Résumé

The quantification of lexical semantic relatedness has many applications in NLP, and many different measures have been proposed. We evaluate five of these measures, all of which use WordNet as their central resource, by comparing their performance in detecting and correcting real-word spelling errors. An information-content-based measure proposed by Jiang and Conrath is found superior to those proposed by Hirst and St-Onge, Leacock and Chodorow, Lin, and Resnik. In addition, we explain why distributional similarity is not an adequate proxy for lexical semantic relatedness.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

La notice

Revue: Computational Linguistics
Thématique: Natural Language Processing Techniques
Domaine: Computer Science
Établissements canadiens: University of Toronto
Organismes subventionnaires: University of TorontoUniversity of Pennsylvania
Mots-clés: WordNetComputer scienceSemantic similarityNatural language processingSpellingArtificial intelligenceLexical databaseProxy (statistics)Similarity (geometry)Information retrievalMeasure (data warehouse)LinguisticsMachine learningData mining
Résumé présent dans OpenAlex: oui
API: /api/v1/works/W2136930489