machine-learning - 用于理解上下文单词的自然语言处理技术

Question

取以下句子:

I'm going to change the light bulb

change的意思是replace，就像有人要更换灯泡一样。通过使用字典 api 或类似的东西可以轻松解决这个问题。然而，下面的句子

I need to go the bank to change some currency

You need to change your screen brightness

第一句话不再是replace的意思，而是Exchange的意思，第二句，change的意思是调整 >.

如果您试图在这种情况下理解 change 的含义，有人会使用什么技术根据句子的上下文提取正确的定义？我想做的事情叫什么？

请记住，输入只能是一个句子。所以类似:

Screen brightness is typically too bright on most peoples computers.
People need to change the brightness to have healthier eyes.

这不是我想要解决的问题，因为你可以使用前一句来设置上下文。此外，这还适用于许多不同的单词，而不仅仅是单词change。

感谢建议。

编辑:我知道各种嵌入模型可以帮助深入了解这个问题。如果这是您的答案，您如何解释返回的词嵌入？这些数组的长度可能超过 500+，这对于解释来说是不切实际的。

Answer 1

您想要做的事情称为 Word Sense Disambiguation 。多年来，它一直是一个研究课题，虽然可能不是最受欢迎的问题，但它 remains a topic of active research 。即使是现在，仅仅选择一个词最常见的含义就是一个强有力的基线。

词嵌入可能很有用，但它们的使用与您在此处尝试执行的操作正交。

这里有一些来自 pywsd 的示例代码，一个具有一些经典技术实现的 Python 库:

>>> from pywsd.lesk import simple_lesk
>>> sent = 'I went to the bank to deposit my money'
>>> ambiguous = 'bank'
>>> answer = simple_lesk(sent, ambiguous, pos='n')
>>> print answer
Synset('depository_financial_institution.n.01')
>>> print answer.definition()
'a financial institution that accepts deposits and channels the money into lending activities'

这些方法大多都很旧，我不能评价它们的质量，但至少这是一个很好的起点。

词义通常来自 WordNet .