基于测度优化Laplacian SVM的中文指代消解方法.pdf

第 １２ 期 电 子 学 报 Ｖｏｌ．４４ Ｎｏ．１２
２０１６ 年 １２ 月 ＡＣＴＡ ＥＬＥＣＴＲＯＮＩＣＡ ＳＩＮＩＣＡ Ｄｅｃ． ２０１６
基于测度优化 Ｌａｐｌａｃｉａｎ ＳＶＭ的
中文指代消解方法
周炫余１，２ ，刘 娟１，２ ，邵 鹏１，２ ，卢 笑３ ，罗 飞１，２
（１．武汉大学软件国家重点实验室，湖北武汉 ４３００７２；２．武汉大学计算机学院，湖北武汉 ４３００７２；
３．湖南大学电气与信息工程学院，湖南长沙 ４１００８２）
摘 要： 相比于传统的基于半监督学****的指代消解方法，Ｌａｐｌａｃｉａｎ ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）能有效的挖掘
已标注样本和未标注样本的相似性和关联性，更好的推导模型的分类边界．而传统 Ｌａｐｌａｃｉａｎ ＳＶＭ采用欧式距离度量
样本之间的距离，使得异类样本之间的相似性可能过大，不利于样本的准确分类．对此，提出一种基于数据驱动学****最
优测度 Ｌａｐｌａｃｉａｎ ＳＶＭ算法以解决中文指代消解语料不足的问题．该方法通过优化样本对之间的相似性约束条件和引
入 Ｆｉｓｈｅｒ 判别项，增大同类样本间的相似性，并突出强判别能力的特征．此外，提出核嵌入的测度优化方法将以上线性
测度优化推广到非线性空间，有利于 Ｌａｐｌａｃｉａｎ ＳＶＭ利用核函数实现非线性分类．在 ＡＣＥ２００５ 中文语料库上的测评结
果表明，所提出测度优化的 Ｌａｐｌａｃｉａｎ ＳＶＭ（包括线性和核嵌入两种形式）的方法只需少量标注样本就可以获得与经典
的有监督学****模型相当甚至更好的消解性能，同时也优于其他传统的半监督学****方法．
关键词： 测度优化；Ｌａｐｌａｃｉａｎ Ｓ