A Supervised Learning Approach to Search of Definitions

摘要

这篇论文处理定义的搜索的问题。明确地为一个给定的术语，我们将发现它的定义候选人并且根据他们是好定义的可能性评价候选人。这与也的传统的方法相对照产生一个单个联合定义或输出所有检索定义。定义评价为任务是必要的。判定一个定义的美德的一个说明被给。在说明，一个定义被分成三个层次之一：好定义，冷淡的定义，或坏定义。执行定义评价的方法也在这篇论文被建议，它作为任何一个分类或顺序的回归形式化这个问题。我们分别地作为顺序的回归模型作为分类模型和评价 SVM 采用 SVM (支持向量机) ，并且因此，他们根据他们是好定义的可能性评价定义候选人。为构造 SVM 并且评价 SVM 模型的特征被定义，它代表术语，定义候选人，和他们的关系的特征。试验性的结果显示 SVM 和评价 SVM 罐头的使用显著地超过象启发式规则那样的基线方法，常规情报检索—霍加披，或 SVMregression。当答案是段，他们是句子时，这是真的。Experimentalresults 也显示出模型在一个领域训练了的那 SVM 或评价 SVM 能被使适应另一个领域，显示为定义评价的类属模型能被构造。