[发明专利]一种基于协同神经网络的语义角色标注方法

权利要求书

1.一种基于协同神经网络的语义角色标注方法，其特征在于包括以下步骤：

1)从训练语料和测试语料中抽取特征，并构造相应的语义特征向量；

2)对语义特征向量进行核变换，并在此基础上构造原型模式和待测试模式；

3)构造序参量，对每个依存成分求若干个侯选角色；

4)构建谓词库，对每个谓词对应的所有依存成分的候选角色进行组合，得到各个谓词的角色链；

5)优化网络参数，进行协同神经网络的动力学演化，从而得到最优角色链，并输出标注模式。

2.如权利要求1所述的一种基于协同神经网络的语义角色标注方法，其特征在于在步骤1)中，所述抽取特征包括基本特征和扩展特征，所述基本特征包括谓词及词性、谓词语态、当前关系、路径、关系子类框架、中心词及位置6类特征；所述扩展特征包括句法路径、句法路径长度、句法部分路径长度、关系路径、关系部分路径、句法部分路径、谓词兄弟的依存关系链、谓词+句法路径、谓词关系、谓词的句法子类框架、谓词+中心词、谓词兄弟的中心词链、中心词词性、中心词+词性、中心词当前关系15类特征。

3.如权利要求1所述的一种基于协同神经网络的语义角色标注方法，其特征在于在步骤2)中，所述对语义特征向量进行核变换的具体方法如下：采用的混合核函数定义为：其中λ_i为系数，且k_i(x，y)根据语义特征组合的需要选择定义为：多项式核函数、高斯核函数、卷积核函数，通过核函数映射对已有特征进行了组合或者分解，将低维特征空间映射到高维特征空间，降低原型向量之间的相关程度。

4.如权利要求1所述的一种基于协同神经网络的语义角色标注方法，其特征在于在步骤2)中，所述构造原型模式采用数学平均值方法构造原型模式，具体步骤为：

(1)每个类别分别选取若干个有代表性的训练样本；

(2)对每个类别分别计算原型模式。

5.如权利要求1所述的一种基于协同神经网络的语义角色标注方法，其特征在于在步骤3)中，所述对每个依存成分求若干个侯选角色的具体步骤包括：

(1)对原型模式和待测试模式构造序参量；

(2)将序参量按大小顺序排序，得到相应的的候选角色。

6.如权利要求5所述的一种基于协同神经网络的语义角色标注方法，其特征在于在步骤(1)中，所述构造序参量的方法采用伪逆法、距离法或内积法，具体步骤如下：

设原型模式v_k(k＝1，2…)、测试模式q_l(l＝1，2…)和伴随模式(k＝1，2…)，则v_k和q_l之间的序参量ξ_lk为：

若采用伪逆法，则ξlk=vk+ql,]]>(l＝1，2…，k＝1，2…)；

若采用距离法，则ξ_lk＝||v_k-q_l||，(l＝1，2…，k＝1，2…)；

若采用内积法，则ξlk=vk·ql|vk||ql|,]]>(l＝1，2…，k＝1，2…)。