摘要
语义图（如WordNet）是一种资源，它在两个可区分的层面上整理自然语言。在局部层面，同义词集（语义构建单元）之间的个别关系，如上位关系（hypernymy）和部分整体关系（meronymy），增强了我们对用于表达这些意义的词语的理解。在全球层面，对整个网络的图论属性进行分析有助于揭示人类语言的整体结构。本文中，我们通过最大间隔马尔可夫图模型（Max-Margin Markov Graph Models, M3GM）框架将语义图的全局和局部属性结合起来，这是指数随机图模型（Exponential Random Graph Model, ERGM）的一个新扩展，适用于大规模多关系图。我们展示了这种全局建模如何提高预测同义词集之间语义关系的局部任务性能，在WN18RR数据集上取得了新的最佳结果，该数据集是一个具有挑战性的WordNet链接预测版本，其中移除了“简单”的互逆案例。此外，M3GM模型还识别出了多关系模式，这些模式是良好形成的词汇语义本体的特征。