Sinnvokabular-Kompression durch semantisches Wissen von WordNet für die neurale Wortsinndiskambiguierung

In diesem Artikel befassen wir uns mit dem Problem der begrenzten Menge manuell sinngemäß annotierter Korpora für die Aufgabe der Wortsinndiskriminierung, indem wir die semantischen Beziehungen zwischen Sinnen wie Synonymie, Hyperonymie und Hyponymie nutzen, um das Sinnvokabular des Princeton WordNet zu komprimieren und damit die Anzahl verschiedener Sinnmarkierungen zu reduzieren, die beobachtet werden müssen, um alle Wörter der lexikalischen Datenbank eindeutig zuzuordnen. Wir schlagen zwei verschiedene Methoden vor, die die Größe neuronaler WSD-Modelle erheblich verringern, wobei sie den Vorteil bieten, die Abdeckung zu verbessern, ohne zusätzliche Trainingsdaten zu benötigen und ohne ihre Genauigkeit zu beeinträchtigen. Neben unserer Methode stellen wir ein WSD-System vor, das auf vorab trainierten BERT-Wortvektoren basiert und Ergebnisse erzielt, die den aktuellen Stand der Forschung bei allen WSD-Evaluationsaufgaben deutlich übertreffen.