Συντάχθηκε 15-05-2017 09:49
από Esthir Gelasaki
Email συντάκτη: egelasaki<στο>tuc.gr
Ενημερώθηκε:
-
Ιδιότητα: υπάλληλος.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Μεταπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ
ΚΩΝΣΤΑΝΤΙΝΟΣ ΠΕΧΛΙΒΑΝΗΣ
με θέμα
Υπολογιστικές Μέθοδοι Εκμάθησης Μοντέλων Εντοπισμού Μεταφορικής Σημασίας από Σώματα Νεοελληνικών Κειμένων
Corpus Based Methods for Learning Models of Metaphor in Modern Greek
Τρίτη 16 Μαΐου 2017, 9:15 π.μ.
Αίθουσα συνεδριάσεων, Κτίριο Επιστημών, Πολυτεχνειούπολη
Εξεταστική Επιτροπή
Καθ. Βασίλειος Διγαλάκης (επιβλέπων)
Δρ. Στασινός Κωνσταντόπουλος (Ε.Κ.Ε.Φ.Ε. ΔΗΜΟΚΡΙΤΟΣ - Ι.Π.Τ.)
Αναπλ. Καθ. Μιχαήλ Γ. Λαγουδάκης (Σχολή ΗΜΜΥ)
Περίληψη
Σκοπός της διπλωματικής είναι η ανάπτυξη μεθόδων αναγνώρισης μεταφοράς και γενικά μη-κυριολεκτικής χρήσης όρων, βασιζόμενοι στην υπόθεση ότι μια λέξη ανήκει σε διαφορετική κατηγορία από αυτή του κειμένου στο οποίο εμφανίζεται. Η ιδέα βασίζεται στην λογική εξόρυξης πληροφορίας από γλωσσικά μοντέλα, τα οποία χρησιμοποιούν γνωστές μεθόδους ταξινόμησης, χωρίς να απαιτείται προγενέστερη γνώση των μεταφορών ή άλλων σημασιολογικών πόρων. Στόχος αυτών των μοντέλων είναι η εξαγωγή του βαθμού κατά τον οποίο ένας όρος είναι χαρακτηριστικός σε κάποια κατηγορία. Αυτό συντελεί στον εντοπισμό λέξεων οι οποίες δεν ανήκουν σημασιολογικά στο κείμενο στο οποίο εμφανίζονται.
Εξετάζοντας την ερευνητική μας πρότασης, αρχικά, συλλέξαμε σώματα κειμένων από τρεις ελληνικές εφημερίδες που μοιράζονται το περιεχόμενο τους στο διαδίκτυο. Με σκοπό την απόκτηση μια αρχικής ταξινόμησης για κάθε άρθρο, υιοθετήσαμε την ταξινόμηση που παρέχει το IPTC χρησιμοποιώντας τις πιο ευρείς κατηγορίες. Η μοναδική επισημείωση στα δεδομένα εκπαιδεύσεις είναι οι κατηγορίες των άρθρων, οι οποίες έχουν ανατεθεί από τους εκδότες των εφημερίδων.
Για την αξιολόγηση της μεθόδους μας έχουμε επισημειώσει 89 άρθρα. Η διαδικασία επισημείωσης περιλαμβάνει των εντοπισμό των όρων που χρησιμοποιούνται μεταφορικά. Η επισημείωση εκπονήθηκε αρχικά από έναν επισημειωτή και στη συνέχεια, ένας ειδικευμένος επισημειωτής διόρθωσε τις ανακολουθίες που προέκυψαν, με σκοπό τη δημιουργία ενός σώματος κειμένων για τη δοκιμή του συστήματος. H διαδικασίας επισημείωσης σχεδιάστηκε και εκπονήθηκε με τη χρήση της πλατφόρμας του Ellogon.
Στα πλαίσια αυτής τη έρευνας, κάναμε χρήση της μετρικής Συχνότητα Όρων - Αντίστροφη Συχνότητα Εγγράφων (TF-IDF) με σκοπό τον εντοπισμό της χαρακτηριστικής κατηγορίας στην οποία ανήκει ένας όρος. Επιπλέον, αναλύσαμε την αλληλεπίδραση μεταξύ της μετρικής TF-IDF με άλλα χαρακτηριστικά λέξεων, όπως το μέρος του λόγου στο οποίο ανήκει, καθώς και τη συχνότητα εμφάνισης του στα διαφορετικά έγγραφα. Ένας όρος αποτελεί μια λέξη ή ένα n-γράμμα. Η κατηγοριοποίηση των όρων έγινε με τη χρήση μιας προσαρμοσμένης μορφής του Ταξινομητή Μέγιστης Πιθανοφάνειας.
Η αξιολόγηση του συστήματος έγινε με την χρήση των μετρικών Precision, Recall και F1-score. Η απόφαση μια επιτυχημένης ανίχνευσης λαμβάνει χώρα για κάθε όρο ξεχωριστά, ελέγχοντας αν είναι μη-κυριολεκτικής σημασίας. Τέλος, συγκρίναμε τα αποτελέσματα του συστήματος με ένα απλοϊκό μοντέλο, καθώς και με μια σχετική δουλειά που είχε υλοποιηθεί παλιότερα. Παρόλο που το μοντέλο μας δείχνει να είναι υπεργενικευμένο ξεπερνάει σε απόδοση τα προαναφερθέντα.
Abstract
In this thesis, we propose a method for detecting metaphorical usage of content terms based on the hypothesis that metaphors can be detected by being characteristic of a different domain than the one they appear in. We formulate the problem as one of extracting knowledge from text classification models, where the latter have been created using standard text classification techniques without any knowledge of metaphor. We then extract from such models a measure of how characteristic of a domain a term is, providing us with a reliable method of identifying terms that are surprising for the context within which they are used.
In order to investigate our research proposal we started with compiling-crawling a corpus of articles from three Greek newspapers that offer content on-line. In order to have an initial classification, we mapped the sections of these three newspapers to domains from the top level of the relevant taxonomy of the IPTC. The training set is only annotated with the broad thematic categories assigned by the newspapers’ editors.
In order to evaluate our method, we have manually annotated 89 articles with metaphorical term usage. The manual annotation was carried out by an initial annotator, with an expert annotator resolving inconsistencies to create the golden corpus. The annotation task was designed and elaborated using Ellogon platform.
In our experiment, we report results using Term Frequency - Inverse Document Frequency (TF-IDF) to identify the literal (characteristic) domain of terms and we also analyse the interaction between TF-IDF and other typical word features, such as Part of Speech tags and Document Frequency. Term could be word or N-gram. The classification of terms is applied using an adapted version of Maximum Likelihood Classifier.
Our method makes single-term binary decisions about metaphorical usage. We applied Precision, Recall and F1-score as evaluation metrics. We compared our system with a naive baseline and the relevant work as well. Although, our model seems to be over-general, producing many false positives, the overall F1-score outperforms both the baseline and related previous work.
Τόπος: Λ - Κτίριο Επιστημών/ΗΜΜΥ, ΑΙΘΟΥΣΑ ΣΥΝΕΔΡΙΑΣΕΩΝ
Έναρξη: 16/05/2017 09:15
Λήξη: 16/05/2017 10:15
