基于WordNet的英语词语相似度计算

基于 WordNet 的英语词语相似度计算
颜伟 荀恩东 北京语言大学 语言信息处理研究所 北京 100083
E-mail: {yanwei,edxun}@blcu.edu.cn 摘要：本文主要介绍一种基于 WordNet 的英语词语相似度的实现方法，我们从 WordNet 中提取同义词并采取向量空间方法计算英语词语的相似度，我们的向量包括三方面： (1)WordNet 的同义词词集（Synset）(2) 类属信息（Class） (3)意义解释（Sense explanation）。 实验结果表明这是计算英语词语相似度的一种可行的方法。 关键词：WordNet，词语相似度
成语义相似度由高到低的序列。我们的工作目标是研制一个实用的信息检索系统，语义相似
度对于提高信息检索的精确度和召回率都有重要的实用价值。
比如，用户想检索含有“sanctity”的相关文章，但我们的文档中没有这个词，我们就
可以依据相似度计算（见表 1）结果，在相似词序列中按相似度从高到低的顺序检索出相关文 档返回给用户。
的假设的基础上。第二类方法建立在两个词汇具有某种程度的语义相似当且仅当它们出现 在相同的上下文中这个假设的基础上。
基于语义词典的方法通常依赖于比较完备的大型语义词典。一般同义词词典都是将所 有的词组织在一棵或几棵树状的层次结构中。我们知道，在一棵树形图中，任何两个结点 之间有且只有一条路径。于是，这条路径的长度就可以作为这两个概念的语义距离的一种 度量。如 Rada R. etc 和 Lee J.H. etc 通过计算在 WordNet 中词节点之间上下位关系构成的 最短路径来计算词语之间的相似度。有些学者考虑的情况更复杂。Resnik,P.根据两个词的 公共祖先节点的最大信息量来衡量两个词的语义相似度。Agirre & Rigau (1995)在利用 WordNet 计算词语的语义相似度时，除了结点间的路径长度外，还考虑到了其他一些因素。 例如：概念层次树的深度：路径长度相同的两个结点，如果位于概念层次的越底层，其语 义距离较大；概念层次树的区域密度：路径长度相同的两个结点，如果位于概念层次树中 高密度区域，其语义距离应大于位于低密度区域的。由于 WordNet 中概念描述的粗细程度 不均，有些领域概念的描述极其详尽，而有些区域的概念描述又比较粗疏，所以加入了概 念层次树区域密度对语义距离的影响。基于词典的方法比较直观而且简单有效，但它受人 的主观影响比较大有时不能反映客观现实。
基于统计的方法将词汇的上下文信息的概率分布作为词汇语义相似度计算的参照。 Lillian Lee 利用相关熵，P.Brown etc 采用平均互信息来计算词语之间的相似度。基于统计 的定量分析方法能够对词汇间的语义相似性进行比较精确和有效的度量。但是，这种方法 比较依赖于训练所用的语料库，计算量大，计算方法复杂，另外，受数据稀疏和数据噪声 的干扰较大，有时会出现明显的错误。
1 引言
随着自然语言处理技术的发展，语义研究，特别是词汇语义研究，成为目前自然语言 处理领域的热点和前沿课题。本文介绍一种基于 WordNet 英语词语相似度计算的实现方 法，希望能对英语词语间语义关系进行一些数量化研究。同时也希望能对中文信息处理及 双语翻译提供一些方法和借鉴。
词语距离的计算方法大体上可以分成两类：一类是根据某种世界知识（ontology）来 计算，主要是基于按照概念间结构层次关系组织的语义词典的方法，根据在这类语言学资 源中概念之间的上下位关系和同位关系来计算词语的相似度。在这方面，许多学者已经基 于 WordNet 做了大量的工作。另一类方法利用大规模的语料进行统计，这种基于统计的方 法，主要将上下文信息的概率分布作为词汇语义相似度的参照。第一类方法建立在两个词 汇具有一定的语义相关性当且仅当它们在概念间的结构层次网络图中存在一条通路这样
English Word Similarity Calculation Based
on WordNet
Yan Wei Xun Endong Language Information Processing Center Beijing Language and Culture University Beijing 100083 E-main: {yanwei,edxun}@blcu.edu.cn Abstract: In our approach, English WordNet is used as the general synonym resource. The algorithm extracts synonym and use vector based method to calculate the English word similarity. The vector includes three kinds of information.(1)WordNet synonym. (2) Class. (3)Sense explanation. It is a feasible way to calculate the similarity of the English words in the experiments. Keywords: WordNet, word similarity
{We} : Sense W 的解释中所有的实词。
3.2.2：意义相似度和词语相似度的计算
根据上面对词汇语义特征的描述，两个意义（Sense）之间的相似度可以通过计算其在三
个不同的意义特征空间中的距离来得到。距离越小，相似度越大。依据意义相似度我们就可
以容易地计算出 WordNet 中两个词语之间的相似度。
• 意义相似度
∑ ∑ ∑ ∑ ∑ Similarity(SWi , SW j )
=
ห้องสมุดไป่ตู้
1
×
No(SWi) × No(SWj)
Ks ×IDF (wi )2
wi ∈{Wsi}∩{Wsj}
K
+
Kc × IDF(wi )2 +
Ke × IDF (wi )2
wi∈{Wci}∩{Wcj}
wi∈{Wei}∩{Wej}
本文主要介绍一种基于 WordNet 的词语相似度的实现方法，这主要是一种基于语义词 典的方法，我们从 WordNet 中提取同义词并采取向量空间方法计算英语词语的相似度，。
2 WordNet 的特点及其在英语词语相似度计算中的作用
语义分析，作为自然语言处理技术的一个重要方面，它所依赖的语言知识表示中最重要 的初始环节就是语义词典。一部能够表达概念关系的语义词典是面向内容信息的自然语言处 理工作的一项不可或缺的基础性资源。美国 Princeton 大学的 WordNet 就是一个语义词典的非 常好的范例。它是在 Princeton 大学认知科学实验室的 G. Miller 教授指导下开发的，实际工作 始于 1985 年。作为心理语言学家的实验品，WordNet 的最初设计并不是接受计算语言学的影 响或直接为自然语言处理服务的。80 年代末，语义计算的需要，计算语言学家发现了 WordNet 并将之应用于自然语言处理中涉及语义分析的诸多领域。WordNet 的基本思想简单明确，它的 形式化做得很彻底。目前，WordNet 已经成为一个事实上的国际标准，从 EuroWordNet 发展的 事实不难看出，WordNet 框架的合理性已被词汇语义学界和计算词典学界所公认。
在我们的工作方案中，我们首先以 WordNet 的词汇语义分类作为基础，抽取出其中的同 义词，然后采用基于向量空间的方法计算出相似度。工作流程如下：
3.2：基于 WordNet 的英语词语相似度计算
3.2.1：特征提取 我们利用 WordNet 提供的接口函数，从 WordNet 的同义词词集（Synset）、属类词（Class
Ks=1.5: 同义词特征的权重， Kc=1: 类属特征的权重， Ke=0.5:意义解释的权重，
QU ：出现 wi 的指标集，
Qv ：出现 w j 的指标集
• 词语相似度
∑ ∑ Similarity(W1,W2)
=
i∈{1,..,|SW 1|}
max
j∈{1,..,|SW
(Similarity(SW
人工的排列结果进行比较，结果表明前述方法的计算结果和人工按照语义相似度的排序结果
基本一致。在后续的工作中我们打算把相似度检索结果作为信息检索系统的一个部分，具体
考察词语相似度计算对我们工作的贡献。
语义相似度计算，其单个词与中心词语义相似度的具体取值并不重要，那只是统计意义
上的一个数值，重要的是这些词汇相对于中心词可以依照语义相似度的取值相互比较，并形
word）和意义解释（Sense explanation）这三个集合中抽取出候选同义词，然后进行特征提取，
计算出 feature(SW ) ：
feature(SW ) = {{Ws},{Wc},{We}}
{Ws} : WordNet 中 Sense W 所有的同义词；
{Wc} : Sense W 所有的相关的属类；
× IDF(wi )2 ×
K × IDF(wj )2
i∈QU ,K∈{Ks,Kc,Ke)
j∈Qv ,K∈{Ks,Kc,Ke)
其中：
No(SW): W 意义的顺序。例如，the first sense =1, the second sense =2……
IDF（ wi ）: 从 WordNet 中训练得到的构建 WordNet 时出现某个 wi 的文档的倒数
WordNet 现在已经发布了 2.0 版本，本文的实验是基于 1.6 版本进行的。Version 1.6 主要
包括名词、动词、形容词和副词四类实词，虚词不予考察。在上述四类实词中，WordNet 着重 描写的是名词和动词。WordNet 中词汇概念的语义关系主要包括：上下位、同义、反义、整体 和部分、蕴含、属性、致使等。WordNet Version 1.6 种描写了四类实词 99643 个概念节点和超 过 5000000 个语义关系，形成了一张庞大的概念语义网络。
2|}
1i
,
SW
2
j
)
+
i∈{1,..,|SW
2|}
| SW1 | + | SW 2 |
max
j∈{1,..,|SW
(
1|}
Similarity(SW
2i
,
SW1j )
其中： |SW1|：W1 的 sense 的个数， |SW2|：W2 的 sense 的个数。
4 实验结果及分析
我们对实验结果进行了人工的评价，评价方法主要是对计算得到的语义相似度的序列和
3 基于 WordNet 的英语词语词义相似度计算
3.1：本文的工作目标 我们相似度计算的最终目标是要服务于一个实用的英语信息检索系统。在信息检索中，
用户的 query 一般都很短，我们能获得的信息很少。虽然，在英语中我们根据用户的 query 一 般可以判断出检索词的词性。但对于多义词，我们往往无法判断出用户到底想检索含有哪个 义项的文档，比如用户输入“bank”，我们很难判断出用户是想查询关于银行方面的文档还是 查询关于河岸方面的文档。在这儿，我们引入相似度计算的方法，目的是为信息检索提供一 个以检索词为中心按照相似度从高到低排列的相似词语的集合，根据这个集合我们可以向用 户返回检索结果或进行问题扩展。我们的方法区分词语的不同词性，对多义词，我们不区分 它的不同义项，只提供一个基于 WordNet 的相似词语的集合。
WordNet 是一个在线的词汇参照系统，它的独特之处在于它是依据词义而不是依据词形来 组织词汇信息。WordNet 使用同义词集合（Synset）代表概念（Concept），词汇关系在词语之 间体现，语义关系在概念之间体现。WordNet 构造的核心是如何表示词汇概念节点，以及在这 些概念节点之间建立起各种语义关系。WordNet 将英语词汇组织为一个同义词集合(Synset)， 每个集合标明一个词汇概念；同时力图在概念间建立不同的指针，表达上下位、同义反义等 不同的语义关系。这样就构成了一个比较完整的词汇语义网络系统。经过这样的过程，原本 抽象的概念就被形式化了，变得具体而且可以通过词汇意义加以操作，概念之间还可以建立 多种语义关系的联系和推理。这是在传统的义素分析法外简单而有效地表达词汇语义的另一 种新的方式和途径。