Welche Funktionen werden im Allgemeinen von Parse-Bäumen beim Klassifizierungsprozess in NLP verwendet?

Ich untersuche verschiedene Arten von Analysebaumstrukturen. Die beiden weit verbreiteten Analysebaumstrukturen sind a) Wahlkreisbasierter Analysebaum und b) Abhängigkeitsbasierte Analysebaumstrukturen.

Ich kann beide Arten von Analysebaumstrukturen mit dem Stanford NLP-Paket generieren. Ich bin mir jedoch nicht sicher, wie ich diese Baumstrukturen für meine Klassifizierungsaufgabe verwenden soll.

Zum Beispiel: Wenn ich eine Stimmungsanalyse durchführen und Text in positive und negative Klassen einteilen möchte, welche Funktionen kann ich für meine Klassifizierungsaufgabe aus Analysebaumstrukturen ableiten?

Indem Sie einen Analysebaum verwenden, teilen Sie Ihren Satz in Teile. Angenommen, Sie können im Beispiel der Stimmungsanalyse diese Teile verwenden, um jedem Teil eine positive / negative Stimmung zuzuweisen, und dann den kumulativen Effekt dieser Teile verwenden.

Dieses Bild wird Ihnen helfen, mehr zu verstehen. Die erste Hälfte hat eine negative Stimmung (hauptsächlich wegen des Wortes "trocken"), aber wegen des Wortes "aber" und der Verwendung des Wortes "genossen" wird die negative Stimmung in eine positive Stimmung umgewandelt.

Um sie zu verwenden, können Sie einfach eine Wortvektordarstellung der einzelnen Wörter im Satz erstellen und Neuronen anstelle der übergeordneten Knoten verwenden. Jedes Neuron sollte durch Gewichte mit einem anderen Neuron verbunden sein. Alle Blattknoten sind die Wortvektordarstellungen von Wörtern des Satzes. Das oberste übergeordnete Neuron (in diesem Fall das obere blaue + Symbol) sollte gemäß dem Satz eine positive / negative Stimmung erzeugen. Diese Baumstruktur kann überwacht trainiert werden.

Lesen Sie dieses Dokument für ein besseres Verständnis.

Bildnachweis: cs224.stanford.edu

Ich denke, Abhängigkeiten können verwendet werden, um die Genauigkeit Ihres Stimmungsklassifikators zu verbessern. Betrachten Sie die folgenden Beispiele:

E1: Bill ist kein Wissenschaftler

und nehmen an, dass der "Wissenschaftler" ein positives Gefühl in einem bestimmten Bereich hat.

Wenn wir die Abhängigkeit neg kennen (Wissenschaftler nicht), können wir sehen, dass das obige Beispiel eine negative Stimmung hat. Ohne diese Abhängigkeit zu kennen, würden wir den Satz wahrscheinlich als positiv einstufen.

Andere Arten von Abhängigkeiten können wahrscheinlich auf die gleiche Weise verwendet werden, um die Genauigkeit der Klassifizierer zu verbessern.