【導(dǎo)讀】科學討論中也不是那么容易的，本文就嘗試完成這個任務(wù)。我們試圖回答兩個重。我們專注于第一個問題的研究，基于多種。根據(jù)各自的鑒別測量，關(guān)聯(lián)性度量可以自然地確定。關(guān)聯(lián)性度量的潛在問題，一些關(guān)鍵點被提出，并提出了一些解決方法。了兩個在文本挖掘和信息檢索方面應(yīng)用的例子。研究的目的的本文的一個組成部。由于它的普遍性，我們的方法將被期待在多個領(lǐng)域被廣泛應(yīng)用。[索引詞]統(tǒng)計語義分析，鑒別信息的測量，語義關(guān)聯(lián)性的測量，識別信息術(shù)語，息學和化學信息學等。力的詞應(yīng)該被認為具有更多的信息，這個觀點是可以接受的。詞可能貢獻的程度被當作是詞的。它為估算預(yù)期信息量提供一個有力的工具。詞之間的語義測定問題在多個研究領(lǐng)域都有了一段很長的歷史，潛在的正式分析是MDI，它為每個詞。MDI到MSR應(yīng)用的問題，并給出相應(yīng)的解決方法。一個信息詞包含的信息不僅支持一種文件類，而且支持其他的類別。

　　

【正文】 經(jīng)合并到鑒別 測量中，且反復(fù)使用信息可能會降低檢索的性能。 如前所述， 許多優(yōu)秀的研究實驗驗證，采用散度測定方法去建立為選擇信息詞的關(guān)聯(lián)性測定方法是很有益的，本文的重點是在理論分析和正式討論，讀者感興趣的是我們的正式討論是如何能被一些經(jīng)驗證據(jù)所支持，這些經(jīng)驗證據(jù)是來自所引用的一些文獻的性能實驗。 本文有兩個重點：詞的 MDI和詞之間的 MSR。 ●我們?yōu)橐粋€基本的概念引入了一個正式定義：詞所傳達的鑒別信息。 基于幾個散度測定方法，我們深入討論并正式解釋了鑒別測量法。通過散度措施 D中詞 )(tifdD 和子項 )()( tifdiD ，我們定量表示了它。 從這項研究可以清楚的看到，個別的鑒別信息測量法根據(jù)它們的屬性是不同的，特別是我們能闡明下列兩個關(guān)鍵點： —— 0)( ?tifdD 并不表示 1Vt? 的詞在表達 A是有信息的。 27 —— 如果 *1Vt? ,則 t在表達 A時是有情報的，盡管 0)( ?tifdD ●我們介紹一個直觀而正式的定義： 兩詞之間的關(guān)聯(lián)性。從本文研究 中可以看出，這直觀的概念與本文中所介紹的其他概念是有區(qū)別的：詞和對象的關(guān)聯(lián)性。前者關(guān)心的僅僅是 )()(0 tifdiD 和 *0iV中感興趣的詞；而后者關(guān)心的是 CV? 中的)()( tifdiD 。 從本文中可以清晰地得到， ),( 21 ?? ?trelD 提供的不僅是 t和 1? 間的關(guān)聯(lián)性，還提供 t和 2? 間的關(guān)聯(lián)性。因此 ， —— 0),( 21 ?? ??trelD 并不指 ):(s up 21 HHtD ? 。 —— ),( 211 ?? ?trelD 和 ),( 212 ?? ?trelD 具有正值，并不表示 21 tt和 （其中121, Vtt ? ）是相互緊密聯(lián)系的。 ●為鑒定詞之間的密切聯(lián)系，解決上面問題的方法為選定的詞查證不等式（ 15）或（ 16）。 本文的目的也就是本文的一個部分就是建立一個統(tǒng)一的理論框架，它 是以MDI為核心，并取得有效的 MSR。 28 參考文獻 [1] C. Fellbaum, 詞匯網(wǎng)絡(luò)：一個電子詞匯數(shù)據(jù)庫 . The MIT Press, 1998. [2] G. Miller, “詞匯網(wǎng)絡(luò)：一個在線詞匯數(shù)據(jù)庫 ,” Int’l , Special Issue, vol. 3, no. 4, pp. 235244, 1990. [3] . Turney, “相似的語義關(guān)系 ,” 計算機語言學 ,vol. 32, ,pp. 379410, 20xx. [4] I. Dagan, “上下文的詞語相似度 ,” 自然語言處理手冊 , pp. 459475, Marcel Dekker, Inc., 20xx. [5] A. Budanitsky and G. Hirst, “基于 WordNet的詞匯語義相關(guān)措施 的 評價 ,” 計算機語言學 ,vol. 4, no. 1, pp. 149, 20xx. [6] A. Budanitsky and G. Hirst, “在 WordNet的語義距離：五項面向應(yīng)用的評價實驗 ,”Proc. Workshop WordNet and Other Lexical Resources, Second Meeting of the North Am. Chapter of the Assoc. for Computational Linguistics, pp. 2934, 20xx. [7] D. Moldovan, A. Badulescu, M. Tatu, D. Antohe, and R. Girju, “名詞短語的語義分類模型 ,” Computational Lexical Semantics, pp. 6067, 20xx. [8] V. Nastase and S. Szpakowicz, “探索名詞修飾詞的語義關(guān)系 ,” Proc. Fifth Int’l Workshop Computational Semantics, pp. 285301, 20xx. [9] . Turney, . Littman, J. Bigham, and V. Shnayder,“結(jié)合獨立的模塊來解決選擇題的同義詞和類比問題 ,” Proc. Int’l Conf. Recent Advances in Natural Language Processing, pp. 482489, 20xx. [10] J. Morris and G. Hirst, “詞匯銜接詞庫的關(guān)系作為一個文本結(jié)構(gòu)的指標計算 ,” Computational Linguistics, vol. 17, no. 1, pp. 2148, 1991. [11] . Landauer and . Dumais, “柏拉圖問題的一個解決方案：獲取的潛在語義分析理論 ， 歸納并知識表示 ,” Psychological Rev.,vol. 104, no. 2, pp. 211240, 1997. [12] K. Frantzi, S. Ananiadou, and H. Mima, “自動識別多字的詞 ,” Int’l J. Digital Libraries, vol. 3, no. 2,pp. 117132, 20xx. [13] R. Florian and D. Yarowsky, “建模共識：詞義消歧的分類結(jié)合 ,” Proc. Methods in Natural Language Processing, pp. 2532, 20xx. [14] . Lee, . Kim, and . Lee, “基于繼承 層次結(jié)構(gòu)的概念距離的信息檢 29 索 ,” J. Documentation,vol. 49, pp. 188207, 1993. [15] R. Richardson, A. Smeaton, and J. Murphy, “應(yīng)用 WordNet知識庫測量詞的語義相似性 ,” Proc. Artificial Intelligence and Cognitive Science (AICS)Conf., 1994. [16] C. Corley and R. Mihalcea, “測量文本的語義相似 ,” Proc. ACL Workshop Empirical Modeling of Semantic Equivalence and Entailment, pp. 1318, 20xx. [17] I. Dagan, L. Lee, and . Pereira, “基于相似性的詞共現(xiàn)概率模型 ,” Machine Learning, special issue on natural language learning, vol. 34, nos. 13, pp. 4369, 1999. [18] G. Hirst and A. Budanitsky, “恢復(fù)詞匯銜接以實時糾正單詞拼寫錯誤 ,” Natural Language Eng.,vol. 11, no. 1, pp. 87111, 20xx. [19] L. Lee, “分布相似的措施 ,” Proc. 37th of the Assoc. for Computational Linguistics, pp. 2532, 1999. [20] I. Marx, Z. Dagan, J. Buhmann, and E. Shamir, “聚類群：一個結(jié)構(gòu)一致的檢測方法 ,”J. Machine Learning Research, vol. 3, pp. 747780, 20xx. [21] S. Mohammad and G. Hirst, “作為代理的分布式語義相關(guān)措施 ,” 20xx. [22] S. Mohammad and G. Hirst, “概念距離的分配方法：一個面向任務(wù)的評價 ,” Proc. Conf. Empirical Methods in Natural Language Processing, 20xx. [23] S. Mohammad and G. Hirst, “利用詞庫確定詞義優(yōu)勢 ,” Proc. 11th Conf. European Chapter of the Assoc. for Computational Linguistics, pp. 121128, 20xx. [24] P. Pantel and D. Lin, “從文本中發(fā)現(xiàn)詞義 ,” SIGKDD, pp. 613619, 20xx. [25] P. Resnik, “分類學中的語義相似性：基于測量及其在自然語言中關(guān)于不確定問題的應(yīng)用的信息 ,” J. Artificial Intelligence Research, vol. 11, pp. 95130, 1999. [26] N. Seco, T. Veale, and J. Hayes, “在 WordNet中關(guān)于語義相似性的內(nèi)在信息量度量方法 ,” Proc. 16th European Conf. Artificial Intelligence, 20xx. [27] J. Weeds and D. Weir, “共現(xiàn)檢索：詞匯分布相似的靈活框架 ,” Computational Linguistics, vol. 31, no. 4, pp. 439475, 20xx. [28] L. Han, L. Sun, G. Chen, and L. Xie, “ADDS:確定語義相似性的一種方法 ,” Advances in Eng. Software,vol. 37, no. 2, pp. 129132, 20xx. 30 [29] . Jiang and . Conrath, “基于語料庫的統(tǒng)計和詞匯分類的語義相似性 ,” Proc. 10th Int’l Conf. Research in Computational Linguistics, pp. 1933, 1997. [30] V. Pekar and S. Staab, “基于結(jié)合分布措施和語義相似性的字分類 ,” Note Sessions of the 10th Conf. European Chapter of the Assoc. for Computational Linguistics, pp. 147150, 20xx. [31] . Rodriguez and . Egenhofer, “從不同的本體論中確定實體類之間語義相似性 ,” IEEE Trans. Knowledge and Data Eng., vol. 15, no. 2, pp. 442456, . [32] D. Cai and . Van Rijsbergen, “從鑒別信息中學習語義相關(guān)性 ,” Expert Systems with Applications, vol. 36, no. 2, pp. 18601875, Mar. 20xx. [33] S. Kullback, 信息理論和統(tǒng)計 . Wiley, 1959. [34] R. Sibson, “信息半徑 ,” Z. Wahrsch’Theorie and Verw. Geb,vol. 14, pp. 149160, 1969. [35] . Rao, “多樣性：測量、分解、分配及分析 ,” Sankhya: Indian J. Statistics, vol. 44, pp. 122, 1982. [36] A. Re180。nyi, “熵和信息化的措施 ,” Proc. Fourth Berkeley Symp. Math. Statistics and Probability, vol. 1, pp. 547561,1961. [37] N. Jardine and R. Sibson, 數(shù)學分類 . John Wiley amp。Sons, Ltd., 1971. [38] . Shannon, “通信的數(shù)學理論 ,” Bell System and Technical J., vol. 27, pp. 379423, 623656, 1948. [39] D. Cai, “IfD— 信息鑒別 ,” PhD dissertation,Univ. of Glasgow, 20xx. [40] D. Cai, “應(yīng)用杰森差異測量鑒別信息而確定語義相似性 ,”Int’l J. Intelligent Systems, vol. 24, no. 5, pp. 477503, 20xx. [41] . Good, 證據(jù)的概率和權(quán)重 . Charles Griffin,1950. [42] D. Cai and . Van Rijsbergen, “重新審議鑒別信息測量的基本原理 ,” Proc. First Int’l Conf. Theory of Information Retrieval (ICTIR ’07), pp. 151158, 20xx. [43] TreeBASE, 20xx. [44] . Robertson and S. Walker, “Okapi/Keenbow at TREC8,” Text REtrieval Conf. (TREC8), pp. 151161, 1999.