CONTENTS 5
12.2 CKY Parsing: A Dynamic Programming Approach . . . . . . . . 199
12.3 Partial Parsing . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
12.4 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
Bibliographical and Historical Notes . . . . . . . . . . . . . . . . . . . . 210
Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
13 Statistical Parsing 212
13.1 Probabilistic Context-Free Grammars . . . . . . . . . . . . . . . . 213
13.2 Probabilistic CKY Parsing of PCFGs . . . . . . . . . . . . . . . . 217
13.3 Ways to Learn PCFG Rule Probabilities . . . . . . . . . . . . . . 218
13.4 Problems with PCFGs . . . . . . . . . . . . . . . . . . . . . . . . 220
13.5 Improving PCFGs by Splitting Non-Terminals . . . . . . . . . . . 223
13.6 Probabilistic Lexicalized CFGs . . . . . . . . . . . . . . . . . . . 225
13.7 Probabilistic CCG Parsing . . . . . . . . . . . . . . . . . . . . . . 230
13.8 Evaluating Parsers . . . . . . . . . . . . . . . . . . . . . . . . . . 238
13.9 Human Parsing . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
13.10 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
Bibliographical and Historical Notes . . . . . . . . . . . . . . . . . . . . 242
Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
14 Dependency Parsing 245
14.1 Dependency Relations . . . . . . . . . . . . . . . . . . . . . . . . 246
14.2 Dependency Formalisms . . . . . . . . . . . . . . . . . . . . . . . 248
14.3 Dependency Treebanks . . . . . . . . . . . . . . . . . . . . . . . 249
14.4 Transition-Based Dependency Parsing . . . . . . . . . . . . . . . 250
14.5 Graph-Based Dependency Parsing . . . . . . . . . . . . . . . . . 261
14.6 Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
14.7 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
Bibliographical and Historical Notes . . . . . . . . . . . . . . . . . . . . 268
Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
15 Vector Semantics 270
15.1 Words and Vectors . . . . . . . . . . . . . . . . . . . . . . . . . . 271
15.2 Weighing terms: Pointwise Mutual Information (PMI) . . . . . . . 275
15.3 Measuring similarity: the cosine . . . . . . . . . . . . . . . . . . 279
15.4 Using syntax to define a word’s context . . . . . . . . . . . . . . . 282
15.5 Evaluating Vector Models . . . . . . . . . . . . . . . . . . . . . . 283
15.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284
Bibliographical and Historical Notes . . . . . . . . . . . . . . . . . . . . 284
Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
16 Semantics with Dense Vectors 286
16.1 Dense Vectors via SVD . . . . . . . . . . . . . . . . . . . . . . . 286
16.2 Embeddings from prediction: Skip-gram and CBOW . . . . . . . 290
16.3 Properties of embeddings . . . . . . . . . . . . . . . . . . . . . . 295
16.4 Brown Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . 295
16.5 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297
Bibliographical and Historical Notes . . . . . . . . . . . . . . . . . . . . 298
Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
17 Computing with Word Senses 300
17.1 Word Senses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
我的内容管理
收起
我的收益 登录查看自己的收益
我的积分
登录查看自己的积分
我的C币
登录后查看C币余额
我的收藏 
我的下载 
下载帮助 
评论1