同义词挖掘.md

同义词挖掘

Keywords: 关系挖掘

synonym/synonymy/synonymous/aliase extraction(抽取)/detection(检测)/discovery(发现)/identification(识别)/generation(生成)

• 同义词挖掘的一般流程
  • 无监督
  • 有监督
• 相似函数
  • ClickSim
  • DocSim
  • PseudoDocSim
  • QCSim
• 同义词候选挖掘
  • 基于用户行为数据
    • Q2Q
  • 利用回译
• 同义词判别
• 相关论文
• 参考资料
  • 论文
  • 博客
  • 资源

---

同义词挖掘的一般流程

无监督

本文重点

1. 生成同义词候选;
   1. 情况1) 给定了标准名与对应实体, 去挖掘其同义词合集¹;
   2. 情况2) 从给定语料中不定向挖掘同义词对²;

   这两种情况一般都可以通过一些共现行为 (如点击) 统一到相同的形式, 即对候选 pair 的判断;

2. 构造一个或多个相似性函数 (及其所需特征) 判断是否存在同义关系;

有监督

适用于大部分关系判断, 如上下位等;

1. 生成同义词候选;
2. 构造训练集, 训练模型, 预测;

   一般情况下, 如果资源充足, 都会从无监督逐渐过渡到有监督;

相似函数

ClickSim

Click Similarity³

DocSim

Document Similarity⁴

PseudoDocSim

Pseudo Document Similarity¹

QCSim

Query Context Similarit¹

同义词候选挖掘

基于用户行为数据

利用用户行为数据 (user behavioral data) 从查询词 (search query) 和搜索结果页 (search result pages, SRPs) 中挖掘同义词;

Q2Q

Query to Query

• 基于同一用户的 session 生成一些列 query pairs;

利用回译

同义词判别

判断一对同义词是否满足要求

相关论文

• Mandal, Aritra, Ishita K. Khan, and Prathyusha Senthil Kumar. "Query Rewriting using Automatic Synonym Extraction for E-commerce Search." eCOM@ SIGIR. 2019.
• Lu, Hanqing, et al. "Unsupervised Synonym Extraction for Document Enhancement in E-commerce Search." (2021).

参考资料

论文

• (2012,Chakrabarti) A Framework for Robust Discovery of Entity Synonyms

  微软; 实体同义词 (entity synonyms); 基于点击数据; 垂类搜索领域 (电商/视频); 如何在垂搜中使用同义词;
  提出 Pseudo Document Similarity (PseudoDocSim, 改进 ClickSim 和 DocSim) 和 Query Context Similarit (QCSim, 弥补 ClickSim 和 DocSim 的缺陷) 两种相似度计算方法;

• (2011,Cheng) Entity Synonyms for Structured Web Search

  微软; Click Similarity (ClickSim)

  • Cheng T, Lauw H W, Paparizos S. Fuzzy matching of web queries to structured data[C]//2010 IEEE 26th International Conference on Data Engineering (ICDE 2010). IEEE, 2010: 713-716.

    最早提出 ClickSim 的论文;

• (2001,Turney) Mining the Web for Synonyms: PMI-IR versus LSA on TOEFL

  Document Similarity (DocSim)

博客

• How to Build a Smart Synonyms Model | by Patrick O'Neill | Kensho Blog

  基于 Wikipedia 重定向挖掘同义词; 有 Kaggle 代码;

  • kdwd_aliases_and_disambiguation | Kaggle

    关联的 Kaggle 代码;

    • Kensho Derived Wikimedia Dataset | Kaggle

      关联的 Wikipedia 数据

  • Introducing the Kensho Derived Wikimedia Dataset | by Gabriel Altay | Kensho Blog

    Wikipedia 数据解析方法; 介绍如何将原始 Wikipedia 数据解析成 Kensho 版本的数据; 有 Kaggle 代码;

• check if two words are related to each other - Stack Overflow

资源

• smallwat3r/synonym: CLI tool to find synonyms in 15 different languages.

  一个 Linux 命令行工具, 通过调用 Thesaurus 提供的 API 返回同义词;

References

Footnotes

1. (2012,Chakrabarti) A Framework for Robust Discovery of Entity Synonyms ↩ ↩² ↩³

2. (2019,Mandal) Query Rewriting using Automatic Synonym Extraction for E-commerce Search ↩

3. (2011,Cheng) Entity Synonyms for Structured Web Search ↩

4. (2001,Turney) Mining the Web for Synonyms: PMI-IR versus LSA on TOEFL ↩