Resumen

La similitud distribucional ha atraído una atención considerable en el campo del procesamiento del lenguaje natural como medio automático de contrarrestar el omnipresente problema de los datos dispersos. Como lengua logográfica, las palabras chinas están formadas por caracteres y cada uno de ellos se compone de uno o más radicales. Los significados de los caracteres suelen estar muy relacionados con las palabras que los contienen. Asimismo, los radicales suelen contribuir de forma predecible al significado de un carácter: los caracteres que tienen los mismos componentes tienden a tener significados similares o relacionados. En este artículo, utilizamos estas propiedades de la lengua china para mejorar el cálculo de la similitud de las palabras chinas. Dada una palabra de contenido, primero extraemos palabras similares basándonos en un corpus amplio y una puntuación de similitud para clasificarlas. A continuación, ajustamos esta clasificación en función de los caracteres y componentes compartidos entre la palabra similar y la palabra objetivo. Los experimentos con dos conjuntos de datos de referencia demuestran que el rango ajustado es superior y se aproxima más a los juicios humanos que el rango original. Además de la evaluación cuantitativa, examinamos las razones que explican los errores basándonos en fenómenos lingüísticos.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:caracteres, cálculo de similitud de palabras chinas, procesamiento del lenguaje natural, lengua china, palabras chinas, similitud distributiva, rango ajustado, medios automáticos, atención considerable, contenido de la palabra
• Keywords:characters, chinese word similarity computation, natural language processing, chinese language, chinese words, distributional similarity, adjusted rank, automatic means, considerable attention, content word