增加弱语义认知地图的“抽象性”维度

文摘

情绪的新兴共识维度模型,评估,情感,和值在主尺度的语义,通常解释为价,唤起和主导地位。弱语义地图的概念被引入最近表示在抽象空间的分布,并非源自人类的判断,心理测验学,或任何其他的先验信息的语义。相反,他们定义了完全由二元语义表征之间的关系,同义、反义现象等。一个有趣的问题担忧的能力antonymy-based语义映射到捕获所有“普世”语义维度。目前的研究表明,那些狭窄的弱语义地图不完整在这个意义上,可以增强与其他语义关系。具体地说,包括hyponym-hypernym关系产生了一个新地图标记的语义维度“抽象性”(或本体论普遍性)不简化为任何尺寸由反义词配对或传统的情感空间维度。预计包括其他语义关系(例如,部份-整体关系/ holonymy)也会导致增加新的语义维度的地图。这些发现对自动化产生广泛影响的定量评价文本的意义,揭示人类主观经验的本质。

1。介绍

代表的概念语义几何是越来越受欢迎。许多主流方法使用向量空间模型,概念,话说,文档等等与向量在一个抽象的多维向量空间。其他方法使用集合管的更复杂的拓扑结构和几何。在这两种情况下,合成空间或歧管磕磕碰碰:\终结\ VLSI \ 861691 \ 861691 r称为分配表示语义空间或者一个语义(认知)地图。例子包括空间构造与潜在语义分析(LSA) [1)和潜在狄利克雷分配(LDA) (2),以及许多相关技术,例如,ConceptNet [3,4]。其他技术的例子包括多维定标(MDS) [5),包括Isomap [6),和相关manifold-learning技术(7),Gardenfors概念空间(8),非常受欢迎的在过去的自组织特征映射模型,等等。

大多数的这些方法都是基于不同指标的概念,即捕捉语义表征之间的不同(词、文档、概念等)与几何空间相关联的元素之间的距离(点或向量)。换句话说,指标决定的分配空间表征是一个函数的语义不同。在这种情况下,两个表示近点的空间分配必须有相似的语义,反之亦然:两个交涉相似的语义必须接近彼此空间。相反,表示与对方无关的必须由明显的距离。

我们介绍了“弱语义认知地图”一词来表示另一种方法,利用,不是基于不同(9- - - - - -11]。这个想法并不是互相独立的所有不同的含义(比如在MDS),也不是基于分配他们各自的语义特征先验(LSA),而是安排他们在太空中基于共同的语义关系。弱语义认知地图的概念最初是在狭义上介绍,这些关系仅限于同义、反义现象只(9- - - - - -11]。在更一般的意义上,如下面所讨论的,弱语义认知地图可能捕捉其他二元语义关系,包括hypernymy-hyponymy holonymy-meronymy troponymy、因果关系和依赖。

虽然不同的理解为基础的反义现象普遍存在,很多例子中使用的词典反义词对我们的分析表明,不同和反义现象是不同的概念。最不相关的单词可以认为是不同的(例如,“苹果”和“不平等”),但不构成反义词对。相比之下,反义词对包括单词相关的,在某种意义上类似于彼此的意义和用法,例如,国王和王后,主要和次要的,上升和下降。似乎大多数反义词对(至少在我们使用的词典)符合“相反”的概念,而不是“不同”。

更一般的,弱语义映射的方法本质上是不同于大多数vector-space-based方法包括LSA, LDA, MDS, ConceptNet [1- - - - - -4),主要是因为没有先验的语义特征来表征归因的建设性定义映射。只有关系,但不是语义特征,给出了作为输入。因此,语义维度的映射,自然没有预定义的出现,从一个随机生成的初始分布的单词在一个抽象的空间没有先验给定语义和策略把同义词,反义词分开后(10,11)(见部分2:方法)。LSA相比,使用主成分分析来揭示主要新兴语义维度只在最后一个阶段。antonymy-based弱语义认知地图的优势相比,基于不同指标的“强有力”的地图,其尺寸明显可识别语义(自然由相应的对反义词)特定领域。例如,“好与坏”的概念对应于第一主成分适用于所有人类知识的领域。

紧急的有趣的是,语义维度antonym-based弱语义认知地图是密切相关的另一个广泛的类别维度模型的影响(12],试图捕捉人类情感、感觉、影响、评价,情绪和态度。例子的范围从最初的经典模型如奥斯古德的语义微分(13],罗素的circumplex [14],Plutchik的轮15)许多最近的导数集成框架,如垫(快乐、兴奋和优势)16),重新(情感规范英语单词)17),EPA(评价、力量和冲动)18),以及最近的3 d模型链接情绪主要神经递质(19]。这些维度模型通常来源于人类的实验涉及心理测验学或反省判断评估李克特量表(20.]。虽然这些模型提供最常见的基地的意见挖掘或情绪分析21],弱语义地图更完整,(我),它将值赋给所有单词,不仅在情感上有意义的单词,(ii)措施与所有反义词对相关语义,不仅在情感上有意义的反义词配对,因此适用于所有领域的知识,和(3)维度是正交的,相互独立的。这些功能的组合使弱语义地图为众多应用极具价值。

令人惊奇的是,著名的维度的语义微分,垫、环保局、和相关的模型可以在上述的主要主成分(PC)引用弱语义地图,PC1与价,PC2觉醒,生物优势(11]。(这信件是近似的,因为主成分零相互关联,而变量,例如,重新强烈相关。)例如,“爱”和“快乐”最高的值价重新在情感数据库也最高的价值观PC1疲弱的语义认知地图。“愤怒”和“兴奋”的价值观重新唤起情感数据库以及顶级PC2值弱语义认知地图。这信件是一致的弱语义地图构建基于不同语料库在几个主要的语言11]。观察是意想不到的,因为弱语义地图不是来自任何词的语义特征给定一个先天的,和没有明确相关的情感和感觉的建设。事实上,任何一对反义词定义了一个映射维度,包括反义词对不相关的影响,例如,“abstract-specific。也奇怪,弱语义地图是低维:个人电脑的数量占95%的多维分布的方差一般从4到6,根据语料库[11]。

如何完成弱语义映射狭义只有反义词对吗?肯定至少有一些语义差异不能被反义关系,因为不是所有的概念都有反义词(例如,921714083)。这里我们解决另一个问题:是否可以被所有通用语义维度反义关系。例如,它可能是显而易见的,因果关系不能被反义现象。然而,问题是重要的,因为有很多的例子有因果联系反义词(如attack-defend,起止,发收,甚至因果)。因此,两个逻辑可能性。(1)Antonym-based语义地图单独表示在所有领域的所有有意义的语义维度的知识。因此,如果有一个语义特征等所有领域的知识有意义可以概括为拥有更多的一些概念比其他人,然后有一个狭窄的弱语义地图上的方向沿着这些概念是基于他们的价值分开。(2)另一种选择:至少有一个通用的语义特征定义为所有域所忽略的antonym-based弱语义地图。换句话说,方差测量不占所有概念地图坐标的概念,反之亦然,没有显著的一部分地图可以被解释的方差。

在这里,我们主张,量化的概念“抽象性”(或本体论普遍性)的一个例子。我们的技术的定义“抽象性”是基于hyponym-hypernym词语之间的关系。

之前的结果计算研究中,我们简要讨论假设在一个直观的水平。而“abstract-specific”是一对反义词,而狭窄的弱语义地图上对应于一个方向,两个反义词“文摘”和“具体”自己有大约相同的“抽象性”(测量值)。直观地说,这对于大多数的反义词对观测必须持有,因为通常不构成反义词对hypernym-hyponym夫妇。因此,不太可能有一个超平面地图上的更具体和更抽象的分开的话。因此,我们不要期望找到一个维度基于同义词和反义词的地图,可以单独的单词“抽象性”(见图1)。相比之下,有一个超平面(PC1 = 0),把“好”和“坏”字和一个超平面(PC2 = 0),将“平静”和“令人兴奋”的单词。也就是说,“良言”往往是“好”,但是这个词的同义词“抽象词汇”不是“抽象”这个词的同义词或彼此。

2。方法

2.1。弱语义认知地图

语义认知地图的总体想法是分配表示(例如,字)在抽象空间中基于语义。这种模式是常见的大量技术的概况介绍。虽然大多数研究语义认知地图是基于不同指标的概念和/或一组语义特征给定一个先天,弱语义映射忽略不同以及任何单独预定义的语义。

antonymy-based弱语义映射的算法是在我们以前的工作描述(11]。的语义空间是由最小化整个分布的“能量”在地图上的单词,从一个随机分布。然后,紧急语义地图的尺寸是由整个分布在地图上表示,通常是最好的特点是分离的一对反义词沿着给定的尺寸最大的距离。主要的语义维度定义的主成分紧急的话在地图上的分布。与前三个电脑相关联的语义特征为“好”与“坏”(PC1),“平静、简单”与“令人兴奋,”(PC2),和“自由、开放”与“主导的、封闭”(生物)11]。当有限的影响,这些语义大约对应三维板:快乐、兴奋,和主导地位。

更准确地说,狭窄的弱语义认知地图是一个单词一个抽象的向量空间分布(没有语义preassociated元素或尺寸),以下最小化能量函数(11]:

在这里是一个向量表示(th词)。的条目的对称关系矩阵等于+ 1为成对的同义词,1对反义词,否则和零。D设置为任意整数(例如,100)显著大于产生的重要的主成分的数量分布,通常4 - 6的范围和确定地图的维度。在这种情况下的选择不会改变结果。能量函数(1)遵循精简原则:这是最简单的解析表达式创建同义词和反义词之间的力量平衡所需的迹象,保留语义关系的对称性,并增加在无穷无限,保持合成分布坐标原点附近的局部。

所有单词的过程,初始坐标是由随机数字生成器取样。然后能量(1)最小化过程开始一起向量,将同义词和反义词向量。主成分分析是用来揭示的主要新兴语义维度优化地图(10,11]。因此,最初的空间坐标不与任何语义推理的:相反,词在一个抽象的多维随机分配空间。相比之下,传统技术基于LSA的起点1,22)是一个特征空间,先天的维度有明确的语义。

代表弱语义映射如图1包括单词和构建了基于字典的英语同义词和反义词的Microsoft Word(微软的Word) [11]。类似的地图也使用WordNet建立在相同的工作11),也在这项研究中,使用地图构建在一起11为其他语言。图1代表了前两个电脑的字在地图上的分布构造女士使用英语词同义词典。地图的轴是由个人电脑。选中文字显示在地图上黑色的地图位置描述的语义映射。两个hypernym-hyponym双,“object-screw”(粉色所示)和“action-withdrawal”(蓝色),说明地图无法捕捉“抽象性”维度,在下一节定量相关性分析确认。这里应该指出,“对象”的负价可以归因于动词“对象”的含义与名词“对象”合并在这个基于字符串的语义映射。

2.2。测量的“抽象性”字

这里我们指的是“抽象性”概念作为其本体论的通用性。WordNet数据库包含信息安排英语单词,让我们根据他们的“抽象性”一条线(或本体论普遍性)。这些信息包含在hyponym-hypernym词语之间的关系。目标是单独hypernym-hyponym对一维暂时标记“抽象性”,所以,每个下义词“抽象性”价值较低相比,其上位词。给定一个一致的层次结构,解决方案是,例如,解释一个词的顺序的层次结构作为衡量“抽象性。“不幸的是,hyponym-hypernym制度之间的关系词可用在WordNet内部不一致:它有众多的循环和冲突的链接。因此,我们使用一个优化方法类似于antonymy-based弱语义映射的基础上(1)。底层的想法是给每个单词它的“抽象性”坐标这样整个词“抽象性”坐标的差异之间的相关性和互惠hypernym-hyponym关系的两个词是最大化。不幸的是,一个能量函数类似H(1)不能使用,因为hypernym-hyponym关系的对称性不同对称性的反义词和同义词关系。然而,我们在以前的工作23]的目标可以通过使用下面的词“抽象性”价值观的定义: 在哪里单词的数量,正则化参数,如果这个词= 1上位词的单词j,否则为0。第一笔是所有命令hyponym-hypernym对接管。

公开的WordNet 3.0数据库(http://wordnet.princeton.edu/)被用于这项研究。的hypernym-hyponym之间的关系英语单词都从数据库中提取一个连通图定义矩阵W,这是用来计算能量函数(2)。与标准MATLAB函数进行优化,如[23]。

3所示。结果

3.1。测量的相关性增强地图维度

一维语义地图“抽象性”节中描述计算2。124408 WordNet字合成分布的一维图所示2。的两端排序单词列表给出“抽象性”表1。

这张地图然后加上几个以前的antonymy-based弱语义地图构造(11]。“抽象性”地图与任何给定的狭窄合并弱语义地图如下。首先,一组词,仅限于那些常见的地图。然后,增强地图被定义为直接的和两个向量空间;也就是新增了一个新词“抽象性”维度坐标。

结果增强地图被用来计算“抽象性”和其他地图维度之间的相关性。主要的问题是,如果是新的“抽象性”维度相关的主成分antonymy-based弱语义地图吗?图3说明了词“抽象性”值的散点图来源于WordNet的尺寸缩小弱语义地图来自WordNet数据(图3(一个)从微软的Word(图)3 (b))。皮尔森相关系数和相应的方差给出了在表2为每一个电脑。

类似的结果增强弱语义地图在其他语言(构造基于词同义词典如[女士11法国(图):4(一))和德国(图4 (b))。自动使用谷歌翻译合并地图在不同的语言。

在所有情况下“抽象性”只是与价呈正相关(在所有全集),而没有一个相关系数与其他两个维度(觉醒和自由)在语料统计上显著的在一个一致的方式。即使在价的情况下,相关系数是小(表2)。这一发现进一步解决4。

总的来说,结果(数据3和4)表明,新的“抽象性”维度几乎是正交于狭义弱语义地图维度。实际上,在大多数情况下,相关性不显著。少数的情况下,相关性显著,相关系数足够小是边际。具体地说,小无视信息丢失的分数分布的方差的单词在弱语义地图占据“抽象性”或”这个词,亦然,方差的分数“抽象性”这个词由弱语义地图维度(表解释2)。

总之,前面的弱语义地图维度不占很大分数差异“抽象性”,字“抽象性”值不占很大分数分布的方差在antonymy-based弱语义地图。

3.2。与增强语义映射文件映射的例子

传统上,只有价维度情感分析中使用。与此同时,其他维度包括“抽象性”常常表示是有用的(例如,24])。我们之前应用弱语义地图分析Medline摘要(25]。现在作为一个扩展的研究中,我们应用增强语义地图来分析各种文档。

使用微软的Word英语狭窄弱语义地图合并WordNet-based“抽象性”地图,这部分的研究问以下主要研究问题:如何新维度而熟悉的维度信息在文档级别?具体来说,不同类型的文档如何增强地图上相互分离而狭窄的弱语义地图吗?怎么能是新的“抽象性”维度相比antonymy-based维度的文档分离?意识到更高级的情感分析方法(21,26),这里我们采用最简单的“袋子”方法(计算的“质心”文档中的词,不是与LSA混淆)。这个吝啬的选择是合理的,因为在这一点上我们有兴趣评估新维度的价值相比,熟悉的狭窄的弱语义地图的维度,而不是几乎达到显著的结果。

为每个文档,所有单词的平均增强地图坐标计算,加上每个维度的标准误差。结果在图表示5通过交叉椭圆,十字架的中心代表平均和椭圆代表标准误差的大小(即。标准差除以根号的数量确定词语)。每个小组代表的黑色大跨越所有单词在字典里的平均加权的整体使用频率,本研究不仅限于材料和派生的11]。颜色和数量的椭圆在图5对应于RGB值和项目数字下面的列表中给出的全集:(1)古登堡计划是一个教科书式的天文学、乔治·c·康斯托克(http://www.gutenberg.org/files/34834/34834 - 0. - txt),9626字,rgb = (0, 0, 6);(2)玛莎斯图尔特生活广播感恩节热线2011食谱(http://www.hunt4freebies.com/free-martha-stewart-thanksgiving-recipes-ebook-download),2091字,rgb = (0, 0, 9);(3)基地组织激励杂志发行9 (http://www.en.wikipedia.org/wiki/Inspire_(杂志)),2555字,rgb = (0、2、10);(4)一个自杀的博客(http://www.tumblr.com/tagged/suicide-blog),387字,rgb = (0、5、10);(5)152年莎士比亚十四行诗(27),4170字,rgb = (0 8 10);(6)银河系漫游指南,由道格拉斯·亚当斯(http://www.paulyhart.blogspot.com/2011/10/hitchhikers-guide-to-galaxy-text_28.html),4187字,rgb = (1、10、9);(7)10抽象的获奖NSF拨款提案(下载http://www.nsf.gov/awardsearch),585字,rgb = (4 10 6);(8)196年电影《钢铁侠》的评论,2008 (http://www.mrqe.com/movie_reviews/iron-man-m100052975/),3902字,rgb = (8、10、2);(9)170年电影的评论“超级英雄电影”,2008 (http://www.mrqe.com/movie_reviews/superhero-movie-m100071304/),2204字,rgb = (10 9 0);(10)160年电影的评论“毕业舞会”,2008 (http://www.mrqe.com/movie_reviews/prom-night-m100076394/),2114字,rgb = (10 6 0);(11)检索的/著名科学家(47轶事http://jcdverha.home。xs4all.nl / scijokes / 10. html),919字,rgb = (10 3 0);(12)成绩单的奥巴马的演讲在民主党全国委员会9月6日,2012 (foxnews.com/politics/2012/09/06/transcript-obama-speech-at-dnc),491字,rgb = (10 0 0);(13)“拓扑字符串和他们的物理应用,”Andrew Neitzke和Cumrun Vafa (http://www.arxiv.org/abs/hep-th/0410178v2),1909字,rgb = (7, 0, 0)。

所选文件大多是在三维分离,包括价(PC1),唤醒(PC2),和“抽象性”(图5)。同时,飞机上的椭圆更频繁地重叠freedom-richness (PC3-PC4)。视觉上,“抽象性”大约是高效价(PC1)单独的文档的能力,似乎是更有效的比其他维度;然而,总统在valence-arousal投影(图分离5 (c)价)看起来略优于——“抽象性”投影(图5(一个))。这个观察表明,无视“抽象性”可能不会明显影响结果的质量,而无视价将大幅削弱的质量文档分离(例如,在“抽象性”觉醒层面,奥巴马的演讲与自杀的博客大幅重叠,而价明显分开的两个文档)。

上述13个文件之间的差异这5维度与方差分析量化。具体来说,MANOVA值为0.027,这表明所有五个语义维度是相互独立的描述所选13全集。此外,为了比较不同语义维度信息如何彼此相对,两组特征(表计算3),即方差分析(i)值拒绝零假设,所有13全集有相同的意思是在每个选定的语义维度和(2)MANOVA拒绝零假设值的所有13全集属于一个低维超平面的空间内除了一个语义维度。

这些结果可以解释如下。越低值的方差分析,信息选择的语义维度。相反,越低值MANOVA,信息选择的语义维度越少,因为MANOVA计算在所有语义维度的空间,除了一个选择。因此,结果在表表示3表明“抽象性”(维0)几乎是一样的价(维度1),并且可以包含更多的信息比兴奋(维度2,只基于方差分析),自由(3维),丰富(维度4)。需要更多的数据来验证这个解释。

4所示。讨论

统计分析表明,“抽象性”是积极的(如果略)与价一直在全集,不与其他语义维度。一方面,的词语的分布差异可以归因于价之间的相互作用和“抽象性”不是实质性的(只有2%的方差或更少);因此,可以认为是正交二维实际用途。另一方面,这个极小的关联数据集的一致的意义和语言表明,可能存在一个普遍的因素。这个因素可能是单词的使用频率影响词的概率选择字典。说简单,抽象的积极词汇和更频繁地使用特定的消极词汇比抽象的消极词汇和特定的积极词汇。具体地说,我们之前的研究(11]表明,意味着价(规范化统一的标准偏差)的词加权的使用频率明显积极(0.50使用频率数据从数据库的澳大利亚报纸和0.59使用频率数据来自英国国家语料库)。使用在目前的研究结果,平均归一化之间的“抽象性”是0.99(由“澳大利亚”频率加权)和1.39(由“英国”频率加权)。一个等价的解释是,抽象的单词和积极的单词都是更频繁地具体词和消极的词。具体来说,频率的相关性很小,但明显积极的对价(0.064澳大利亚,0.061(英国)和“抽象性”(0.036澳大利亚,0.019(英国)。这个解释是一致的数据文件(图的水平5(一个)相关系数更高的),但是不显著(没有显示)。另一个相关的潜在来源是包含在字典的选择的话。然而,似乎违反直觉,总体情况应该受到边际夹杂物罕见的词。然而,这将是有趣的检查其他相关变化在组词中发现各种类型的文档。

弱语义映射的方法替代其他vector-space-based方法包括LSA, LDA, MDS, ConceptNet [1- - - - - -4),主要是因为(我)没有词的语义特征作为输入,(ii)的抽象空间地图没有先验与它相关联的语义维度。因此不足为奇紧急语义特征(维度)弱语义映射大大不同于紧急救生设备获得的语义维度和相关技术:后者通常是特定领域和难以解释22]。

从另一个角度来看,有趣的是,紧急语义维度弱语义地图是如此熟悉。情绪的所有普遍接受维度模型,评估、情感和价值观,态度、感情,等等聚集在语义的主要尺寸,通常解释为价,兴奋,和主导地位12- - - - - -14,16- - - - - -18]。Antonymy-based弱语义映射似乎符合这紧急的共识9- - - - - -11),尽管鲜明的不同方法(人工判断或心理测验学和自动的计算基于subject-independent数据)。语义维度的数量,或因素,用于文学从2到7,这大致对应数量的变化显著狭窄弱语义地图的主要组件(11]。为什么反义词“维模型”的影响,而不是其他人,让电脑好吗?这个有趣的问题仍然是开放的,应由未来的研究。

本研究明确了狭窄的弱语义地图无法捕获所有通用语义维度。这里我们提出了一个维度,“抽象性”,这不是被“反义现象——“定义弱语义地图。这是由于这一事实,一般来说,hypernym-hyponym双不是反义词配对,反之亦然。因此,hypernym-hyponym关系不能捕获与反义词定义的映射关系,和地图需要增强。“抽象性”的例子,我们发现可能不是独一无二的:我们预计holonym-meronym关系类似的结果,将会解决。我们之前的结果表明,弱语义映射关系反义词是必不可少的,虽然同义词关系不(28]。

因此,目前的研究表明,窄弱语义地图(以及相关的维度模型的情绪)并不完全在这个意义上,需要增强包括其他类型的语义关系的定义。问题是开放是否任何可能被视为完全或增强语义地图总是会有新的语义维度,可以添加到地图。我们推测,存在一个完整的有限维弱语义地图。此外,它的尺寸可以相对较小的数量。这是因为不同的语义关系的数量自然语言是有限的,是主类别的数量(29日),或主元语言的语义元素的数量被称为语义启动(31日,32]。这个概念的“完整性”,然而,可能只适用于有限的范围,例如,所有现有的自然语言。

我们发现hyponym-hypernym关系产生新的语义维度上的弱语义地图不简化为任何尺寸由反义词对传统垫或环保局维度。其初步标记为“抽象性”或本体论共性,然而,仍然是投机。在任何情况下,它不是我们的野心来定义的概念“抽象性”或建立一个精确的抽象性的真正概念之间的联系和我们的新“抽象性”维度,应该解决的一个主题。

研究发现对自动化产生广泛影响的定量评价文本的意义,包括语义搜索、舆论采矿、情绪分析,和情绪感应,比如在图5和表3。而多维意见挖掘方法是现在流行的,问题是找到好的多维排名的单词在字典里。传统的引导方法(例如,基于共存的话)延长积极性的排名从一个小的子集单词所有单词可能不工作,例如,对于“抽象性。“这里介绍的方法应该对这样的应用程序很有用。

最后,我们推测,这种方法可以揭示人类主观经验的本质(30.]揭示基本语义的感受性弱的电脑语义认知地图。此外,我们建议我们的发现的其他连接,例如,语义启动(31日,32]。

确认

作者感谢托马斯·希恩先生帮助提取数据从WordNet的关系。乔治•a .阿斯科利的时间得到了情报高级研究项目活动(IARPA)通过内政部(DOI)合同编号。D10PC20021。美国政府授权复制和分发再版出于政府目的尽管任何版权注释。本文所包含的观点和结论是作者和不应被解释为一定代表官方政策或支持,表示或暗示,IARPA, DOI或美国政府。

引用

1. t·k·蓝和s t·杜”,柏拉图的问题的解决方案:收购的潜在语义分析理论,归纳,知识的表示,“心理评估,卷104,不。2、211 - 240年,1997页。视图:谷歌学术搜索
2. t·l·格里菲斯和m . Steyvers”找到科学话题,”美国国家科学院院刊》上的美利坚合众国,卷101,不。1,第5235 - 5228页,2004。视图:出版商的网站|谷歌学术搜索
3. c . Havasi r·斯皮尔,j .阿隆索“ConceptNet 3:一种灵活的、多语言语义网络常识知识,”《国际会议在自然语言处理的最新进展(RANLP ' 07)、Borovets、保加利亚、2007。视图:谷歌学术搜索
4. e·威尔士、t . Mazzocco和a·侯赛因”多维定标和人工神经网络的应用生物意见挖掘的启发,“生物启发的认知体系结构4卷,41-53,2013页。视图:出版商的网站|谷歌学术搜索
5. r·f·考克斯和m·a·考克斯多维标度1994年,查普曼&大厅。
6. j·b·特南鲍姆诉de Silva, j·c·朗格弗德”全球几何非线性降维,框架”科学,卷290,不。5500年,第2323 - 2319页,2000年。视图:出版商的网站|谷歌学术搜索
7. l . k .扫罗k·温伯格,j . h .火腿,f .沙和d·d·李,“光谱降维的方法,”Semisupervised学习o .薛潘,b . Schoelkopf, a .虽然Eds。,pp. 293–308, MIT Press, Cambridge, Mass, USA, 2006.视图:谷歌学术搜索
8. p . Gardenfors概念空间:几何的思想美国剑桥,麻省理工学院出版社,质量,2004年。
9. a . v . Samsonovich r·f·戈尔丁和g . a .阿斯科利,“对语义的一切,”复杂性,15卷,不。4、12 - 18,2010页。视图:出版商的网站|谷歌学术搜索
10. a . v . Samsonovich g . a .阿斯科利,“认知地图维度的人类价值体系从自然语言,”人工总体智能的进步:概念、体系结构和算法。《美国国际集团2006年研讨会b . Goertzel写到,p . Wang Eds。卷,157人工智能前沿和应用程序IOS出版社,页111 - 124年,阿姆斯特丹,荷兰,2007年。视图:谷歌学术搜索
11. a . v . Samsonovich g . a .阿斯科利,“主体语言的语义成分和测量的意思,“《公共科学图书馆•综合》,5卷,不。6篇文章ID e10921 2010。视图:出版商的网站|谷歌学术搜索
12. e . Hudlicka”指导方针,设计计算模型的情绪,“国际期刊的合成的情感,没有。1、26 - 79年,2011页。视图:谷歌学术搜索
13. c·e·奥斯古德·g·苏悉,p .坦南鲍姆,双重测量的意义,伊利诺伊大学出版社,乌尔班纳,生病,美国,1957年。
14. j·A·罗素“circumplex模型的影响,”人格与社会心理学杂志》上,39卷,不。6,1161 - 1178年,1980页。视图:出版商的网站|谷歌学术搜索
15. r . Plutchik”psychoevolutionary情绪理论”,社会科学信息,21卷,不。4 - 5,529 - 553年,1982页。视图:谷歌学术搜索
16. a . Mehrabian非语言沟通,2007年。
17. p . j .朗·m·m·布拉德利和b·n·卡斯伯特“情绪和动机:测量情感感知,”临床神经生理学杂志,15卷,不。5,397 - 408年,1998页。视图:谷歌学术搜索
18. 5 w·h·c·e·奥斯古德,m . s . miron2005跨文化共性的情感意义,伊利诺伊大学出版社,乌尔班纳,生病,美国,1975年。
19. h . Lovheim”情感和单胺神经递质,新三维模型”医学假说,卷78,不。2、341 - 348年,2012页。视图:谷歌学术搜索
20. r .李克特”态度的测量技术,心理档案,22卷,不。140年,1-55,1932页。视图:谷歌学术搜索
21. 庞b和l . Lee,”意见挖掘和情感分析”,在信息检索基础和趋势,卷2,不。1 - 2、1 - 135、2008页。视图:出版商的网站|谷歌学术搜索
22. t . k .蓝道·d·s·麦克纳马拉,丹尼斯,和w·Kintsch Eds。2007手册的潜在语义分析美国新泽西,劳伦斯Erlbaum Associates Mahwah。
23. A . v . Samsonovich”指标范围内“抽象性”意义,”这个词智能技术Web个性化和推荐系统:AAAI WS-12-09技术报告d . Jannach s . s . Anand, b . Mobasher和a . Kobsa Eds。页- 52,AAAI出版社,门洛帕克,加利福尼亚州,美国,2012年。视图:谷歌学术搜索
24. d·麦克纳马拉y Ozuru, a .油腻和m . Louwerse“验证coh-metrix”学报》第28届年会的认知科学的社会一切,r .太阳和n, Eds。,Erlbaum, Mahwah, NJ, USA, 2006.视图:谷歌学术搜索
25. a . v . Samsonovich g . a .阿斯科利,“计算语义偏好与自然语言的语义认知地图:应用程序从文本情绪感应,”多学科进展研讨会优先处理,论文从2008年AAAI车间,AAAI WS-08-09技术报告,j . Chomicki诉Conitzer,破车,和p . Perny, Eds。,pp. 91–96, AAAI Press, Menlo Park, Calif, USA, July 2008.视图:谷歌学术搜索
26. r·莫拉j . f . Valiati和w·p·g .否决权”文档级情绪分类:实证比较SVM和安,”专家系统与应用程序,40卷,不。2、621 - 633年,2013页。视图:谷歌学术搜索
27. w·莎士比亚,情人的投诉,电子文本中心,弗吉尼亚大学,1609/2006。
28. a . v . Samsonovich和c·p·谢里尔,”比较研究的自组织来自自然语言的语义认知地图,”第29届年度认知科学学会学报》上d . s .麦克纳马拉和j·g . Trafton Eds。,p. 1848, Cognitive Science Society, Austin, Tex, USA, 2007.视图:谷歌学术搜索
29. 康德,纯粹理性批判,51 / B 75卷,诺曼·坎普史密斯,圣马丁,纽约,美国1781/1965。
30. g . a .阿斯科利和a . v . Samsonovich“科学”的意识,生物公告,卷215,不。3、204 - 215年,2008页。视图:谷歌学术搜索
31. a . Wierzbicka语义:质数和共性,牛津大学出版社,1996年。
32. c·戈达德和a . Wierzbicka”语义和认知。”威利跨学科评论:认知科学,卷2,不。2、125 - 135年,2011页。视图:出版商的网站|谷歌学术搜索

版权

版权©2013阿列克谢诉Samsonovich和乔治•a .阿斯科利。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。