Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
L’identification des relations lexico-sémantiques est d’une importance cruciale pourdes tâches telles que l’expansion des requêtes ou la réponse aux questions dans la recherched’information. À cette fin, il existe différentes méthodologies qui se concentrent surune seule relation lexicale, identifient plusieurs relations sémantiques ou apprennentsimultanément des relations lexico-sémantiques liées cognitivement. Nous proposonsdes architectures multi-tâches partagées et privées qui combinent des représentationsd’entrée continues distributionnelles et basées sur des patrons lexicaux. Puis, nous étu-dions comment l’ingénierie des caractéristiques et les architectures multi-tâches peuventêtre améliorées et donc combinées pour identifier les relations lexico-sémantiques. En-fin, nous définissons des architectures multi-tâches de type one-vs-rest qui combinentdes ensembles de classifieurs appris dans une configuration multi-tâche en utilisant desréseaux de neurones pour résoudre des problèmes multi-classes. ; The identification of lexical-semantic relations is of crucial importance for taskssuch as query expansion or question answering in information retrieval. To this end,there are different methodologies that focus on a single lexical relation, identify mul-tiple semantic relations, or simultaneously learn cognitively related lexical-semanticrelations. We propose shared and private multi-task architectures that combine distribu-tional and lexical pattern-based input representations. Then, we study how feature en-gineering and multi-task architectures can be improved and thus combined to identifylexical-semantic relations. Finally, we define multi-task architectures of type one-vs-rest that combine sets of learned classifiers in a multi-task configuration using neuralnetworks to solve multi-class problems.