Efeito do Modelo de Desambiguação de Sentido Supervisionada Usando Técnica de Aprendizado de Máquina e Embedding de Palavras na Desambiguação de Sentido de Palavras

O processamento de linguagem natural inclui um subcampo chamado desambiguação de sentido de palavras, que se concentra principalmente em palavras que podem ter vários significados. Termos polissêmicos também são referidos como expressões confusas em alguns círculos. O desempenho da desambiguação de sentido de palavras depende de quão efetivamente a palavra ambígua é reconhecida pela máquina. O modelo de embedding de palavras discutido para as palavras ambíguas representa as palavras do espaço do documento para o espaço vetorial sem perda de dados. O maior desafio identificado na representação de palavras ambíguas é as características. A seleção e representação de palavras ambíguas em relação às características é a tarefa tediosa do embedding de palavras. O modelo de embedding de palavras discutido usa características contáveis do contexto disponível para desambiguação. O modelo proposto é implementado para palavras ambíguas com informações de contexto. O contexto disponível de palavras ambíguas/polissêmicas é utilizado para desambiguação. A indisponibilidade do contexto é o desafio nesse modelo. A Rede Neural Recorrente com Memória de Curto e Longo Prazo é usada para a classificação. A saída da RNN-LSTM são os valores de sentido que são mapeados com o recurso lexical livremente disponível WordNet para recuperar o sentido correto (significado).