BabelNet

BabelNet是一个多语词汇语义网络和本体，由罗马萨皮恩扎大学（罗马大学）计算机科学系的计算语言学实验室所创建。BabelNet是自动构建的，其将最大的多语Web百科全书维基百科链接到最常用的英语计算词典WordNet。这种链接整合，以自动映射的方式完成；对于资源匮乏的语言所存在的词汇空缺，借助于统计机器翻译来补充。其结果是一个“百科词典”，提供了多种语言的概念和命名实体，并包含了它们之间的丰富的语义关系。通过与免费授权使用的OmegaWiki、英语维基词典、维基数据、FrameNet、VerbNet等语义资源建立链接，BabelNet还补充了其它一些词汇和定义。和WordNet类似，BabelNet将不同语言中的词语以同义词集的形式进行组织，称之为Babel synset。

BabelNet的数据统计截至2016年8月，BabelNet（v3.7）已覆盖了271种语言，包栝全部的欧洲语言、大多数亚洲语言及拉丁语。BabelNet 3.7包含了大约1400万个同义词集和7.46亿个词义（不论其语言）。在每种语言中，每个Babel synset（词义）平均包含2个同义词。BabelNet的语义网络包含了丰富的词汇语义关系。这些语义关系有两个来源：一是，来自于WordNet的语义关系，如上下位关系、部分整体关系、反义、同义关系等，总共大约36.4万条关系；二是，来自于维基百科的非特定的相关关系，总共大约3.8亿条关系。BabelNet 3.7将大约1100万张图片与Babel synset建立了关联，并为这些资源提供了LemonRDF编码，可通过SPARQLendpoint获取。BabelNet 3.7为267万个同义词集指定了领域标签。1

应用BabelNet可广泛应用在多语自然语言处理中。BabelNet中的词汇化知识可在以下任务中取得最佳效果：2

语义相关性；

多语词义消歧；

基于Babelfy系统的多语词义消岐及实体链接；

有目的的视频游戏。

奖励荣誉BabelNet是一个多语词汇语义网络和本体，因其在克服语言障碍和利用异构数据源方面做了巨大的开创性工作，BabelNet于2015年被授予META奖。

BabelNet是最新的词汇知识资源库，具有巨大创新性，《时代周刊》曾专题报道BabelNet的研究工作，认为BabelNet将在21世纪发挥引领作用。

自然语言处理自然语言处理（英语：natural language processing，缩写作NLP）是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言；自然语言认知则是指让电脑“懂”人类的语言。

自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。3

自然语言处理的主要范畴文本朗读（Text to speech）/语音合成（Speech synthesis）

语音识别（Speech recognition）

中文自动分词（Chinese word segmentation）

词性标注（Part-of-speech tagging）

句法分析（Parsing）

自然语言生成（Natural language generation）

文本分类（Text categorization）

信息检索（Information retrieval）

信息抽取（Information extraction）

文字校对（Text-proofing）

问答系统（Question answering）：

给一句人类语言的问句，决定其答案。

机器翻译（Machine translation）

将某种人类语言自动翻译至另一种语言

自动摘要（Automatic summarization）：

产生一段文字的大意，通常用于提供已知领域的文章摘要，例如产生报纸上某篇文章之摘要

文字蕴涵（Textual entailment）

自然语言处理研究的难点单词的边界界定

在口语中，词与词之间通常是连贯的，而界定字词边界通常使用的办法是取用能让给定的上下文最为通顺且在文法上无误的一种最佳组合。在书写上，汉语也没有词与词之间的边界。

词义的消歧

许多字词不单只有一个意思，因而我们必须选出使句意最为通顺的解释。

句法的模糊性

自然语言的文法通常是模棱两可的，针对一个句子通常可能会剖析（Parse）出多棵剖析树（Parse Tree），而我们必须要仰赖语意及前后文的资讯才能在其中选择一棵最为适合的剖析树。

有瑕疵的或不规范的输入

例如语音处理时遇到外国口音或地方口音，或者在文本的处理中处理拼写，语法或者光学字元识别（OCR）的错误。

语言行为与计划

句子常常并不只是字面上的意思；例如，“你能把盐递过来吗”，一个好的回答应当是动手把盐递过去；在大多数上下文环境中，“能”将是糟糕的回答，虽说回答“不”或者“太远了我拿不到”也是可以接受的。再者，如果一门课程去年没开设，对于提问“这门课程去年有多少学生没通过？”回答“去年没开这门课”要比回答“没人没通过”好。

参见Babelfy

EuroWordNet

知识获取

语言学链接开放数据

OmegaWiki

语义网络

语义相关性

维基数据

维基词典

词义消歧

词义归纳

UBY

本词条内容贡献者为:

李嘉骞 - 博士 - 同济大学