匹配网络

受量子启发的匹配网络与语言学理论相结合，用于隐喻检测

摘要 让机器具备识别和理解隐喻的能力是实现人工智能的关键一步。在语言理论中，隐喻可以通过隐喻识别程序（MIP）或选择偏好违背（SPV）来识别，这两者通常被视为自然语言处理领域的匹配任务。然而，由于词语的语义不确定性和字面意义的模糊性，MIP 的实现面临挑战。同时，SPV 往往难以识别传统的隐喻。受到用于建模语义不确定性和细粒度特征匹配的量子语言模型（QLM）的启发，我们提出了一种用于隐喻检测的量子启发匹配网络。具体而言，我们使用密度矩阵来显式地表征 MIP 的目标词的字面意义，以建模词语字面意义的不确定性和模糊性。这使得 SPV 即使面对传统的隐喻也能有效工作。然后通过细粒度特征匹配实现 MIP 和 SPV。实验结果最终证明了我们的方法具有强大的竞争力。