Published January 1, 2020
| Version v1
Publication
Open
Modality Enriched Neural Network for Metaphor Detection
Creators
- 1. King University
- 2. Peking University
- 3. Hong Kong Polytechnic University
- 4. Beijing Language and Culture University
Description
Metaphor as a cognitive mechanism in human's conceptual system manifests itself an effective way for language communication.Although being intuitively sensible for human, metaphor detection is still a challenging task due to the subtle ontological differences between metaphorical and non-metaphorical expressions.This work proposes a modality enriched deep learning model for tackling this unsolved issue.It provides a new perspective for understanding metaphor as a modality shift, as in 'sweet voice'.It also attempts to enhance metaphor detection by combining deep learning with effective linguistic insight.Extending the work at Wan et al. ( 2020), we concatenate word sensorimotor scores (Lynott et al., 2019) with word vectors as the input of attention-based Bi-LSTM using a benchmark dataset-the VUA corpus.The experimental results show great F1 improvement (above 0.5%) of the proposed model over other methods in record, demonstrating the usefulness of leveraging modality norms for metaphor detection.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تظهر الاستعارة كآلية معرفية في النظام المفاهيمي للإنسان طريقة فعالة للتواصل اللغوي. على الرغم من كونها معقولة بشكل حدسي بالنسبة للإنسان، إلا أن الكشف عن الاستعارة لا يزال مهمة صعبة بسبب الاختلافات الوجودية الدقيقة بين التعبيرات المجازية وغير المجازية. يقترح هذا العمل نموذجًا للتعلم العميق المخصب لمعالجة هذه المشكلة غير المحلولة. إنه يوفر منظورًا جديدًا لفهم الاستعارة كتحول في الطريقة، كما هو الحال في "الصوت الحلو". كما أنه يحاول تعزيز الكشف عن الاستعارة من خلال الجمع بين التعلم العميق والبصيرة اللغوية الفعالة. توسيع نطاق العمل في Wan et al. ( 2020)، نحن نسلسل درجات الكلمة الحسية الحركية (Lynott et al.، 2019) مع ناقلات الكلمات كمدخلات Bi - LTM المستندة إلى الانتباه باستخدام مجموعة بيانات مرجعية - مجموعة بيانات VUA. تظهر النتائج التجريبية تحسنًا كبيرًا F1 (أعلى من 0.5 ٪) في طرق التسجيل الأخرى، مما يدل على الاستفادة من معايير الكشف عن الاستعارة.Translated Description (French)
La métaphore en tant que mécanisme cognitif dans le système conceptuel humain se manifeste comme un moyen efficace de communication linguistique. Bien qu'elle soit intuitivement sensible pour l'homme, la détection de métaphore est toujours une tâche difficile en raison des différences ontologiques subtiles entre les expressions métaphoriques et non métaphoriques. Ce travail propose un modèle d'apprentissage profond enrichi de modalité pour résoudre ce problème non résolu. Il fournit une nouvelle perspective pour comprendre la métaphore en tant que changement de modalité, comme dans « voix douce ». Il tente également d'améliorer la détection de métaphore en combinant l'apprentissage profond avec une perspicacité linguistique efficace. En prolongeant les travaux de Wan et al. ( 2020), nous concaténons les scores sensorimoteurs de mots (Lynott et al., 2019) avec des vecteurs de mots comme entrée de Bi-LSTM basé sur l'attention en utilisant un ensemble de données de référence - le corpus VUA. Les résultats expérimentaux montrent une grande amélioration F1 (supérieure à 0,5%) du modèle proposé par rapport aux autres méthodes enregistrées, démontrant l'utilité de tirer parti des normes de modalité pour la détection de métaphore.Translated Description (Spanish)
La metáfora como mecanismo cognitivo en el sistema conceptual del ser humano se manifiesta como una forma efectiva de comunicación lingüística. Aunque es intuitivamente sensible para el ser humano, la detección de metáforas sigue siendo una tarea desafiante debido a las sutiles diferencias ontológicas entre las expresiones metafóricas y no metafóricas. Este trabajo propone un modelo de aprendizaje profundo enriquecido por la modalidad para abordar este problema no resuelto. Proporciona una nueva perspectiva para comprender la metáfora como un cambio de modalidad, como en la "voz dulce". También intenta mejorar la detección de metáforas combinando el aprendizaje profundo con una visión lingüística efectiva. Extendiendo el trabajo en Wan et al. ( 2020), concatenamos las puntuaciones sensoriomotoras de palabras (Lynott et al., 2019) con vectores de palabras como entrada de Bi-LSTM basado en la atención utilizando un conjunto de datos de referencia: el corpus VUA. Los resultados experimentales muestran una gran mejora F1 (superior al 0,5%) del modelo propuesto sobre otros métodos en el registro, demostrando la utilidad de aprovechar las normas de la modalidad para la detección de metáforas.Files
2020.coling-main.270.pdf.pdf
Files
(226 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:5360980bad11bf9723da89687501effc
|
226 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- طريقة الشبكة العصبية المخصبة للكشف عن الاستعارة
- Translated title (French)
- Réseau neuronal enrichi en modalité pour la détection de métaphores
- Translated title (Spanish)
- Modalidad Red neuronal enriquecida para la detección de metáforas
Identifiers
- Other
- https://openalex.org/W3117728958
- DOI
- 10.18653/v1/2020.coling-main.270
References
- https://openalex.org/W1684588193
- https://openalex.org/W2052417512
- https://openalex.org/W2068297029
- https://openalex.org/W2126530744
- https://openalex.org/W2250539671
- https://openalex.org/W2250792680
- https://openalex.org/W2250915238
- https://openalex.org/W2251171769
- https://openalex.org/W2470413457
- https://openalex.org/W2517666421
- https://openalex.org/W2602864877
- https://openalex.org/W2759000768
- https://openalex.org/W2803972085
- https://openalex.org/W2806273110
- https://openalex.org/W2806685047
- https://openalex.org/W2963272610
- https://openalex.org/W2963341956
- https://openalex.org/W2971350424
- https://openalex.org/W2982116886
- https://openalex.org/W3003972417
- https://openalex.org/W3045501589
- https://openalex.org/W3045508562
- https://openalex.org/W3045533700
- https://openalex.org/W3045699325
- https://openalex.org/W3045709150
- https://openalex.org/W3045934950
- https://openalex.org/W3046034404
- https://openalex.org/W3046059204
- https://openalex.org/W3046079573
- https://openalex.org/W3046089061
- https://openalex.org/W3046179508
- https://openalex.org/W3046209160