王 伟，赵尔平，崔志远，孙 浩

（西藏民族大学信息工程学院，陕西咸阳 712082）

0 引言

近年来，随着自然语言处理（Natural Language Processing，NLP）与人工智能（Artificial Intelligence，AI）的迅速发展与广泛应用，命名实体消歧作为自然语言处理的关键环节，在信息检索、知识库及知识图谱构建等方面发挥着越来越重要的作用。命名实体消歧旨在解决实体指称间的歧义性与多样性，例如“冬虫夏草”的别名分别有“夏草冬虫”“虫草”和“冬虫草”，把这种表达相同实体而有多个指称的词语称之为指称多样性。而“螃蟹甲”一词，它一方面指代藏药的名称，另一方面又指代武汉的一个地名。像“螃蟹甲”这类词称之为多义词，本文旨在研究多义词的歧义消除问题。

至今，命名实体消歧主要采用联合知识、机器学习和深度学习等方法实现，其中大部分方法都是考虑全局信息，却很少考虑局部信息。王瑞等［1］针对消歧任务，充分利用上下文以及词向量特征信息以达到提高准确率的目的。马晓军等［2］将消歧方法融入了局部信息来解决多义词不能被区分的问题，但是词向量的质量和稳定性没有兼顾。杨陟卓［3］提出基于翻译的有监督词义消歧方法，该种方法虽然能大幅度提高准确率，但是需要大量的人工标注语料且伪训练语料需要随着消歧任务的不同而改变。王苗等［4］提出的消歧方法，通过改进的无监督学习并结合图数据结构以达到消歧的目的并取得较高准确率。陈洋等［5］则针对词向量表示的质量问题，使用义原表示词向量，很好地解决了词向量表示不稳定的问题，但是却没有注意到词义混淆问题。……