Kinh doanh - Marketing
Kinh tế quản lý
Biểu mẫu - Văn bản
Tài chính - Ngân hàng
Công nghệ thông tin
Tiếng anh ngoại ngữ
Kĩ thuật công nghệ
Khoa học tự nhiên
Khoa học xã hội
Văn hóa nghệ thuật
Sức khỏe - Y tế
Văn bản luật
Nông Lâm Ngư
Kỹ năng mềm
Luận văn - Báo cáo
Giải trí - Thư giãn
Tài liệu phổ thông
Văn mẫu
Giới thiệu
Đăng ký
Đăng nhập
Tìm
Danh mục
Kinh doanh - Marketing
Kinh tế quản lý
Biểu mẫu - Văn bản
Tài chính - Ngân hàng
Công nghệ thông tin
Tiếng anh ngoại ngữ
Kĩ thuật công nghệ
Khoa học tự nhiên
Khoa học xã hội
Văn hóa nghệ thuật
Y tế sức khỏe
Văn bản luật
Nông lâm ngư
Kĩ năng mềm
Luận văn - Báo cáo
Giải trí - Thư giãn
Tài liệu phổ thông
Văn mẫu
Thông tin
Điều khoản sử dụng
Quy định bảo mật
Quy chế hoạt động
Chính sách bản quyền
Giới thiệu
Đăng ký
Đăng nhập
0
Trang chủ
Luận Văn - Báo Cáo
Báo cáo khoa học
Báo cáo khoa học: " Improving Machine Learning Approaches to Coreference Resolution"
Đang chuẩn bị liên kết để tải về tài liệu:
Báo cáo khoa học: " Improving Machine Learning Approaches to Coreference Resolution"
Huy Hoàng
76
8
pdf
Đang chuẩn bị nút TẢI XUỐNG, xin hãy chờ
Tải xuống
We present a noun phrase coreference system that extends the work of Soon et al. (2001) and, to our knowledge, produces the best results to date on the MUC6 and MUC-7 coreference resolution data sets — F-measures of 70.4 and 63.4, respectively. Improvements arise from two sources: extra-linguistic changes to the learning framework and a large-scale expansion of the feature set to include more sophisticated linguistic knowledge. | Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics ACL Philadelphia July 2002 pp. 104-111. Improving Machine Learning Approaches to Coreference Resolution Vincent Ng and Claire Cardie Department of Computer Science Cornell University Ithaca NY 14853-7501 yung cardie @cs.cornell.edu Abstract We present a noun phrase coreference system that extends the work of Soon et al. 2001 and to our knowledge produces the best results to date on the MUC-6 and MUC-7 coreference resolution data sets F-measures of 70.4 and 63.4 respectively. Improvements arise from two sources extra-linguistic changes to the learning framework and a large-scale expansion of the feature set to include more sophisticated linguistic knowledge. 1 Introduction Noun phrase coreference resolution refers to the problem of determining which noun phrases NPs refer to each real-world entity mentioned in a document. Machine learning approaches to this problem have been reasonably successful operating primarily by recasting the problem as a classification task e.g. Aone and Bennett 1995 McCarthy and Lehnert 1995 . Specifically a pair of NPs is classified as co-referring or not based on constraints that are learned from an annotated corpus. A separate clustering mechanism then coordinates the possibly contradictory pairwise classifications and constructs a partition on the set of NPs. Soon et al. 2001 for example apply an NP coreference system based on decision tree induction to two standard coreference resolution data sets MUC-6 1995 MUC-7 1998 achieving performance comparable to the best-performing knowledge-based coreference engines. Perhaps surprisingly this was accomplished in a decidedly knowledge-lean manner the learning algorithm has access to just 12 surface-level features. This paper presents an NP coreference system that investigates two types of extensions to the Soon et al. corpus-based approach. First we propose and evaluate three extra-linguistic modifications
TÀI LIỆU LIÊN QUAN
Báo cáo khoa học: "Improving Word Representations via Global Context and Multiple Word Prototypes"
Báo cáo khoa học: "Improving the IBM Alignment Models Using Variational Bayes"
Báo cáo khoa học: "Improving the Use of Pseudo-Words for Evaluating Selectional Preferences"
Báo cáo khoa học: "Hierarchical Joint Learning: Improving Joint Parsing and Named Entity Recognition with Non-Jointly Labeled Data"
Báo cáo khoa học: "Improving Statistical Machine Translation with Monolingual Collocation"
Báo cáo khoa học: "A new Approach to Improving Multilingual Summarization using a Genetic Algorithm"
Báo cáo khoa học: "Diversify and Combine: Improving Word Alignment for Machine Translation on Low-Resource Languages"
Báo cáo khoa học: "Improving Chinese Semantic Role Labeling with Rich Syntactic Features"
Báo cáo khoa học: "Improving Arabic-to-English Statistical Machine Translation by Reordering Post-verbal Subjects for Alignment"
Báo cáo khoa học: "Improving Arabic Dependency Parsing with Form-based and Functional Morphological Features"
crossorigin="anonymous">
Đã phát hiện trình chặn quảng cáo AdBlock
Trang web này phụ thuộc vào doanh thu từ số lần hiển thị quảng cáo để tồn tại. Vui lòng tắt trình chặn quảng cáo của bạn hoặc tạm dừng tính năng chặn quảng cáo cho trang web này.