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: "A Generative Constituent-Context Model for Improved Grammar Induction"
Đang chuẩn bị liên kết để tải về tài liệu:
Báo cáo khoa học: "A Generative Constituent-Context Model for Improved Grammar Induction"
Nguyệt Anh
56
8
pdf
Đang chuẩn bị nút TẢI XUỐNG, xin hãy chờ
Tải xuống
We present a generative distributional model for the unsupervised induction of natural language syntax which explicitly models constituent yields and contexts. Parameter search with EM produces higher quality analyses than previously exhibited by unsupervised systems, giving the best published unsupervised parsing results on the ATIS corpus. Experiments on Penn treebank sentences of comparable length show an even higher F1 of 71% on nontrivial brackets. We compare distributionally induced and actual part-of-speech tags as input data, and examine extensions to the basic model. We discuss errors made by the system, compare the system to previous models, and discuss upper bounds,. | Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics ACL Philadelphia July 2002 pp. 128-135. A Generative Constituent-Context Model for Improved Grammar Induction Dan Klein and Christopher D. Manning Computer Science Department Stanford University Stanford CA 94305-9040 klein manning @cs.stanford.edu Abstract We present a generative distributional model for the unsupervised induction of natural language syntax which explicitly models constituent yields and contexts. Parameter search with EM produces higher quality analyses than previously exhibited by unsupervised systems giving the best published unsupervised parsing results on the ATIS corpus. Experiments on Penn treebank sentences of comparable length show an even higher F1 of 71 on nontrivial brackets. We compare distributionally induced and actual part-of-speech tags as input data and examine extensions to the basic model. We discuss errors made by the system compare the system to previous models and discuss upper bounds lower bounds and stability for this task. 1 Introduction The task of inducing hierarchical syntactic structure from observed yields alone has received a great deal of attention Carroll and Charniak 1992 Pereira and Schabes 1992 Brill 1993 Stolcke and Omohun-dro 1994 . Researchers have explored this problem for a variety of reasons to argue empirically against the poverty of the stimulus Clark 2001 to use induction systems as a first stage in constructing large treebanks van Zaanen 2000 or to build better language models Baker 1979 Chen 1995 . In previous work we presented a conditional model over trees which gave the best published results for unsupervised parsing of the ATIS corpus Klein and Manning 2001b . However it suffered from several drawbacks primarily stemming from the conditional model used for induction. Here we improve on that model in several ways. First we construct a generative model which utilizes the same features. Then we extend the model to
TÀI LIỆU LIÊN QUAN
Báo cáo khoa học: "The "Spectrum" of Weak Generative Powers of Grammars"
Báo cáo khoa học: "A probabilistic generative model for an intermediate constituency-dependency representation"
Báo cáo khoa học: "A Generative Blog Post Retrieval Model that Uses Query Expansion based on External Collections"
Báo cáo khoa học: "A Generative Entity-Mention Model for Linking Entities with Knowledge Base"
Báo cáo khoa học: "A Single Generative Model for Joint Morphological Segmentation and Syntactic Parsing"
Báo cáo khoa học: "Dictionary Definitions based Homograph Identification using a Generative Hierarchical Model"
Báo cáo khoa học: "Coordinate Noun Phrase Disambiguation in a Generative Parsing Model"
Báo cáo khoa học: "Parsing with generative models of predicate-argument structure"
Báo cáo khoa học: "Constraints on strong generative power"
Báo cáo khoa học: "A Generative Lexicon Perspective for Adjectival Modification"
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.