tailieunhanh - Báo cáo khoa học: "Automatic Event Extraction with Structured Preference Modeling"

This paper presents a novel sequence labeling model based on the latent-variable semiMarkov conditional random fields for jointly extracting argument roles of events from texts. The model takes in coarse mention and type information and predicts argument roles for a given event template. This paper addresses the event extraction problem in a primarily unsupervised setting, where no labeled training instances are available. | Automatic Event Extraction with Structured Preference Modeling Wei Lu and Dan Roth University of Illinois at Urbana-Champaign luwei danr @ Abstract This paper presents a novel sequence labeling model based on the latent-variable semiMarkov conditional random fields for jointly extracting argument roles of events from texts. The model takes in coarse mention and type information and predicts argument roles for a given event template. This paper addresses the event extraction problem in a primarily unsupervised setting where no labeled training instances are available. Our key contribution is a novel learning framework called structured preference modeling PM that allows arbitrary preference to be assigned to certain structures during the learning procedure. We establish and discuss connections between this framework and other existing works. We show empirically that the structured preferences are crucial to the success of our task. Our model trained without annotated data and with a small number of structured preferences yields performance competitive to some baseline supervised approaches. 1 Introduction Automatic template-filling-based event extraction is an important and challenging task. Consider the following text span that describes an Attack event . North Korea s military may have fired a laser at a . helicopter in March a . official said Tuesday as the communist state ditched its last legal obligation to keep itself free of nuclear weapons . . . A partial event template for the Attack event is shown on the left of Figure 1. Each row shows an 835 argument for the event together with a set of its acceptable mention types where the type specifies a high-level semantic class a mention belongs to. The task is to automatically fill the template entries with texts extracted from the text span above. The correct filling of the template for this particular example is shown on the right of Figure 1. Performing such a task without any knowledge about

• Báo cáo khoa học
• Automatic Event Extraction
• Structured Preference Modeling
• Wei Lu
• báo cáo khoa học
• báo cáo ngôn ngữ
• ngôn ngữ tự nhiên
• báo cáo hóa học
• công trình nghiên cứu về hóa học
• tài liệu về hóa học
• cách trình bày báo cáo
• healthcare professionals
• patients is essential
• evidence based
• official opinion
• Medicine availability
• private sector
• Bài giảng Xử lý ngôn ngữ tự nhiên
• Xử lý ngôn ngữ tự nhiên
• Kỹ thuật lập trình
• Mô hình ngôn ngữ
• Mô hình n gram
• Dịch máy
• Phương pháp dịch máy
• Hiểu ngôn ngữ
• Phân loại tin tự động
• Tạo chí tin học
• Điều khiển học
• Truy vấn ngôn ngữ tự nhiên
• Phép dịch truy vấn ngôn ngữ tự nhiên
• Truy vấn SQL
• Văn phạm ngữ nghĩa
• Xử lý nhập nhằng ngữ nghĩa
• Xử lý ngữ nghĩa
• Phân tích ngữ nghĩa
• Biểu diễn vị từ
• Thuộc tính về sự kiện
• Thuộc tính về sự kiện
• Xử lý ngôn ngữ
• Natural Language Processing
• Ngôn ngữ lập trình
• Nhập nhằng cấu trúc
• Tri thức về ngôn ngữ
• Mô hình ngôn ngữ Google Book N grams
• Mô hình ngôn ngữ KenLM
• Phương pháp làm mịn
• Bài toán PTCP
• Phân tích cú pháp
• Cấu trúc ngữ pháp
• Phân tích cú pháp xác suất
• CKY kết hợp xác suất
• Văn phạm phi ngữ cảnh xác suất
• Hình thái học
• Gán nhãn từ loại
• Ngôn ngữ tự nhiên trong dịch máy
• Hệ thống dịch máy
• Phương pháp xây dựng bảng từ
• Tác từ
• Conditional random fields
• Nhận dạng thực thể có tên
• Đối tượng vật lý trừu tượng
• Phân lớp văn bản
• Biểu diễn nhị phân
• Ma trận từ văn bản
• Wolfram Alpha
• Trích rút thông tin
• Phương pháp Snowball