tailieunhanh - Báo cáo khoa học: "Learning 5000 Relational Extractors"

Many researchers are trying to use information extraction (IE) to create large-scale knowledge bases from natural language text on the Web. However, the primary approach (supervised learning of relation-specific extractors) requires manually-labeled training data for each relation and doesn’t scale to the thousands of relations encoded in Web text. This paper presents LUCHS, a self-supervised, relation-specific IE system which learns 5025 relations — more than an order of magnitude greater than any previous approach — with an average F1 score of 61%. . | Learning 5000 Relational Extractors Raphael Hoffmann Congle Zhang Daniel S. Weld Computer Science Engineering University of Washington Seattle Wa-98195 UsA raphaelh clzhang weld @ Abstract Many researchers are trying to use information extraction IE to create large-scale knowledge bases from natural language text on the Web. However the primary approach supervised learning of relation-specific extractors requires manually-labeled training data for each relation and doesn t scale to the thousands of relations encoded in Web text. This paper presents LUCHS a self-supervised relation-specific IE system which learns 5025 relations more than an order of magnitude greater than any previous approach with an average F1 score of 61 . Crucial to LUCHS s performance is an automated system for dynamic lexicon learning which allows it to learn accurately from heuristically-generated training data which is often noisy and sparse. 1 Introduction Information extraction IE the process of generating relational data from natural-language text has gained popularity for its potential applications in Web search question answering and other tasks. Two main approaches have been attempted Supervised learning of relation-specific extractors . Freitag 1998 and Open IE self-supervised learning of unlexicalized relation-independent extractors . Textrunner Banko et al. 2007 . Unfortunately both methods have problems. Supervised approaches require manually-labeled training data for each relation and hence can t scale to handle the thousands of relations encoded in Web text. Open extraction is more scalable but has lower precision and recall. Furthermore open extraction doesn t canonicalize relations so any application using the output must deal with homonymy and synonymy. A third approach sometimes refered to as weak supervision is to heuristically match values from a database to text thus generating a set of training data for self-supervised learning of relationspecific .

• Báo cáo khoa học
• Learning 5000 Relational Extractors
• Raphael Hoffmann
• Congle Zhang
• báo cáo khoa học
• báo cáo ngôn ngữ
• ngôn ngữ tự nhiên
• 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