tailieunhanh - Báo cáo khoa học: "Recognizing Named Entities in Tweets"

The challenges of Named Entities Recognition (NER) for tweets lie in the insufficient information in a tweet and the unavailability of training data. We propose to combine a K-Nearest Neighbors (KNN) classifier with a linear Conditional Random Fields (CRF) model under a semi-supervised learning framework to tackle these challenges. The KNN based classifier conducts pre-labeling to collect global coarse evidence across tweets while the CRF model conducts sequential labeling to capture fine-grained information encoded in a tweet. . | Recognizing Named Entities in Tweets Xiaohua Liu t Shaodian Zhang Furu Wei t Ming Zhou t School of Computer Science and Technology Harbin Institute of Technology Harbin 150001 China Department of Computer Science and Engineering Shanghai Jiao Tong University Shanghai 200240 China tMicrosoft Research Asia Beijing 100190 China t xiaoliu fuwei mingzhou @ Abstract The challenges of Named Entities Recognition NER for tweets lie in the insufficient information in a tweet and the unavailability of training data. We propose to combine a K-Nearest Neighbors KNN classifier with a linear Conditional Random Fields CRF model under a semi-supervised learning framework to tackle these challenges. The KNN based classifier conducts pre-labeling to collect global coarse evidence across tweets while the CRF model conducts sequential labeling to capture fine-grained information encoded in a tweet. The semi-supervised learning plus the gazetteers alleviate the lack of training data. Extensive experiments show the advantages of our method over the baselines as well as the effectiveness of KNN and semisupervised learning. 1 Introduction Named Entities Recognition NER is generally understood as the task of identifying mentions of rigid designators from text belonging to named-entity types such as persons organizations and locations Nadeau and Sekine 2007 . Proposed solutions to NER fall into three categories 1 The rule-based Krupka and Hausman 1998 2 the machine learning based Finkel and Manning 2009 Singh et al. 2010 and 3 hybrid methods Jansche and Abney 2002 . With the availability of annotated corpora such as ACE05 Enron Minkov et al. 2005 and This work has been done while the author was visiting Microsoft Research Asia. 359 CoNLL03 Tjong Kim Sang and De Meulder 2003 the data driven methods now become the dominating methods. However current NER mainly focuses on formal text such as news articles Mccallum and Li 2003 Etzioni et al. 2005 . Exceptions

• Báo cáo khoa học
• Recognizing Named Entities in Tweets
• Xiaohua Liu
• Long Papers
• 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