tailieunhanh - Báo cáo khoa học: "Unsupervised Part-of-Speech Tagging with Bilingual Graph-Based Projections"

We describe a novel approach for inducing unsupervised part-of-speech taggers for languages that have no labeled training data, but have translated text in a resource-rich language. Our method does not assume any knowledge about the target language (in particular no tagging dictionary is assumed), making it applicable to a wide array of resource-poor languages. We use graph-based label propagation for cross-lingual knowledge transfer and use the projected labels as features in an unsupervised model (BergKirkpatrick et al., 2010). . | Unsupervised Part-of-Speech Tagging with Bilingual Graph-Based Projections Dipanjan Das Carnegie Mellon University Pittsburgh PA 15213 USA dipanjan@ Slav Petrov Google Research New York NY 10011 USA slav@ Abstract We describe a novel approach for inducing unsupervised part-of-speech taggers for languages that have no labeled training data but have translated text in a resource-rich language. Our method does not assume any knowledge about the target language in particular no tagging dictionary is assumed making it applicable to a wide array of resource-poor languages. We use graph-based label propagation for cross-lingual knowledge transfer and use the projected labels as features in an unsupervised model Berg-Kirkpatrick et al. 2010 . Across eight European languages our approach results in an average absolute improvement of over a state-of-the-art baseline and over vanilla hidden Markov models induced with the Expectation Maximization algorithm. 1 Introduction Supervised learning approaches have advanced the state-of-the-art on a variety of tasks in natural language processing resulting in highly accurate systems. Supervised part-of-speech POS taggers for example approach the level of inter-annotator agreement Shen et al. 2007 accuracy for English . However supervised methods rely on labeled training data which is time-consuming and expensive to generate. Unsupervised learning approaches appear to be a natural solution to this problem as they require only unannotated text for train This research was carried out during an internship at Google Research. 600 ing models. Unfortunately the best completely unsupervised English POS tagger that does not make use of a tagging dictionary reaches only accuracy Christodoulopoulos et al. 2010 making its practical usability questionable at best. To bridge this gap we consider a practically motivated scenario in which we want to leverage existing resources from a resource-rich language like

• Báo cáo khoa học
• Unsupervised Part of Speech Tagging
• Bilingual Graph Based Projections
• Dipanjan Das
• 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