tailieunhanh - Báo cáo khoa học: "Predicting Unknown Time Arguments based on Cross-Event Propagation"

Many events in news articles don’t include time arguments. This paper describes two methods, one based on rules and the other based on statistical learning, to predict the unknown time argument for an event by the propagation from its related events. The results are promising – the rule based approach was able to correctly predict 74% of the unknown event time arguments with 70% precision. | Predicting Unknown Time Arguments based on Cross-Event Propagation Prashant Gupta Indian Institute of Information Technology Allahabad Allahabad India 211012 greatprach@ Heng Ji Computer Science Department Queens College and the Graduate Center City University of New York New York NY 11367 UsA hengji@ Abstract Many events in news articles don t include time arguments. This paper describes two methods one based on rules and the other based on statistical learning to predict the unknown time argument for an event by the propagation from its related events. The results are promising - the rule based approach was able to correctly predict 74 of the unknown event time arguments with 70 precision. 1 Introduction Event time argument detection is important to many NLP applications such as textual inference Baral et al. 2005 multi-document text summarization . Barzilay e al. 2002 temporal event linking . Bethard et al. 2007 Chambers et al. 2007 Ji and Chen 2009 and template based question answering Ahn et al. 2006 . It s a challenging task in particular because about half of the event instances don t include explicit time arguments. Various methods have been exploited to identify or infer the implicit time arguments . Filatova and Hovy 2001 Mani et al. 2003 Lapata and Lascarides 2006 Eidelman 2008 . Most of the prior work focused on the sentence level by clustering sentences into topics and ordering sentences on a time line. However many sentences in news articles include multiple events with different time arguments. And it was not clear how the errors of topic clustering techniques affected the inference scheme. Therefore it will be valuable to design inference methods for more fine-grained events. In addition in the previous approaches the linguistic evidences such as verb tense were mainly applied for inferring the exact dates of implicit time expressions. In this paper we are interested in those more challenging cases in which an event .

• Báo cáo khoa học
• Predicting Unknown Time Arguments
• Cross Event Propagation
• Prashant Gupta
• báo cáo khoa học
• báo cáo ngôn ngữ
• xử lý ngôn ngữ tự nhiên
• Bài giảng Xử lý ngôn ngữ tự nhiên
• Ngôn ngữ tự nhiên
• Kỹ thuật lập trình
• Xử lý nhập nhằng ngữ nghĩa
• Xử lý ngữ nghĩa
• Xử lý ngôn ngữ
• Natural Language Processing
• Ngôn ngữ lập trình
• Nhập nhằng cấu trúc
• Tri thức về ngôn ngữ
• Mô hình ngôn ngữ
• Mô hình n gram
• Dịch máy
• Phương pháp dịch máy
• Hiểu ngôn ngữ
• Phân tích ngữ nghĩa
• Phân loại tin tự động
• Biểu diễn vị từ
• Thuộc tính về sự kiện
• Thuộc tính về sự kiện
• Mô hình ngôn ngữ Google Book N grams
• Mô hình ngôn ngữ KenLM
• Phương pháp làm mịn
• Tách từ tiếng Việt
• Gán nhãn từ loại
• Phân tích cú pháp
• Nghĩa từ vựng
• Phân giải nhập nhằng từ
• Phân loại văn bản
• Lexical chain
• Phản hồi thông tin
• Bài toán PTCP
• 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