TAILIEUCHUNG - Báo cáo khoa học: "Joint Inference of Named Entity Recognition and Normalization for Tweets"

Tweets represent a critical source of fresh information, in which named entities occur frequently with rich variations. We study the problem of named entity normalization (NEN) for tweets. Two main challenges are the errors propagated from named entity recognition (NER) and the dearth of information in a single tweet. | Joint Inference of Named Entity Recognition and Normalization for Tweets Xiaohua Liu t Ming Zhou t Furu Wei t Zhongyang Fu Xiangyang Zhou 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 B School of Computer Science and Technology Shandong University Jinan 250100 China tMicrosoft Research Asia Beijing 100190 China t xiaoliu fuwei mingzhou @ v-xzho@ Abstract Tweets represent a critical source of fresh information in which named entities occur frequently with rich variations. We study the problem of named entity normalization NEN for tweets. Two main challenges are the errors propagated from named entity recognition NER and the dearth of information in a single tweet. We propose a novel graphical model to simultaneously conduct NER and NEN on multiple tweets to address these challenges. Particularly our model introduces a binary random variable for each pair of words with the same lemma across similar tweets whose value indicates whether the two related words are mentions of the same entity. We evaluate our method on a manually annotated data set and show that our method outperforms the baseline that handles these two tasks separately boosting the F1 from to for NER and the Accuracy from to for NEN respectively. 1 Introduction Tweets short messages of less than 140 characters shared through the Twitter service 1 have become an important source of fresh information. As a result the task of named entity recognition NER for tweets which aims to identify mentions of rigid designators from tweets belonging to named-entity types such as persons organizations and locations 2007 has attracted increasing research interest. For example Ritter et al. 2011 develop a system that exploits a CRF model to segment named 1 http 526 entities and then uses a .

• Báo cáo khoa học
• Joint Inference
• Named Entity Recognition
• Normalization for Tweets
• báo cáo khoa học
• báo cáo ngôn ngữ
• ngôn ngữ tự nhiên
• Genome Biology
• Intra tumour heterogeneity
• Clonal evolution
• Joint probabilistic model
• Distance dependent
• Chinese restaurant process
• Single cell sequencing
• Next generation sequencing
• báo cáo hóa học
• công trình nghiên cứu về hóa học
• tài liệu về hóa học
• cách trình bày báo cáo
• DNA pools
• Haplotype frequency estimation
• Sparse representations
• Equimolar amounts
• Single genotype experiment
• 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