TAILIEUCHUNG - Báo cáo khoa học: "Learning to “Read Between the Lines” using Bayesian Logic Programs"

Most information extraction (IE) systems identify facts that are explicitly stated in text. However, in natural language, some facts are implicit, and identifying them requires “reading between the lines”. Human readers naturally use common sense knowledge to infer such implicit information from the explicitly stated facts. | Learning to Read Between the Lines using Bayesian Logic Programs Sindhu Raghavan Raymond J. Mooney Hyeonseo Ku Department of Computer Science The University of Texas at Austin 1616 Guadalupe Suite Austin TX 78701 USA sindhu mooney yorq @ Abstract Most information extraction IE systems identify facts that are explicitly stated in text. However in natural language some facts are implicit and identifying them requires reading between the lines . Human readers naturally use common sense knowledge to infer such implicit information from the explicitly stated facts. We propose an approach that uses Bayesian Logic Programs BLPs a statistical relational model combining first-order logic and Bayesian networks to infer additional implicit information from extracted facts. It involves learning uncertain commonsense knowledge in the form of probabilistic first-order rules from natural language text by mining a large corpus of automatically extracted facts. These rules are then used to derive additional facts from extracted information using BLP inference. Experimental evaluation on a benchmark data set for machine reading demonstrates the efficacy of our approach. 1 Introduction The task of information extraction IE involves automatic extraction of typed entities and relations from unstructured text. IE systems Cowie and Lehnert 1996 Sarawagi 2008 are trained to extract facts that are stated explicitly in text. However some facts are implicit and human readers naturally read between the lines and infer them from the stated facts using commonsense knowledge. Answering many queries can require inferring such implicitly stated facts. Consider the text Barack Obama is the 349 president of the United States of America. Given the query Barack Obama is a citizen of what country standard IE systems cannot identify the answer since citizenship is not explicitly stated in the text. However a human reader possesses the commonsense knowledge that the president of a .

• Báo cáo khoa học
• Read Between the Lines
• Bayesian Logic Programs
• 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