TAILIEUCHUNG - Báo cáo khoa học: "Open-Domain Semantic Role Labeling by Modeling Word Spans"

Most supervised language processing systems show a significant drop-off in performance when they are tested on text that comes from a domain significantly different from the domain of the training data. Semantic role labeling techniques are typically trained on newswire text, and in tests their performance on fiction is as much as 19% worse than their performance on newswire text. We investigate techniques for building open-domain semantic role labeling systems that approach the ideal of a train-once, use-anywhere system. . | Open-Domain Semantic Role Labeling by Modeling Word Spans Fei Huang Alexander Yates Temple University Temple University 1805 N. Broad St. 1805 N. Broad St. Wachman Hall 318 Wachman Hall 303A yates@ Abstract Most supervised language processing systems show a significant drop-off in performance when they are tested on text that comes from a domain significantly different from the domain of the training data. Semantic role labeling techniques are typically trained on newswire text and in tests their performance on fiction is as much as 19 worse than their performance on newswire text. We investigate techniques for building open-domain semantic role labeling systems that approach the ideal of a train-once use-anywhere system. We leverage recently-developed techniques for learning representations of text using latent-variable language models and extend these techniques to ones that provide the kinds of features that are useful for semantic role labeling. In experiments our novel system reduces error by 16 relative to the previous state of the art on out-of-domain text. 1 Introduction In recent semantic role labeling SRL competitions such as the shared tasks of CoNLL 2005 and CoNLL 2008 supervised SRL systems have been trained on newswire text and then tested on both an in-domain test set Wall Street Journal text and an out-of-domain test set fiction . All systems tested on these datasets to date have exhibited a significant drop-off in performance on the out-of-domain tests often performing 15 worse or more on the fiction test sets. Yet the baseline from CoNLL 2005 suggests that the fiction texts are actually easier than the newswire texts. Such observations expose a weakness of current supervised natural language processing NLP technology for SRL systems learn to identify semantic roles for the subset of language contained in the training data but are not yet good at generalizing to language that has not been seen before. We aim to build

• Báo cáo khoa học
• Open Domain Semantic Role Labeling
• Modeling Word Spans
• Fei Huang
• 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