TAILIEUCHUNG - Báo cáo khoa học: "Can Document Selection Help Semi-supervised Learning? A Case Study On Event Extraction"

Annotating training data for event extraction is tedious and labor-intensive. Most current event extraction tasks rely on hundreds of annotated documents, but this is often not enough. In this paper, we present a novel self-training strategy, which uses Information Retrieval (IR) to collect a cluster of related documents as the resource for bootstrapping. | Can Document Selection Help Semi-supervised Learning A Case Study On Event Extraction Shasha Liao Ralph Grishman Computer Science Department New York University liaoss@ grishman@ Abstract Annotating training data for event extraction is tedious and labor-intensive. Most current event extraction tasks rely on hundreds of annotated documents but this is often not enough. In this paper we present a novel self-training strategy which uses Information Retrieval IR to collect a cluster of related documents as the resource for bootstrapping. Also based on the particular characteristics of this corpus global inference is applied to provide more confident and informative data selection. We compare this approach to self-training on a normal newswire corpus and show that IR can provide a better corpus for bootstrapping and that global inference can further improve instance selection. We obtain gains of in trigger labeling and in role labeling through IR and an additional in trigger labeling and in role labeling by applying global inference. 1 Introduction The goal of event extraction is to identify instances of a class of events in text. In addition to identifying the event itself it also identifies all of the participants and attributes of each event these are the entities that are involved in that event. The same event might be presented in various expressions and an expression might represent different events in different contexts. Moreover for each event type the event participants and attributes may also appear in multiple forms and exemplars of the different forms may be required. Thus event extraction is a difficult task and requires substantial training data. However annotating events for training is a tedious task. Annotators need to read the whole sentence possibly several sentences to decide whether there is a specific event or not and then need to identify the event participants like Agent and Patient and attributes like place .

• Báo cáo khoa học
• Document Selection Help Semi supervised Learning
• A Case Study On Event Extraction
• Ralph Grishman
• 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