TAILIEUCHUNG - Báo cáo khoa học: "Does Size Matter – How Much Data is Required to Train a REG Algorithm?"

In this paper we investigate how much data is required to train an algorithm for attribute selection, a subtask of Referring Expressions Generation (REG). To enable comparison between different-sized training sets, a systematic training method was developed. The results show that depending on the complexity of the domain, training on 10 to 20 items may already lead to a good performance. | Does Size Matter - How Much Data is Required to Train a REG Algorithm Mariet Theune University of Twente . Box 217 7500 AE Enschede The Netherlands Ruud Koolen Tilburg University PO. Box 90135 5000 LE Tilburg The Netherlands Emiel Krahmer Tilburg University PO. Box 90135 5000 LE Tilburg The Netherlands Sander Wubben Tilburg University PO. Box 90135 5000 LE Tilburg The Netherlands Abstract In this paper we investigate how much data is required to train an algorithm for attribute selection a subtask of Referring Expressions Generation REG . To enable comparison between different-sized training sets a systematic training method was developed. The results show that depending on the complexity of the domain training on 10 to 20 items may already lead to a good performance. 1 Introduction There are many ways in which we can refer to objects and people in the real world. A chair for example can be referred to as red large or seen from the front while men may be singled out in terms of their pogonotrophy facial hairstyle clothing and many other attributes. This poses a problem for algorithms that automatically generate referring expressions how to determine which attributes to use One solution is to assume that some attributes are preferred over others and this is indeed what many Referring Expressions Generation REG algorithms do. A classic example is the Incremental Algorithm IA which postulates the existence of a complete ranking of relevant attributes Dale and Reiter 1995 . The IA essentially iterates through this list of preferred attributes selecting an attribute for inclusion in a referring expression if it helps singling out the target from the other objects in the scene the distractors . Crucially Dale and Reiter do not specify how the ranking of attributes should be determined. They refer to psycholinguistic research 660 suggesting that in general absolute attributes such as color are .

• Báo cáo khoa học
• Does Size Matter
• How Much Data is Required to Train a REG Algorithm
• Long Papers
• báo cáo khoa học
• báo cáo ngôn ngữ
• ngôn ngữ tự nhiên
• trình bày báo cáo
• tài liệu báo cáo khoa học
• nghiên cứu y học
• báo cáo y học
• kiến thức y học
• Logistics industry
• Air transportations
• Investigate determinants
• Double edged sword
• Marine transportation
• 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