TAILIEUCHUNG - Báo cáo khoa học: "Do Automatic Annotation Techniques Have Any Impact on Supervised Complex Question Answering?"

In this paper, we analyze the impact of different automatic annotation methods on the performance of supervised approaches to the complex question answering problem (defined in the DUC-2007 main task). Huge amount of annotated or labeled data is a prerequisite for supervised training. The task of labeling can be accomplished either by humans or by computer programs. When humans are employed, the whole process becomes time consuming and expensive. | Do Automatic Annotation Techniques Have Any Impact on Supervised Complex Question Answering Yllias Chali University of Lethbridge Lethbridge AB Canada chali@ Sadid A. Hasan University of Lethbridge Lethbridge AB Canada hasan@ Shafiq R. Joty University of British Columbia Vancouver BC Canada rjoty@ Abstract In this paper we analyze the impact of different automatic annotation methods on the performance of supervised approaches to the complex question answering problem defined in the DUC-2007 main task . Huge amount of annotated or labeled data is a prerequisite for supervised training. The task of labeling can be accomplished either by humans or by computer programs. When humans are employed the whole process becomes time consuming and expensive. So in order to produce a large set of labeled data we prefer the automatic annotation strategy. We apply five different automatic annotation techniques to produce labeled data using ROUGE similarity measure Basic Element BE overlap syntactic similarity measure semantic similarity measure and Extended String Subsequence Kernel ESSK . The representative supervised methods we use are Support Vector Machines SVM Conditional Random Fields CRF Hidden Markov Models HMM and Maximum Entropy MaxEnt . Evaluation results are presented to show the impact. 1 Introduction In this paper we consider the complex question answering problem defined in the DUC-2007 main task1. We focus on an extractive approach of summarization to answer complex questions where a subset of the sentences in the original documents are chosen. For supervised learning methods huge amount of annotated or labeled data sets are obviously required as a precondition. The decision as to whether a sentence is important enough 1http projects duc duc2007 to be annotated can be taken either by humans or by computer programs. When humans are employed in the process producing such a large labeled corpora becomes time consuming

• Báo cáo khoa học
• Automatic Annotation Techniques
• Supervised Complex Question Answering
• Yllias Chali
• báo cáo khoa học
• báo cáo ngôn ngữ
• xử lý ngôn ngữ tự nhiên
• Bài giảng Xử lý ngôn ngữ tự nhiên
• Ngôn ngữ tự nhiên
• Kỹ thuật lập trình
• Xử lý nhập nhằng ngữ nghĩa
• Xử lý ngữ nghĩa
• Xử lý ngôn ngữ
• Natural Language Processing
• Ngôn ngữ lập trình
• Nhập nhằng cấu trúc
• Tri thức về ngôn ngữ
• Mô hình ngôn ngữ
• Mô hình n gram
• Dịch máy
• Phương pháp dịch máy
• Hiểu ngôn ngữ
• Phân tích ngữ nghĩa
• Phân loại tin tự động
• Biểu diễn vị từ
• Thuộc tính về sự kiện
• Thuộc tính về sự kiện
• Mô hình ngôn ngữ Google Book N grams
• Mô hình ngôn ngữ KenLM
• Phương pháp làm mịn
• Tách từ tiếng Việt
• Gán nhãn từ loại
• Phân tích cú pháp
• Nghĩa từ vựng
• Phân giải nhập nhằng từ
• Phân loại văn bản
• Lexical chain
• Phản hồi thông tin
• Bài toán PTCP
• 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