MMDec, 2014

一种使用 Ripple Down Rules 的强健转化学习方法进行词性标注

PDF
TL;DR本文提出了一种基于增量式知识获取方法构建 Part-of-Speech 标注任务转换规则系统的新方法，实验结果表明，与最先进的 POS 和形态标注器相比，我们的方法在培训时间和标记速度方面都很快，并获得了非常有竞争力的精度。
发现论文，激发创造
  • 探索转换规则序列在词性标注中的统计推导

    Brill 提出了一种基于语料库的简单、强大的语言建模方法，可用于各种任务，包括词性标注和构建短语结构树，并分析其作为现有决策树方法的有趣变化，实验表明该机制对于过度训练有惊人的抗性。

    Jun, 1994

  • 面向特定领域的词性标注快速适应

    本文介绍了一种快速适应新域的 POS 标注器的方法，该方法利用大量文本中收集的后缀信息和字形信息以增加词汇覆盖率，在生物领域的实验中表现出了与该领域中特别训练的 POS 标注器相当的结果。

    Oct, 2014

  • 使用基于转换的学习进行文本分块

    本文介绍了 Eric Brill 提出的基于转换的学习方法，并展示了它可以以相当高的准确度进行词性标注。作者建议使用相同的方法在标记文本中定位块，其中包括非递归的 “baseNP” 块，并将其作为一个标签问题进行处理。作者通过使用 Treebank 数据进行自动测试，证明了该技术可以获得 92％的召回率和精确率，使用该技术进行转换的学习方法也有一些很有趣的改进。

    May, 1995

  • 基于转移的神经网络联合词性标注和依存句法分析

    本文提出了使用基于转移的神经网络联合进行词性标注和依存分析的方法，实现了标签冲突、移位 / 归约冲突和标记冲突的解决。实验表明，我们的方法在各种自然语言的联合词性标注和依存分析方面明显优于之前的方法。

    Apr, 2017

  • Amharic 词性标注的机器学习方法

    提高阿姆哈拉语的词性标注性能，本文介绍了使用形态学知识、扩展已有标注数据、特征提取、参数调整和标注算法等方法，对比以往工作，明显的提高了词性标注性能。

    Jan, 2020

  • 通过系统组合提高数据驱动的词类标注

    本文研究利用不同数据驱动系统之间的建模差异探讨如何应用投票策略和二级分类器来结合不同系统的输出，以提高词性标注任务的准确性，实验表明各种结合策略的标注器均优于它们的最佳组件，其中最佳组合标注器的错误率比最佳单个标注器低了 19.1%。

    Jul, 1998

  • 双向长短时记忆循环神经网络进行词性标注

    使用词嵌入的双向 LSTM 循环神经网络模型（BLSTM-RNN）在词性标注任务中表现出色，可以达到 97.40％的准确率，而且不需要使用形态学特征，同时具备与斯坦福词性标注器相当的性能。

    Oct, 2015

  • 使用数据增强改进临床语音的自发性词性标注

    该论文解决了改善语音转录文本的 POS 标注的问题。作者使用了数据增强技术来训练在领域外树库上的句法分析器，并在句法标注上测试了在不同类型的神经退行性疾病患者的临床语音中表现良好的效果。

    Jul, 2023

  • 堆栈传播：用于语法的改进表示学习

    使用 POS 标签作为学习表示的正则化器，提出了一种称为 “stack-propagation” 的学习模型，该模型可以应用于依赖分析和标注，其测试结果比最先进的基于图形的方法更加准确。

    Mar, 2016

  • 可学习逻辑规则的弱监督命名实体识别

    本文通过使用少量规则进行弱监督来构建实体标记系统的问题，并提出了一种新的方法 TALLOR，该方法使用高质量的逻辑规则来训练神经标记器， 以完全自动化的方式提高准确性，同时避免神经标记器的过度拟合。

    Jul, 2021