COLINGMar, 2024

使用维基百科超链接自动构建大规模地理解析语料库

PDF
TL;DR通过使用维基百科文章中的超链接将多个位置表达式与坐标关联起来，我们构建了 WHLL（Wikipedia Hyperlink-based Location Linking）语料库，该语料库包含 130 万篇文章，每篇文章大约包含 7.8 个独特的位置表达式。实验结果表明，通过消除位置表达式的歧义性，仍然存在改进的空间。
geoparsinglatitude and longitude estimationcorporawikipedialocation expressions
发现论文，激发创造
  • 文本中位置参考识别：调查与比较

    本文对地理位置信息的解析进行了系统梳理和综合评估，总结了地理信息检索、疾病监测、交通管理等七个应用领域的实践应用，归纳了四类解析方法并对其中流行的 27 种方法进行了计算正确性和效率评估，为未来方法发展提供了指导和参考。

    Jul, 2022

  • 在 Common Crawl 语料库中量化地理空间

    分析大型语言模型对 Common Crawl 数据集的地理空间数据的利用率，发现 1/5 至 1/6 的文档中包含有经纬度和街道地址等地理空间信息，为进一步研究有关地理空间内容对大型语言模型的影响提供了定量的见解。

    Jun, 2024

  • HeGeL：希伯来文地理位置信息新数据集

    本文介绍了 Hebrew Geo-Location（HeGeL）语料库，它是用于采集字面意义上的地方描述和分析语言地理空间推断的，证明数据展示了丰富的地理空间推断使用，并需要一种新的环境表示。

    Jul, 2023

  • GeoLLM：从大型语言模型中提取地理空间知识

    在这篇论文中，我们探讨了机器学习在地理空间预测任务中的应用，提出了一种名为 GeoLLM 的新方法，利用大型语言模型中的地理空间信息和开放街道地图的辅助数据，有效地提取地理空间知识，用于测量人口密度等中心问题，相较于最近邻和直接使用提示信息的基准方法，在多个任务上展现了 70% 的性能提升，并且与卫星数据的基准结果相当甚至超出，证明了大型语言模型在地理空间任务上的可行性和潜力。

    Oct, 2023

  • 验证和探索大规模地理文集

    本文研究了语料库创建决策对大型多语言地理 Web 语料库的影响。通过从 Common Crawl 获取的 4270 亿个词的语料库，使用三种方法改善代表特定语言国家对 (如新西兰英语) 的子语料库质量：(i) 独立语言识别系统的一致性，(ii) 基于哈希的去重，以及 (iii) 特定位置的异常检测。然后，通过使用语料库相似度度量将每个结果语料库与基准数据集进行比较，评估每个步骤对语言级别和国家级别的影响。目标是了解上游数据清理决策对下游语料库的影响，重点关注代表性不足的语言和人口。评估结果表明，每个清理阶段都提高了子语料库的有效性，但这种改进在语言和人口之间分布不均匀。该研究结果显示了标准语料库创建技术可能会无意中排除代表性不足的人口。

    Mar, 2024

  • 用户所述的地理位置是在哪里？：嘈杂的多语言用户输入的地理实体链接

    本文探讨了在嘈杂的多语种社交媒体数据中进行地理实体链接的挑战性任务，提出了一种将真实世界位置表示为标记的用户输入位置名称的平均嵌入，并通过可解释的置信度得分进行选择性预测的方法。通过在全球和多语种社交媒体数据集上进行实验证明了我们的方法改进了地理实体链接，并讨论了在不同地理粒度上评估的进展和问题。

    Apr, 2024

  • 利用锚文本信息预测维基百科链接

    本文针对维基百科上的网页结构，研究了基于锚文本信息的链接预测的困难性和算法，提出了合适的评估抽样方法及基准模型.

    May, 2021

  • 毋遺一處：提升人道主義文件的地理定位

    地理位置是人道主义响应的关键要素，提供了弱势人口、持续事件和可用资源的概述。最新的自然语言处理发展可以帮助从大量人道主义领域产生的报告和文件中提取关键信息，但现有的信息提取工具的性能和偏见尚不清楚。本研究利用 Spacy 和 roBERTa 来进行人道主义文本的地理标记，提出了一个名为 FeatureRank 的地理编码方法，将候选位置与 GeoNames 数据库进行连接。发现人道主义领域的数据不仅提高了分类器的性能（F1 = 0.92），而且缓解了现有工具的偏见，错误偏向西方国家的位置。因此，我们得出结论：需要更多来自非西方文件的资源，以确保现成的 NER 系统适用于人道主义领域的部署。

    Sep, 2023

  • 模板化基于链接空间数据的问题回答

    本文提出了一种基于自然语言问题的问答引擎，用于处理大量地理空间数据的查询，该引擎可以对连接的地理空间数据源进行查询，采用 SPARQL 或 OGC 标准扩展 GeoSPARQL，研究者们可以使用我们提供的 201 个自然语言问题数据集来评估该引擎的性能。

    Jul, 2020

  • 文本中隐含地理移动的识别

    通过手动标注、众包及机器学习相结合的方式，本文创新性地建立了基于地理运动描述文本的语料库，以推动地理数据的计算处理和空间认知能力的探索。

    Jan, 2022