Đang chuẩn bị liên kết để tải về tài liệu:
Báo cáo khoa học: "Distributional Similarity vs. PU Learning for Entity Set Expansion"

Không đóng trình duyệt đến khi xuất hiện nút TẢI XUỐNG

Distributional similarity is a classic technique for entity set expansion, where the system is given a set of seed entities of a particular class, and is asked to expand the set using a corpus to obtain more entities of the same class as represented by the seeds. This paper shows that a machine learning model called positive and unlabeled learning (PU learning) can model the set expansion problem better. Based on the test results of 10 corpora, we show that a PU learning technique outperformed distributional similarity significantly. .

TÀI LIỆU LIÊN QUAN

Báo cáo khoa học: "Measures of Distributional Similarity"

Báo cáo khoa học: "Verb Classification using Distributional Similarity in Syntactic and Semantic Structures"

Báo cáo khoa học: "Distributional Similarity vs. PU Learning for Entity Set Expansion"

Báo cáo khoa học: "Reducing semantic drift with bagging and distributional similarity"

Báo cáo khoa học: "Directional Distributional Similarity for Lexical Expansion"

Báo cáo khoa học: "Syntax is from Mars while Semantics from Venus! Insights from Spectral Analysis of Distributional Similarity Networks"

Báo cáo khoa học: "Scaling Distributional Similarity to Large Corpora"

Báo cáo khoa học: "Exploring Distributional Similarity Based Models for Query Spelling Correction"

Báo cáo khoa học: "Integrating Pattern-based and Distributional Similarity Methods for Lexical Entailment Acquisition"

Báo cáo khoa học: "Finding Synonyms Using Automatic Word Alignment and Measures of Distributional Similarity"
Đã phát hiện trình chặn quảng cáo AdBlock
Trang web này phụ thuộc vào doanh thu từ số lần hiển thị quảng cáo để tồn tại. Vui lòng tắt trình chặn quảng cáo của bạn hoặc tạm dừng tính năng chặn quảng cáo cho trang web này.