Đang chuẩn bị liên kết để tải về tài liệu:
Báo cáo khoa học: "Learning Semantic Correspondences with Less Supervision"

Không đóng trình duyệt đến khi xuất hiện nút TẢI XUỐNG

A central problem in grounded language acquisition is learning the correspondences between a rich world state and a stream of text which references that world state. To deal with the high degree of ambiguity present in this setting, we present a generative model that simultaneously segments the text into utterances and maps each utterance to a meaning representation grounded in the world state. We show that our model generalizes across three domains of increasing difficulty—Robocup sportscasting, weather forecasts (a new domain), and NFL recaps. .

TÀI LIỆU LIÊN QUAN

Báo cáo khoa học: "Learning Arguments and Supertypes of Semantic Relations using Recursive Patterns"

Báo cáo khoa học: "A Semi-Supervised Key Phrase Extraction Approach: Learning from Title Phrases through a Document Semantic Network"

Báo cáo khoa học: "Learning to Grade Short Answer Questions using Semantic Similarity Measures and Dependency Graph Alignments"

Báo cáo khoa học: "Unsupervised Learning of Semantic Relation Composition"

Báo cáo khoa học: "Learning Semantic Correspondences with Less Supervision"

Báo cáo khoa học: "Learning Document-Level Semantic Properties from Free-text Annotations"

Báo cáo khoa học: "Semantic Class Learning from the Web with Hyponym Pattern Linkage Graphs"

Báo cáo khoa học: "Learning Semantic Links from a Corpus of Parallel Temporal and Causal Relations"

Báo cáo khoa học: "Learning Semantic Categories from Clickthrough Logs"

Báo cáo khoa học: "Using String-Kernels for Learning Semantic Parsers"
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.