Đang chuẩn bị liên kết để tải về tài liệu:
Báo cáo khoa học: "Learning Semantic Links from a Corpus of Parallel Temporal and Causal Relations"

Không đóng trình duyệt đến khi xuất hiện nút TẢI XUỐNG

Finding temporal and causal relations is crucial to understanding the semantic structure of a text. Since existing corpora provide no parallel temporal and causal annotations, we annotated 1000 conjoined event pairs, achieving inter-annotator agreement of 81.2% on temporal relations and 77.8% on causal relations. We trained machine learning models using features derived from WordNet and the Google N-gram corpus, and they outperformed a variety of baselines, achieving an F-measure of 49.0 for temporals and 52.4 for causals. .

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.