論文の概要、ライセンス

# (参考訳) インテリジェントエージェントのための簡易災害関連知識基盤 [全文訳有]

A Simple Disaster-Related Knowledge Base for Intelligent Agents ( http://arxiv.org/abs/2101.10014v1 )

ライセンス: CC BY 4.0
Clark Emmanuel Paulo, Arvin Ken Ramirez, David Clarence Reducindo, Rannie Mark Mateo, Joseph Marvin Imperial(参考訳) 本論文では,フィリピンの災害時における概念と単語関係からなる意味的ネットワークを構築することにより,単純な知識基盤を確立する取り組みについて述べる。 私たちの主なデータソースは、フィリピンのニュースサイトから取り除かれたニュース記事のコレクションです。 単語埋め込みを用いて、初期シード単語リストから意味的に類似し共起する単語を抽出する。 我々は450単語のアサーションを持つ拡張オントロジーに到達した。 言語学、災害学、気象学の専門家に私たちの知識ベースを評価し、一致率64%に到達させました。 次に,アサーションの時系列分析を行い,(a) 人間による役割の傾向,(b) 人間の所属,(c) 災害関連単語の共通化など,知識基盤が捉えた重要な意味的変化を同定する。 本研究から開発されたコンテキスト固有の知識ベースは,facebook messengerなどのプラットフォームに統合されたチャットボットなどのインテリジェントエージェントによって,災害関連クエリに応答することができる。

In this paper, we describe our efforts in establishing a simple knowledge base by building a semantic network composed of concepts and word relationships in the context of disasters in the Philippines. Our primary source of data is a collection of news articles scraped from various Philippine news websites. Using word embeddings, we extract semantically similar and co-occurring words from an initial seed words list. We arrive at an expanded ontology with a total of 450 word assertions. We let experts from the fields of linguistics, disasters, and weather science evaluate our knowledge base and arrived at an agreeability rate of 64%. We then perform a time-based analysis of the assertions to identify important semantic changes captured by the knowledge base such as the (a) trend of roles played by human entities, (b) memberships of human entities, and (c) common association of disaster-related words. The context-specific knowledge base developed from this study can be adapted by intelligent agents such as chat bots integrated in platforms such as Facebook Messenger for answering disaster-related queries.
公開日: Mon, 25 Jan 2021 11:31:05 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
A Simple Disaster-Related Knowledge Base 単純な災害関連知識ベース 0.84
for Intelligent Agents ですから インテリジェントエージェント 0.64
Clark Emmanuel Paulo, Arvin Ken Ramirez, David Clarence Reducindo Clark Emmanuel Paulo, Arvin Ken Ramirez, David Clarence Reducindo 0.85
Rannie Mark Mateo, Joseph Marvin Imperial Rannie Mark Mateo, Joseph Marvin Imperial 0.85
National University Manila, Philippines フィリピンのマニラ国立大学 0.72
1 2 0 2 n a J 5 2 ] L C . 1 2 0 2 n a j 5 2 ] l c . 0.78
s c [ 1 v 4 1 0 0 1 . s c [ 1 v 4 1 0 0 1 。 0.74
1 0 1 2 : v i X r a 1 0 1 2 : v i X r a 0.85
jrimperial@national- u.edu.ph jrimperial@national- u.edu.ph 0.47
Abstract efforts in describe our paper, we estabIn this simple knowledge base by building a lishing a concepts of composed network and semantic context of the in relationships disasters word in the Philippines. 本論文の要約として,フィリピンにおけるインテリジェンス災害語の意味的文脈とネットワークの概念を組み込むことによって,このシンプルな知識基盤を構築した。 0.72
Our primary source of data articles news scraped collection is from of a various Philippine news websites. データ記事のニューススクラップコレクションの主なソースは、さまざまなフィリピンのニュースサイトのものです。 0.77
Using word extract semantically embeddings, we similar words from initial and seed co-occurring an expanded We words ontolat arrive list. 単語抽出を意味的に埋め込み、拡張されたWe単語が到着リストに同時に発生する初期語とシード語から類似した単語を抽出します。
訳抜け防止モード: 単語抽出による意味的埋め込み initial と seed co - 拡張されたWeワードが到着リストに表示される。
0.72
an of total ogy with 450 word assertions. 450単語のアサーションを持つ合計オギーの1つ。 0.64
We a let experts from the fields of linguistics, disasevaluate ters, and weather science our knowledge base and arrived at an agreeability rate of time-based perform a We then 64%. 我々は言語学の分野の専門家であり、ターを軽視し、気象科学を知識ベースとすることで、時間ベースのパフォーマンスの一致率が64%に達しました。 0.75
analysis important of the semanassertions to identify tic changes captured by the base knowledge such as roles played by human (a) the trend of entities, human entities, of (b) memberships and (c) common association of disaster-related words. 人(a)が演じる役割、人的存在の傾向、(b)メンバーシップの傾向、(c)災害関連の単語の共通関連など、基礎知識によって捉えられた情緒的変化を特定するために重要となる分析。
訳抜け防止モード: 人(a)が果たした役割などの基礎知識が捉えたtic変化を識別するためのセマンサセプションの重要分析 人格, (b) 会員, (c) 災害共通協会 (common association of disaster) - 関連用語。
0.69
The context-specific knowledge base developed by from this study can be adapted intelligent integrated such agents bots chat as in platforms such as Facebook Messenger for answering disaster-related queries. この研究から開発されたコンテキスト固有の知識ベースは、災害関連のクエリに答えるためにFacebook Messengerなどのプラットフォームのようにインテリジェントな統合エージェントボットチャットを適応させることができます。 0.66
Introduction 1 The Philippines is a common ground for natural disasters as typhoons According to such and flooding. 序文1 フィリピンは、台風や洪水による自然災害の共通地である。 0.63
of Philippine Atmospheric, Geostatistics the latest Services Administration and Astronomical physical (PAG-ASA)1, cyclones there are more entropical 1Statistics Philippines: the in cyclones tropical annual on http://bagong.pagasa .dost.gov.ph/climate /tropical-cycloneinf ormation フィリピンの大気、地球統計の最新サービス管理と天文物理(PAG-ASA)1、サイクロンはよりエントロピカルな1統計フィリピンがあります: サイクロン熱帯の年間http://bagong.pagasa .dost.gov.ph/climate /tropical-cyclone Information 0.63
anywhere than Philippines the of vicinity the tering tropical 20 cyyear, a In almost the world. フィリピン以外では、世界のほぼ全域で20年ぶりの熱帯性気候である。
訳抜け防止モード: フィリピンのどこにいても、熱帯の熱帯20 cyyearの近くです。 a ほとんど世界の。
0.77
in else into 70% chance enter with clones of a developing catastrophic typhoon. それ以外は 70%の確率で 大型台風のクローンに侵入する 0.59
As result, possible full-blown failure, economic destruction of such aftermath as infrastructures, loss of lives may be imminent and dissemination information proper without and preall directing and paredness. 結果として、完全な失敗の可能性、インフラのような余波の経済的破壊、命の喪失が差し迫った情報であり、指示や粛清なしに適切に広めることができる。 0.54
Thus, research technoefforts logical to disaster preparedness and disaster risk reduction to mitigate the tremendous impacts of natural calamities have been prioritized by the country for years. このように、自然災害の影響を緩和するため、災害対策と災害リスク低減に論理的な研究技術が長年にわたり優先されてきた。 0.78
According to Statista2, the Philippines has 44 milpredicted in users Facebook active lion and is 2019 2023. approximately by 50 million reach to Thus, in disaster-prone taking consideration the situation of the country, we note the importance of establishing context-specific knowledge bases where it can be digital platforms used commonly integrated such to as Facebook Messenger context-specific to answer questions disasters for possible information dison To make and possible, this awareness. statista2によると、フィリピンにはfacebook active lionと2019年2023年時点で44人のミル予測者がいる。この国の状況を考慮した災害対策において、災害対策として、facebook messengerのようなデジタルプラットフォームとして広く統合されているコンテキスト固有の知識基盤を確立することの重要性に注目する。 0.63
semination we present our initial efforts in building a simple knowledge base composed of word concepts joined by semantic word relationships extracted from word large online news trained from a embeddings corpus on disasters. 筆者らは, 単語概念を組み込んだ簡単な知識ベースの構築に, 災害時の埋め込みコーパスから学習した単語大オンラインニュースから, 意味的語関係を抽出した。 0.81
is as follows: The overview of the study First, works previous and we contrasted compared done mining and field of ontology learning in informafor tion from word embeddings building knowledge 2Number Philippines: the in users Facebook of www.statista.com/sta tistics/490455/numbe r-of-philippinesface book-users/ 研究の概観 先行研究の成果 インフォメーションにおける完了マイニングとオントロジー学習の分野 知識の構築 2number philippines: the in users facebook of www.statista.com/sta tistics/490455/numbe r-of-philippines facebook-users/ 0.81
英語(論文から抽出)日本語訳スコア
concepts exhibited by time. 概念 時間によって示される。 0.67
over of Next, we discussed the method extracbases. Over 次に、extracbasesメソッドについて論じた。 0.62
article news from our entities of tion and concepts as labels used for buildsemantic as well the dataset Results relationships. セマンティックやデータセット結果の関係に使用されるラベルとしてのtionと概念のエンティティからの記事です。 0.73
In the section, concept ing word we detail the outcome of using embeddings extracting for dataset collected sefrom our trained mantically similar concepts using an initial concept seedwords list. 本項では,初期概念のシードワードリストを用いて,トレーニングされた人為的に類似した概念から抽出したデータセットの埋め込み抽出結果について詳述する。 0.77
In addition, we also discussed the the disaster ontology from expert validaintegrity of tion. さらに, 災害のオントロジーについて, 専門家の有効性から考察した。 0.65
We wrap up the study by extensively discussing the semantic changes present in the knowledge base 2 Previous Work significant works in ushighlight In this section we the main source of (KBs) as ing knowledge bases intelligence current as as well trends agents for virtual as one way of extracting inusing word embeddings formation and semantic word relationships. 本稿では,知識ベースに存在する意味的変化を包括的に論じるとともに,知識ベースとしての(KB)のメインソースである知識ベースインテリジェンス(インテリジェンス)と,単語埋め込みの形成と意味的語関係を抽出する一つの方法としての仮想的トレンドエージェントについて述べる。 0.77
Building Knowledge-Based Intelligent 2.1 Agents the use of powerful knowledge bases the years, Over agents variety a wide such on seen are of intelligent recommender storytelling bots, as chat agents, and The systems. 知識に基づく知的な2.1エージェントの構築 長年の強力な知識ベースの使用:Overエージェントは、チャットエージェントのようなインテリジェントなレコメンデーションストーリーテリングボットや、システムなど、幅広い種類のエージェントを持つ。 0.78
work of 2018) focused (Ong et al., for knowledge on commonsense a a base building assertions agent children for using storytelling exfrom ConceptNet tracted et al., 2017). 2018年の作品)に焦点を当てた(Ong et al., for knowledge on commonsense a a base building assertions agent children for use storytelling ex from ConceptNet tracted et al., 2017)。 0.92
Con(Speer is ceptNet a large semantic network of word relaagents intelligent adapted be tionships by can that commonsense for reasoning and identifying object relationships. Con(Speer)はceptNetであり、オブジェクト関係の推論と識別に共通する缶によって、知的に適応された単語のリレージントの巨大なセマンティックネットワークである。 0.58
The study knowledge developed a filtering base by relationconcept and concepts out children stocontext of ships are not used in the that rytelling from the ConceptNet. 研究の知識は,関係概念によるフィルタリング基盤を発達させ,概念ネットからリテリングする船の子どものストーコンテクスティングは使用されない。 0.80
Similarly, (2015) Han et al. 同様に、(2015)Han et al。 0.70
natural a that utilizes a knowledge base language dialog agent responses but meaningful diverse generate to the to user. ナレッジベース言語対話エージェントの応答を利用するが、有意義な多様な生成をユーザに提供する。 0.76
from The system extracts related information knowledge base, which was adapted from FreeBase information via al., (Bollacker extracan 2008), et external knowledge tion module. このシステムは、FreeBaseの情報からal.、(Bollacker extracan 2008)、等外部知識モジュールを介して適合した関連情報知識ベースを抽出します。 0.80
The use of a large, base allows the dialog system to expand on the inforusers mation detailed for response from the reply. 大きなベースを使用することで、ダイアログシステムは、応答に対する応答の詳細をインフォアmationで拡張することができる。 0.80
interactive and On the other hand, インタラクティブで、一方では、。 0.57
developed Wang et a more 開発 王 など もう1つ 0.65
the work of はあ? 仕事 ですから 0.53
al. a system (2010) of the development focused on for sub-agents ontology-based three of composed semantic and fuzzy personal inference, knowledge, through generation health person’s evaluating for a ontology his/her diet. アル 2010年に開発されたシステム(英語版)は、存在論に基づく3つの構成された意味論的・ファジィな個人的推論、知識の3つに焦点をあてた。
訳抜け防止モード: アル サブエージェントオントロジーに焦点を当てた開発システム(2010年) - 合成意味論とファジィ個人推論の3つに基づく。 知識は、世代別健康者を通じて、オントロジーで評価される。
0.50
of use an The system makes considering base knowledge embedded with the an statistics Caloric Difpersons health such as BMI, ference, Health Diet Status combined with rules laid that shows Results experts. The system makes consideration base knowledge embedded with the an statistics Caloric Difpersons Healths BMI, ference, Health Diet Status combined with laid rules that show results experts。
訳抜け防止モード: 使用について The system makes consideration base knowledge embedded with the an statistics Caloric Difpersons health as BMI, 基準、保健栄養状態、結果の専門家が規定したルールが組み合わさった。
0.75
domain by down the system exhibits proposed behavior an intelligent in users patterns helping the dietary of based on their from the information constructed ontology. システムダウンによるドメインは、構築されたオントロジーから彼らの食事療法を助けるユーザーパターンでインテリジェントな提案された行動を示す。 0.68
from Word Embeddings Knowledge 2.2 the modone as advent of word The embeddings of relationships semantic ern approaches in extracting to research works potenof words its use fueled has to build more powerful knowledge bases. Word Embeddings Knowledge 2.2 the modone as anvent of word 関係意味の埋め込み 研究への抽出におけるernアプローチは、より強力な知識基盤を構築する必要がある。 0.78
tial Sarkar et al. tial Sarkar et al。 0.78
(2018) used a supervised approach, similar taxonomic the predicting for classification, to text two similarity via concepts of relationship using a Word2Vec embedding (Mikolov et al., 2013b). (2018年)は分類の予測に類似する分類学という教師付きアプローチを用いて、word2vec埋め込み(mikolov et al., 2013b)を用いた関係の概念を通じて2つの類似性をテキスト化した。
訳抜け防止モード: (2018年)分類の予測に類似した教師付きアプローチを用いた。 関係の概念を通じて2つの類似性をテキスト化する word2vec embedded (imilov et al ., 2013b) の使用。
0.70
Results showed that combining the word embedding apbaseline outperformed SVM classifier with an relationship taxonomic proaches for extraction such as using the Jaccard similarity formula and naive string matching. その結果、Apbaseline を埋め込むという単語が SVM 分類器を上回り、Jaccard の類似度式やナイーブ文字列マッチングなど、抽出のための関係分類のproaches と組み合わされた。 0.65
far as buildThe study of Luu et al (2016) went as with architecture ing a dynamic weighting to significantly increase the performance approaches in extraction word embeddings. ビルドに至るまで Luu et al (2016) の研究は、アーキテクチャが動的重み付けをすることで、単語の埋め込みを抽出する際のパフォーマンスアプローチを大幅に向上させた。 0.69
from word The neural network considers not only the word relationship such as hypernym and hyponym but also the terms. ニューラルネットワークは、ハイパーニムや低音などの単語関係だけでなく、用語も考慮しています。 0.69
between information contextual The prothe exhibits approach for generalizability unseen posed 13% additional pairs obtained word and has 9% to accuracy score using a general domain-specific and datasets. 情報コンテキスト間において、prothesの一般化可能性に対するアプローチは、13%の単語が取得され、9%から9%の精度スコアを持つ。
訳抜け防止モード: 情報文脈間の関係 一般化可能性のアプローチは13%追加の単語を提示する 一般的なドメイン – 特定データとデータセット – を使用して,9パーセントの精度スコアを持つ。
0.67
the work submit(2016) Pocostales of Likewise, ted to the SemEval-2016 Task for Taxonomy Extraction Evaluation (Bordea et al., 2016) focused on us(Pennington model embedding word GloVe ing et an offset al., with feature to extract hyper2014) nym candidates from sample word list. 論文(2016) Pocostales of Likewise,ted to the SemEval-2016 Task for Taxonomy Extraction Evaluation (Bordea et al., 2016)は、私たち(Pennington Model Embedding Word GloVe ing et a offset al., with features to extract hyper2014) nym candidate from sample word list. (英語) 0.87
Results a that showed capcompletely cannot offset vector a ture the hypernym-hyponym relationship of words due to complexity. その結果, 単語の高調波・高調波関係が複雑化するため, ベクトルをオフセットすることができないことがわかった。 0.52
network custom neural and of statistical linguistic ネットワークカスタムニューラルと統計的言語学 0.82
relationships 関係 0.72
英語(論文から抽出)日本語訳スコア
2017 family fire flood update tricycle 2017家族火災洪水更新三輪車。 0.59
Tag noun noun noun verb noun タグ名詞名詞動詞名詞 0.48
2018 act announced ashfall police lava 2018年 アッシュフォール警察の溶岩を 0.48
Tag verb verb noun noun noun Tag verb (複数形 Tag verbs) 0.63
2019 bulletin quake typhoon weakened affected 2019年日本大震災、被災地が縮小 0.48
Tag noun noun noun adjective verb タグ名詞名詞名詞形容動詞 0.61
Table 1: Top 5 seed words 表1: トップ 5 seed + word 0.77
per year. 3 Data Filipino over 4,500 For study, we this scraped 2017 years from to disaster-related articles news from Philippine articles news 2019 (1,500 per year) using Octoparse Webscraping as our Tool websites covers wide range dataset. パー 年だ 3 data filipino over 4,500 調査のため、我々は2017年から災害関連記事 news from philippines articles news 2019 (1,500 per year)まで、幅広いデータセットをカバーするツールwebサイトとして octoparse webscraping を使用して、2017 年を廃止した。 0.60
primary The corpus a transpired in the Philippines that of natural disasters and landslides as earthquakes, such typhoons, also includes statistics from damages reand casualty articles will news collection ports. 主要 台風などの地震などの自然災害や地すべりの被害がフィリピンを襲ったコーパスには、被害の統計も含まれており、損失記事はニュース収集ポートになります。 0.72
be of large This the knowledge base the groundwork of as it contains disaster-related context words as concepts. この知識は、災害関連のコンテキストワードを概念として含むための基礎となるものです。 0.82
We partitioned the dataset into three by year (2017 to 2019) the word embedding model generation. データセットを3つに分割した(2017年から2019年まで)。 0.43
for The purallow us dataset will the partitioning of pose anto of the alyze relationships temporal changes sematic is of concepts. for the purallow us data will the partitioning of pose anto of the alyze relationships temporal change sematic is of concept。 0.75
More on this in the sucdiscussed sections. sucdiscussedセクションでこれについての詳細。 0.68
ceeding presented To in concepts all note, this document are translated to English for the international audience. ceeding presented To in concept all note, このドキュメントは、国際的な聴衆のために英語に翻訳されます。 0.78
Building the Knowledge Base 4 Extracting Concept Seedwords 4.1 a knowledge base starts with establishing Building refer that entities world to words real or concepts as nouns, adjectives, verbs and that represent such apple, spoon, cake, objects such as peoeveryday ple like mother, police, mayor, description of objects red, big, and action words such as beautiful, that sigwalks, jumped eating an nify activity such and (Ong, 2010). 知識ベース4 Extracting Concept Seedwords 4.1の構築は、知識ベースの構築から始まる。 知識ベースは、言葉の現実や概念を、名詞、形容詞、動詞、リンゴ、スプーン、ケーキのようなオブジェクト、母、警察、市長のようなピーエブリーデイプルのようなオブジェクト、赤、大、アクションワードの記述、美しい、シグウォークのようなオブジェクト、大きな、アクションワード、そして、シグウォークをし、ニッチアクティビティを摂り始めた(Ong, 2010)。 0.74
To identify the grammatical each concategory of adjective, is know whether to cept a noun, an or it semantic to verb labelling, we a aid relationship tagger3 used a Filipino parts-of-speech (POS) developed currently is which (2017) Nocon Go by 3github.com/matthewg o/FilipinoStanfordPO STagger 形容詞の文法的各カテゴリを識別するために、名詞、動詞のラベリングに意味的であるかどうかを知るために、我々は、現在開発中のFilipino Part-of-speech (POS) を用いて支援関係のタグ付けを行い、2017年、Nocon Go by 3github.com/matthewg o/FilipinoStanfordPO STagger
訳抜け防止モード: 形容詞の各カテゴリを文法的に識別する。 動詞のラベリングに名詞、またはそれが意味を持つかどうかを知ることです。 We a aid relationship tagger3 using a Filipino parts - of - speech ( POS ) now developed that (2017 ) Nocon Go by 3github.com/matthewg o/FilipinoStanfordPO STagger
0.74
the and as in integrated the Stanford CoreNLP package (Man2014). と として はStanford CoreNLPパッケージ(Man2014)を統合した。 0.59
al., ning et We the extracted top 50 highfrequency concepts per year from the collected news Taseed words. al., ning et we the extract top 50 high frequency concepts per year from the collection news taseed words (英語) 0.79
initial of total a having dataset, 150 ble from the 1 shows the top 5 seed words per year faminitial word list. データセットを持つ合計の初期、1から150 bleは、一年あたりのトップ5のシード単語リストを示しています。 0.77
Both common words such as update police tricycle, ily, disasteras well and as ashfall, flood, typhoon, related words such as and quake to name a few are present. 警察の三輪車、ily、災害、灰の降水、洪水、台風などの一般的な言葉の両方があり、いくつかの名前に地震などの関連語があります。 0.70
These concepts are then paired with other concepts to form a meanbinary called of representation ingful a knowledge assertion described in the next section. これらの概念は他の概念と組み合わされ、次のセクションで説明されている知識のアサーションをingful表現と呼ばれる平均的概念を形成する。
訳抜け防止モード: これらの概念は他の概念と組み合わされます。 次のセクションで説明されている知識のアサーションを ingful と呼びます。
0.76
Semantic Relationship Labelling 4.2 obtained are context-specific words set Once of the disasterof case the dataset, from the in this study, the process next the concepts, related to establish seThese words. 得られたセマンティックリレーションラベル4.2は、コンテキスト固有の単語セットである。災害の場合データセットは、この研究で、概念の次のプロセスであり、setheseワードを確立することに関連する。 0.65
of semantic correct relationship can relationships in the mantic be structured form of a binary previously stated. 意味的正しい関係のマンティックな関係は、以前に述べたバイナリの構造化形式である。 0.65
Ong et assertion as al. Ong et assertion as al. 0.85
(2018) stated that the binary assertions of conagents by storyas such virtual needed are cepts a telling agent or a chatbot to be able generate reto sponses from a commonsense knowledge base. (2018) は、そのような仮想的な要求によって、コナジェントによるバイナリアサーションは、コモンセンスの知識ベースからリト・スポンジを生成することができるように指示エージェントまたはチャットボットであると述べた。 0.50
Secan also be used for other relationships mantic tasks as as well of words such query informaexpansion tion retrieval (Attia et al., study, we 2016). Secanは、他の関係のマンティックタスクだけでなく、クエリインフォア拡張イオン検索(Attia et al., study, we 2016)などの単語にも使用されます。 0.66
For this adapt the binary format used by Conceptassertion al., Net below: shown 2017) et (Speer concept2] semantic-rel [concept1 semantic-rel speciwhere the stands for concepts fied semantic of the two ( relationship concept2) concept1 meancontains and that semantic six ing. このために、Conceptassertion al.で使われるバイナリフォーマットは以下に示す。) et (Speer concept2] semantic-rel [concept1 semantic-rel speci where the stands for concept fied semantic of the two ( relationship concept2) concept1 meancontains and that semantic six ing。 0.89
We relation labels adapted the CogALex-2016 Shared Task on Corpusfrom the Based Semantic Identification (Santus Relations of Synonym (SYN) Antonym et al., 2016) which are (ANT), Hypernym (HYP), Membership (PartOf), 我々はCogALex-2016 Shared Task on Corpus from the Based Semantic Identification (Santus Relations of Synonym (SYN) Antonym et al., 2016)を (ANT), Hypernym (HYP), Membership (PartOf) に適合させた。 0.81
英語(論文から抽出)日本語訳スコア
Relation Synonym Antonym Hypernym Performs Membership Adjective Cause Effect Random Relation Synonym Antonym Hypernymはメンバーシップの形容詞的原因効果をランダムに実行します。 0.53
Tag SYN ANT HYP DO PartOf IS CAUSE dueTo RAND Tag SYN ANT HYP DO PartOf は、RAND に起因する原因です。 0.63
same meaning with concept2 concept2と同じ意味です。 0.65
Rule the If concept1 has the opposite meaning with concept2 If concept1 has a broader meaning If concept1 has the If concept1 is actor/does If concept1 is a member of concept2 If concept1 describes concept2 If concept1 is the cause of event concept2 effect of resulting If concept1 the event concept2 relationship concept2 If concept1 has no direct Rule the If concept1 has the opposite meaning with concept2 if concept1 has a wide meaning if concept1 has the If concept1 is a actor/does If concept1 is a member of concept2 if concept1 is describe concept2 if concept1 is the cause of event concept2 effect of result If concept1 the event concept2 relationship concept2 if concept1 is not direct 0.87
compared of concept2 コンセプト2と比べて 0.66
to concept2 Table 2: コンセプト2に 表2: 0.77
Semantic relations with its corresponding 意味 関係性 その 対応 0.61
rules and examples. 規則 そして 例です 0.70
and Random (RAND) adshown as In 2. in Table our few semantic a dition, added we also of labels will we that concepts to respect with own be the on study which disworking this in the field of are Performs (DO) signify asters. and random (rand) adshown as 2 in 2 in table our few semantic a dition, we also of labels では、自分自身を尊重する概念は、これを are (do) の領域で分解する on study となるだろう。 0.65
Thus, we added to Adjective (IS) action, to signify description, and (dueTo) Cause (CAUSE) and Effect to signify consequences of disaster in a events setting. そこで我々は, 目的語 (IS) アクションに, 記述と (dueTo) 原因 (CAUSE) と, 事象における災害の結果を示すエフェクトを加えた。 0.75
Concept Expansion using Word 4.3 Embeddings representations are of enan embeddings Word vocabulary in a mathematical vector document tire a represented with is realof set Each word space. Word 4.3 埋め込み表現を用いた概念拡張 エンナン埋め込みの表現 数学的ベクトル文書のタイヤに単語の語彙は Realof set 各単語空間である。 0.86
set specific given a of dimensions. 次元 a を具体的に指定する。 0.67
numbers valued as Word2Vec architectures such embedding Word 2013a; Mikolov et al., 2013b) and et al., (Mikolov or GloVe Global Vectors et al., (Pennington 2014) relationships various of words in a corpus capture syntactic similarsimilarity, semantic such as the ity, and word co-occurrence to name a few. Word 2013a; Mikolov et al., 2013b) や et al., (Mikolov or GloVe Global Vectors et al., (Pennington 2014) などの Word2Vec アーキテクチャとして評価されている数字は、コーパス内の単語の様々な関係を捉えるシンタクティックな類似性、同義性などの意味、および数名に単語共起します。 0.79
Thus, if commonly two words the in together used are same disaster-related context, articles, we can such as in close expect them to be together when represented For in the most space. したがって、一緒に使われる2つの単語が、同じ災害関連コンテキストや記事であれば、最も大きな空間で表現されたときに、それらを密接に期待することができる。 0.75
vector finding example, the query word warning the similar terms using from a trained on a disaster-related word embedding model typhoon, flooddataset will output words such ing, since the word warning is commonly and signal used in texts to notify people of possible natural disasters. ベクトル探索の例では、災害関連単語埋め込みモデル台風で訓練された単語から類似した単語を警告するクエリワードが、単語警告が一般的であり、テキスト内では自然災害の可能性を人々に通知するために使われるため、洪水データセットはこのような単語を出力する。
訳抜け防止モード: ベクトル探索例 災害時の訓練結果から類似語を警告する問合せ語 -関連する単語埋め込みモデル台風- flooddatasetはingのような単語を出力します。 警告」という言葉は、自然災害の可能性を人々に知らせるためにテキストで使われる。
0.79
For model dataset word a generated embedding news article partitioned of three modof total A 2019. モデルデータセット word a generated embedded news article partitioned of three modof total a 2019 (英語) 0.79
we this study, year each for from 2017 to この研究では 2017年から2017年まで毎年 0.78
as generated seedwords using els were architecture the Word2Vec (Mikolov et al , 2013b). として 生成 種語 els は Word2Vec (Mikolov et al , 2013b) のアーキテクチャである。 0.63
In addition, we used the iniconcepts 150 contains list which tial (50 to extract for each year) as query words semantically terms which similar occur in the context of disaster. さらに,災害の文脈で類似した用語を意味的に問合せする用語として,tial (50 年毎に抽出する) のリストを含む iniconcepts 150 を用いた。 0.91
Results 5 expanded the 3 shows Table querying by ontology seedwords sample four from embedding word the semantically three only We model. 結果 5 を拡張 オントロジーによるテーブルクエリ シードワード サンプル 4 埋め込みワード the semantically three only we model から。 0.72
the top filtered similar resulting words from each query word that falls under a manually-annotated and qualified semantic label discussed in Section 4.2. セクション4.2で議論された手動で注釈付けされ、修飾されたセマンティックラベルの下に置かれる、各クエリワードの上位のフィルタリングされた類似した単語。 0.54
From this, we composed expanded an arrived 450 of ontology at knowledge base. このことから、知識ベースで到着した450のオントロジーを拡張した。 0.76
disaster-related for assertions our From the resulting expanded ontology, already it knowledge agent intelligent that the us provides an piece form when or someasked together can about thing in the context disasters. 災害関連のアサーション私たちの拡張オントロジーから、すでに知識エージェントインテリジェントは、米国がコンテキスト災害で物事についてできるときに、または一緒に取り組んだときに、ピースフォームを提供する。 0.61
Take in, for exof tremor. 震えをなくすために、立ち入りなさい。 0.57
ample, the word Obtaining the top three using expanded semantic assertions with and labels the word tremor word embeddings informs us that is afsynonymous and interchangeable with the word アンプル、"Obtaining the top three using expanded semantic assertion with and labels the word tremor word embeddings" という単語は、"afsynonymous" であり、"interchangeable" ; という単語と交換可能であることを教えてくれます。 0.56
Figure panded 1: Hierarchy ontology. 図 1:階層的オントロジー。 0.54
of hypernyms ですから hyper +nym 0.50
formed from the ex- 形成 から 元 0.60
英語(論文から抽出)日本語訳スコア
Seedword police tremor セドワード警察 震え 0.66
rescue experts Semantic Label DO IS DO SYN dueTo dueTo partOf HYP HYP IS DO DO 救助 専門家 Semantic Label DO SYN dueTo dueTo partOf HYP HYP is DO DO DO 0.71
Assertions [police DO risk] [police IS armed] [police DO commitment] [tremor SYN aftershock] quake] [tremor dueTo [tremor dueTo earthquake] [rescue partOf operations] [rescue HYP retrieval] [rescue HYP aid] [experts IS supporting] [experts DO recommend] [experts DO impose] Assertions [police DO risk] [police IS armed] [police DO commitment] [tremor Syn aftershock] quake] [tremor dueTo [tremor dueTo [rescue partOf operations] [rescue HYP search] [rescue HYP aid] [experts IS support] [experts DO recommend]] [experts DO imposed] 0.78
Table 3: Expansion of knowledge 表3: 拡張 知識の 0.75
base using word embeddings. 単語を用いたベース 埋め込み。 0.59
involuntary the of underdue breaking to and earththe words quake dueTo label the semantic earthquakes is root cause scientific definition (Yose, 地震」という単語は「地震」のラベルを付け、科学的定義の根本原因(yose, yose)である。 0.70
tershock which scientifically means the movement of surface ground rocks. 地上の岩石の動きを科学的に意味するtershock。 0.79
Likewise, quake annotated with are which denotes effect since of tremors according to 2013). 同様に、アノテートされたクエーカーは2013年の震動から効果を示す)。 0.62
observation from the expanded Another ontology is the knowledge of understanding general actions to the ones. 拡大された別のオントロジーからの観察は、それらに対する一般的な行動を理解する知識です。 0.62
In example, the more specific action word hypernym, which means rescue general it is a a is specified possibly be that further, can word this in aid. 例えば、より具体的な行動語 hypernym は、a である救助一般が指定されていることを意味するが、さらに、これを助けて表現することができる。 0.75
case, it is the hypernym word Conseof the the word operation is a hypernym of rescue. 場合、それはハイパーネームの単語ですConseofの単語操作は救助のハイパーネームです。 0.56
quently, interpret we altogether, words the Combining can assertions the three successive actions as a string of in an operation involves as shown in Figure 1 where rescue rescue may such the meaning and a vary of retrieval that form of some it (a) of missing can be aid stranded people or (b) peofor the wounded or ple. 多くの場合、コンバインが操作において連続した3つの行動の列として主張できる言葉は、第1図に示すように、救助がそのような意味と、行方不明者の何らかの形態が、立ち往生した人々を助けるか、または(b)負傷者または麻痺者を助けることができるという検索の多様性を含む。 0.63
Lastly, was embedding word model able to responsibilities that imply produce conby in the form of human entities. 最後に、人間の形でconbyを生成する責任を負うことができる単語モデルを埋め込んでいた。 0.71
cepts In the two examexperts shown in Table 3, ples of human entities and DO which police, of are labels semantic the most action description. 表3に示す2つのテスト専門家のceptは、人間のエンティティのpleと、どの警察が最もアクション記述を意味付けるラベルであるかを示します。 0.64
IS denotes and which denotes For police, common known actions done in the concommitment while risk are disasters of text beand For experts, ing armed. isは警察を意味し、これはコンコミテーションでよく知られた行動であり、リスクは専門家、ing武装のためのテキストビーンの災難である。 0.55
the responsibilities are in the supporting recommendline of a claim as well 責任はクレームの推奨事項にも属している 0.63
the words as and 言葉は として そして 0.65
based on such ベース オン そのような 0.56
as (a) future として (a) 未来 0.72
actions scientific imposing 行動 科学 imposing~ 0.72
ing knowledge. We observe the significant potential of using word expanding knowledge bases by capfor embeddings levels various turing unof information derstanding interchangeable context-specific words, in the case of this disaster-related words, study on played roles entihuman by understanding (b) and in used When this described ties section. ingの知識。 本報では,単語展開の知識ベースをcapfor埋め込みレベルで活用する有意な可能性について考察する。この災害関連語では,遊び役を理解(b)して研究し,この関連節では活用する。 0.74
inby an telligent agent, it will have an idea of what response be can such questions queried with produced when a do?” officer police ”What does ”What hapas or pens after an earthquake?”. インビエントエージェントによって、そのような質問は、地震の後、どのようなハパやペンをしますか?
訳抜け防止モード: Inby a telligent agent, どのような反応が得られれば、そのような質問が生成された時にクエリできるのか?」と記している。 警察官 ”What do ” What hapas or pens after a earthquake ?
0.87
Expert Validation 5.1 using word of effectivity emthe gauge To properly knowledge of bases, we for beddings the expansion exthree inviting process by validation performed a response, linguistics, disaster in of perts the fields evaluate the assertions of the and to meteorology assertion is evaluated using Each knowledge base. 効果の単語を用いたエキスパートバリデーション5.1 効果エンセゲージ ベースを適切に把握するため、各ナレッジベースを用いて、フィールドがアサーションを評価し、気象学アサーションに対する応答、言語学、パートの災害を検証することにより、拡張ex Three招待プロセスを寝具にします。
訳抜け防止モード: 効果エンセゲージの単語を用いたエキスパートバリデーション5.1 基地を正しく知る。 We for beddings the expansion ex Three invite process by validation performed a response, languages, disaster in of perts フィールドの評価と気象学のアサーションは、各知識ベースを使用して評価されます。
0.80
Agree two-scale metric: that deems if a the expert relationship observes the assertion a correct and se([doctor SYN medical person]) labelling mantic or Disagree if the assertion is not properly labelled to ([flood SYN typhoon]). Agree two-scale metric: 専門家関係がアサーションに正しいとse([ドクターSYN医療者])を観察した場合、アサーションが適切にラベル付けされていない場合、マンティックまたはDisagreeをラベル付けします([flood SYN台風])。 0.74
correct form a relationship averaged the Table 4 shows rate of agreeability process. correct form a relationship averaged the Table 4 show rate of agreeability process。 0.77
validation the expert show that the Results the is rating highest the with accurate model most disaster-related trained model Word2Vec on news articles collected in the year of 2019. 専門家は、結果が最も正確なモデルで評価されていることを示しています 災害に関連する訓練されたモデル Word2Vec 2019年の年に収集されたニュース記事。 0.60
This is fol- これはfolです。 0.54
英語(論文から抽出)日本語訳スコア
Model Aggreability Rate Word2Vec 2019 Word2Vec 2018 Word2Vec 2017 モデル 凝集率 Word2Vec 2019 Word2Vec 2018 Word2Vec 2017 0.64
0.64 0.52 0.49 0.64 0.52 0.49 0.47
Table 4: Expert validation for 表4: 専門家 Validation for ~ 0.69
the knowledge base. はあ? 知識ベース。 0.53
by word embedding models lowed using the 2018 semi-low agreeattribute dataset. 2018年のセミローコンセンサス属性データセットを使用して、単語埋め込みモデルが低くなった。 0.53
We 2017 and the usage due the scores to variation ability of word of the experts in their corresponding fields study. 2017年と使用状況は、対応する分野の研究において、専門家の単語の変動能力に起因している。 0.64
of the assertion [tremor SYN earthquake] For example, experts and by evaluated was as disaster linguist the Agree while the meteorologist excontested. 例えば、専門家や専門家による評価は、気象学者が論じている間、アグリーという災害言語学者であった。 0.61
The pert on meteorology swears by the scientific definition earthdifferent with very are tremors of which caused are that in quakes tremors by eartha way quakes and not an interchangeable term as perceived by the other two non-technical experts. 気象学におけるパートは、地球と非常に異なる科学的定義によって、地震による地震の震源であり、他の2人の非技術専門家が認識する交換可能な用語ではない。 0.66
This pattern is synusing assertions other observed with the also typhoon] [storm as SYN such labelling onym and [lava SYN magma]. このパターンはタイフーンで観測された他の主張を合成している [storm as syn like labelling onym and [lava syn magma]。 0.75
Discussion 6 even more this section, we In perform an changes in analysis by considering the of information semantic or meaning the of time. 議論6 さらに本節では,情報の意味や時間の意味を考慮し,分析の変化を行う。 0.68
We over the knowledge base break cussion into three categories we observed analysis. 我々は知識ベースを3つのカテゴリに分けて分析を行った。 0.79
Roles Played by Human Entities 6.1 changing the observe played by three esWe roles and police experts, sential human entities, governor, disaster time of the over a setting in as writnatural expected articles. 人間主体が演じる役割 6.1 は、3つの esWe の役割と警察の専門家、派遣された人間の実体、知事、災害時の観察を変更します。 0.68
are to in ten entities news These alert be on full and their responsibilities are crucial consequences of disasters. これらのアラートは完全であり、彼らの責任は災害の重大な結果です。
訳抜け防止モード: ニュースを10件にまとめ これらの警告は そして彼らの責任は、災害の重大な結果です。
0.66
towards mitigating the governor, entity highest the commanding The or performs individual Philippine province, various of 5, roles over time. 総督の緩和に向けて、フィリピン各州を統括する最高機関は、時間とともに5人の役割を担っている。 0.69
As seen in Table the entity is label DO to desemantic connected mostly the by assure, explain, concepts action note with such as oversee, develop, declare. 表に示すように、エンティティは、主に保証、説明、監督、開発、宣言などの概念アクションノートによって接続されるデセマンティックにラベルDOです。 0.65
and There are also a few IS the connected words description such label by mandatory political which as and is obvious since political holding a gubernatorial position is indeed また、知事の地位を政治的に保持していることが事実であることから明らかであるように、強制的な政治的ラベルによる接続された単語の記述もいくつか存在する。
訳抜け防止モード: そして、義務的な政治によってそのようなラベルを関連付けられた単語の説明もいくつかあります。 州知事の地位を持つ政治的な立場は
0.63
in-depth semantic assertions the disfrom the in-depth semantic asserts the disfrom the the the 0.73
its a governor’s office is in and resolutions filed in essence mandatory. 知事の事務所があり、本質的に提出された決議は必須です。 0.51
experts entity expected the to also is Similarly, For 2017 as seen in the changing roles. 専門家は、2017年の場合、役割の変化も同じように予想していた。 0.74
have various checkTable, common action words associated are verifying ing provides which of one most the and disasters: the of experts in important roles field of validating the integrity of information being publiFor 2018, experts play more of an information cized. 重要な役割分野の専門家は、publiである情報の完全性を検証するという重要な役割の分野2018年の専門家は、サイジングされた情報の多くを再生します。
訳抜け防止モード: have various checkTable, common action words associated are confirmeding ing provides one of one of the most the and disasters : the expert in important role field of the valid of information being publiFor 2018, 専門家はもっと情報を 共有しています
0.81
concept announce dissemination role with the as the In connecting assumed action word. 概念は、想定された行動語を結合する as で伝達の役割を宣言する。 0.57
2019, experts a more connected as observed with the stricter role and impose. 2019年は、専門家がより厳格な役割と強制に結びついている。 0.60
recommend such concepts as the entity police, there is consistent associated For descriptor across the years regarding their responsirisk. エンティティ警察のような概念を推奨すると、そのリポンシリスクに関して何年もにわたってディスクリプタに一貫性がある。
訳抜け防止モード: エンティティ警察のような 概念を推奨します Responsirisk に関する Descriptor には,長年にわたって一貫性のある関連性がある。
0.61
bility: of a This provides us concrete idea a police. 能力:これは私たちに具体的なアイデアを警察に提供します。 0.65
role consequence when In a of the assuming control, strong action words 2017 and 2018, such as damage, armed are tied with a policeman’s job. 役割の結果 想定制御の場合には、2017年と2018年のような強い行動言葉は、武装した警官の仕事と結びついています。 0.70
and police assumed In a more entity the however, 2019, role passive as more of an the coninformant with action words being study and alerts. そして警察は、2019年よりも、行動語が研究と警告の共形体として、受動的の役割を担っていると仮定した。 0.62
nected Memberships 6.2 of Human Entities memberships in observed of huWe changes also in context of disasters over seen as man entities time semandenoted are in Table 6. nected Memberships 6.2 of Human Entities Members in observed of huWe changes in context of disaster as seen as man entity time semandenoted 表6に示す。 0.83
Memberships the by tic labels HYP for hypernyms or general words and for hyponyms more partOf specific words. ハイパーニムまたは一般的な単語と低音のより多くの部分のための tic ラベル HYP のメンバーシップ特定の単語。 0.65
We obmayor, entities: serve memberships played of three student, teacher. 会員は3人の生徒と教師で構成されている。 0.57
entity mayor, memberships speare more the For and is cific in 2017 entity expected to The 2018. partner with small such as a municipality in groups sitio govlarge as well barangay a or as with cite a such as Division on the Welfare of ernment agencies and Department the Urban Poor (DWUP) of Environment and Natural Resources in times of (DENR) There disasters. 団体の市長、メンバーシップは、2017年により多くのForをスパイアし、2017年にcificと期待されている団体は、グループで自治体のような小さなパートナーstio govlargeだけでなく、barangay aまたは(DENR)災害の時に環境と天然資源の都市貧困部(DWUP)の分科会などの引用で。 0.67
such general memberships also are government administration to which and as enthe tity is an obvious member. そのような一般会員はまた、政府行政であり、enthe tityは明らかなメンバーである。 0.67
student, In the of the entity there is a mix of case generalized memberships. 学生、その団体には、ケースの一般化されたメンバーシップが混在している。 0.65
speCertain specific and such as UP or cific universities the University of the PUP Philippines and Polytechnic University of or institutions where as classified Philippines were the a student may belong. SpeCer certain specific and such certain specific and such as UP or cific University, the University of the PUP Philippines and Polytechnic University of or institutions that as classified Philippines was as the a student may be belong. 0.90
General and obvious concepts elementary, school, organization Unisuch as 一般的で明白な概念 小学・学校・組織など 0.69
and そして 0.72
英語(論文から抽出)日本語訳スコア
Seed governor experts police 種知事 専門家 警察 0.64
2017 [governor DO assure] [governor DO giving] [governor DO explain] [experts SYN representative] [experts DO checking] [experts DO verify] [police DO risk] [police DO control] [police DO damage] 2017 [Governor DO provide][Governor DO explain][Experts Syn representative] [Experts DO Check] [Experts DO verify] [police DO risk] [police DO control] [police DO damage] 0.65
2018 IS political] [governor [governor DO oversees] [governor IS mandatory] [experts DO work] [experts IS frantic] [experts DO announce] [police DO risk] [police IS armed] [police DO commitment] 2018 IS 政治] [政府 [政府 DO 監督] [政府 IS 必須] [専門家 DO 作業] [専門家 DO 発表] [専門家 DO リスク] [政治 DO リスク] [政治 IS 武装] [政治 DO コミットメント] 0.68
2019 [governor DO declare] [governor DO resolution] [governor DO develop] [experts IS supporting] [experts DO recommend] [experts DO impose] [police DO risk] [police DO study] [police DO alerts] 2019[Governor DO declared][Governor DO resolution][Governor DO developed][Experts IS Support][Experts DO recommend][Experts DO imposed][police DO risk][police DO study][police DO alerts]]
訳抜け防止モード: 2019年[知事宣言] [知事決議] [知事宣言] [in Japanese] 専門家は支援しています ] [専門家 DO 推奨] [専門家 DO を課す] [警察 DO リスク ] [警察 DO 研究] [警察 DO 警告]
0.70
Table 5: entities. Seed mayor 表5 エンティティ シード市長 0.49
student teacher 2017 partOf hall] [mayor partOf DWUP] [mayor partOf [mayor sitio] [student partOf PUP] [student IS victim] [student IS resident] [teacher DO education] partOf DepEd] [teacher [teacher school] partOf 学生 先生 2017部ホール] [mayor partOf DWUP] [mayor partOf [mayor sitio] [student partOf PUP] [student IS victims] [student IS resident] [teacher DO Education] PartOf DepEd] [teacher [teacher school] partOf 0.75
by played human Roles 2018 administration] [mayor partOf [mayor DO communication] [mayor partOf DENR] [student partOf elementary] [student partOf school] [student IS minor] [teacher DO research] [teacher DO education] [teacher partOf school] で 演奏 人間 役割 2018年行政] [担任(担任) [生徒(生徒)] [生徒(生徒)] [生徒(生徒)] [教師(研究)] [教師(教師)] [教師(教育)] [教師(教師)] 0.66
2019 [mayor RAND workers] [mayor government partOf ] [mayor RAND employers] organization] [student partOf [student partOf University] [student partOf UP] house] [teacher [teacher SYN employee] [teacher school] 2019 [mayor RAND workers] [mayor Government partOf] [mayor RAND employers] organization] [student partOf [student partOf University] [student partOf UP] house] [teacher [teacher Syn employee] [teacher School] 0.84
partOf partOf PartOf パートOf 0.76
Table 6: Memberships of 表6 会員 ですから 0.57
human entities. contribute 人間 エンティティ 貢献 0.63
information commonsense versity to the the knowledge base. 情報 常識 知識基盤への異質さ 0.56
of teacher, concepts general of mementity the For compared to the other are more berships prominent school is concept The two entities. 教師の、記憶の一般的な概念 他と比較すると、よりバーシップです 著名な学校はコンセプト 2 つの実体です。 0.62
all for consistent term DepEd Department which means years. 年を意味する一貫した言葉DepEd部のためのすべて。 0.56
The government of Education, the agency responsible in shaping the educational landscape of the Philipentity. 教育省(英語: government of education)は、フィリップ族の教育の景観を形作る機関である。 0.59
DepEd oversees connected to the pines, elis and ementary intermediate level schools which may term teacher mean that the is tied with commonly conthe Interestingly, levels. DepEdは、ピン、エリス、および要素の中間レベルの学校と結びつくことを監督しており、これは教師を意味することもあるが、これは一般的に興味をそそるレベルと結びついていることを意味する。
訳抜け防止モード: DepEdは、ピン、エリス、および中等教育を監督する。 教師という用語は、一般的に興味をそそるレベルと結びついていることを意味する。
0.60
from these educators teacher. house Alentity the tied with also cept is though it may already be a teacher asobvious that sumes a different role inside the house maybe as a mother or breadwinner. 教育者の先生から house Alentity も cept と結びついているのは、おそらく母親やパン屋として家の中の別の役割を要約するのは、すでに教師であるかもしれないが。 0.63
a 6.3 Common Word Association of Disaster-Related Terms change observe last the For over ation of disaster-related words time 6.3 災害関連用語変化の共通語連想は,災害関連単語の時間的超過を最後に観察する 0.83
category, we カテゴリー、私たちは 0.67
in as associseen in で Associseen in 0.54
the importance of Table 7. テーブル7の重要性。 0.73
We highlight this analysis to understand how a knowledge base using informaembeddings word from tion interchange extracted co-occurring and similar words in the context of disfrethe we For asters. 本分析では, 情報化を用いた知識ベースが, 共起語と類似語を単語交換からどのように抽出したかを理解するために強調する。 0.79
four analyze category, this quently occurring natural disasters in the Philippines earthquakes, eruption, landslide, which are and typhoon. フィリピンの地震、噴火、地すべり、台風で発生した自然災害の4つの分析カテゴリー。
訳抜け防止モード: 4つの分析カテゴリ、フィリピンの地震におけるこの絶え間ない自然災害、。 噴火、地すべり、台風です。
0.73
earthquake. is word disaster-related first The earthyears, all for formed From the assertions quakes term quakes which synonymous with the are addition, In of version shortened a denote the word. 地震だ is word disaster-related first the earthyears, all for form from the asserts quakes term quakes which synonymous the are added, in in in version shortified a terms the word。 0.75
magnitude the term a consistent conis also term earthquake nected to the seedword which tells us their own corresponding magthat earthquakes have nitudes quantified some number. マグニチュードは「一貫した円錐」という用語で シードワードに命名された 地震は 対応するマグニチュードを 数量化している 0.64
by In the case of eruption, most assertions formed are IS descripto denote used with tion the years, most or deof scriptive words associated with the term are negative destruction, explosuch as by 噴火の場合、形成されるほとんどのアサーションは、経年で使われるIS記述記号であり、用語に関連するスクリプト語のほとんどまたは廃止は、負の破壊、爆発などである。 0.68
label semantic Across the hazardous, ラベルの意味 Across the hazardous, 0.79
the property. amplifying, 財産だ 増幅 0.30
英語(論文から抽出)日本語訳スコア
Seed earthquake eruption landslide 種子地震 噴火 地すべり 0.63
typhoon 2017 [earthquake IS magnitude] [earthquake SYN quake] [earthquake RAND drill] [eruption IS amplifying] [eruption IS fast] [eruption IS confirmed] [landslide dueTo flood] [landslide HYP mudslide] [landslide RAND area] [typhoon IS expected] [typhoon partOf calamity] [typhoon SYN onslaught] 台風 2017 [Earthquake IS magnitude] [Earthquake SYN quake] [Earthquake RAND Drill] [eruption IS amplifying] [eruption IS fast] [eruption IS confirmed] [landslide dueTo flood] [landslide HYP mudslide] [landslide RAND Area] [typhoon IS expected] [typhoon partOf calamity] [typhoon SYN onslaught] 0.74
2018 IS magnitude] [earthquake [earthquake SYN quake] [earthquake IS intensity] [eruption IS happening] IS explosive] [eruption [eruption CAUSE destruction] [landslide dueTo rain] [landslide IS torrential] [landslide HYP mudslide] [typhoon SYN storm] [typhoon IS super] IS powerful] [typhoon 2018 ISマグニチュード] [地震 [地震 SYN 地震] [地震 IS 強度] [地震 IS 強度] [噴火 IS 発生] 爆発的] [噴火 [爆発 CAUSE 破壊] [地すべり 雨が降る] [地すべり IS トレントリアル] [地すべり HYP 泥滑り] [台風 SYN 嵐] [台風 IS スーパー] [台風 IS スーパー] 台風は強力です。 0.77
2019 [earthquake IS magnitude] [earthquake SYN quake] [earthquake RAND signal] [eruption IS hazardous] IS magmatic] [eruption IS happening] [eruption [landslide RAND mountain] rains] [landslide dueTo [landslide IS widespread] [typhoon dueTo Amihan] [typhoon SYN hurricane] [typhoon SYN cyclone] 2019 [Earthquake IS magnitude] [Earthquake SYN quake] [Earthquake RAND signal] [eruption IS dangerous] IS magmatic] [eruption IS happening] [eruption [landslide RAND mountain] rains] [landlide dueTo [landslide IS spread] [typhoon dueTo Amihan] [typhoon SYN hurricane] [typhoon SYN cyclone] [typhoon SYN cyclone] 0.90
Table 7: Disaster-related terms 表7 災害関連 用語 0.62
and its associated words. そして その 関連語。 0.69
the and ash. はあ? そして アッシュ 0.47
public and magmatic. public そして、マグマ。 0.71
These word may denote sive, a sense disasters urgency of natural the to compared other term happening occurred when it happens. これらの言葉は、自然災害の緊急性と、それが起こるときに発生した他の用語と比較する感覚的な災害を意味するかもしれません。
訳抜け防止モード: この語は sive, a sense と表すことができる 自然の急激な災害は 起こるときの他の言葉と比較して
0.75
has The two both and acthe most of to due 2019 2018 in in the Philippines, Mount Mayon and tive volcanoes Mount Taal, had shown activity4 by erupting successively caused mass The eruption spewing postponement 48,000 over and activities of evacuated locals. フィリピンでは、マヨン山とタアル山は、噴火が連続して発生した質量によって活動4を示した。噴火は48,000以上の延期と避難した地元の人々の活動。 0.61
landslide, the For concept associcommon ated word is mudslide. Landlide, the For concept associcommon ated word is mudslide。 0.76
Although by scientific definitype specific as are tion, mudslides (also landslides landslide debris flow). 生理学的な定義では有意であるが、泥すべり(地すべりの地すべり流も含む)がある。 0.62
Thus, called term conthe label HYP semantic forms the hypernyms. したがって、用語 "conthe label HYP semantic" はハイパーネムを形成する。 0.62
the for floods, which can landslides cause The to be of tied rains the joined semantic in turn, caused by as by dueTo consequence effect. 地すべりの原因となる洪水は、結びついた雨であり、結合されたセマンティクスが順番に、 dueTo の結果として引き起こされます。 0.75
denoting label a or an In addition, landslides are also often described using the words widespread and torrential which gives the magnitude of idea of us a quantifiable landslides in the Philippines. ラベル a または an の表記に加えて、地すべりはしばしば、フィリピンで定量化できる地すべりのアイデアの規模を示す広範かつ厳密な言葉を使って記述される。 0.73
that occur typhoon. disasterThis the word have Lastly, we and interchangeable concept related assumes many cystorm, hurricane, synonymous terms such as clone, onslaught. それは台風です。 disasterこの単語は最後に、私たちと交換可能な概念関連は、多くのサイストーム、ハリケーン、クローンなどの同義語を仮定します。 0.63
assothe frequent note and We due these words interchangeability and ciation of to but may mean 2018) (Khadka, geographic locations tropical storms. assothe often note and we due these words interchangeability and ciation of to but mean of 2018 (khadka, geographic locations tropical storms) と題された。 0.79
the same thing—they all Likeare typhoon wise, description words tied to the concept 4Volcano Bulletin: phivolcs.dost.gov.ph /index.php/volcanoha zard/volcano-bulleti ns3 4volcano bulletin: phivolcs.dost.gov.ph /index.php/volcanoha zard/volcano-bulleti ns3 0.65
prooc- powerful and the magnitude similar prooc- 強力で類似した大きさです 0.67
which also typhoons of to landslides. 台風の土砂災害も発生します 0.49
super, expected, are us idea an of vides in the country curring Conclusion 7 a disaster-prone As should Philippines country, the natof the in mitigating efforts its increase effects technology. スーパーは、予想通り、我々はコンクルージョン7をキュリング国のバイドのアイデアは、フィリピンの国と同様に、その増加効果技術の緩和努力のナトフ。 0.52
calamities with ural One the help of do way to this is to the consider potential of inagents telligent such as chatbots as tools for disasdissemination. ニューラルネットワークによる災難この方法の助けは、チャットボットのような非エージェントのインテリジェントな可能性を、分散のためのツールとして考慮することです。 0.45
information and preparedness ter In a this study, we established simple context-specific knowledge base by doing three important processes: colfrom a concepts disaster-related extracting (a) dataset, article a lected (b) building network news list of binary a curated of semanassertions from tic labels, and (c) expanding the ontology by queryembeddings list seedwords ing from word initial an dataset. 本研究では,災害関連抽出(a)データセットのコンセプトと,ticラベルからのセマンセプションのキュレーションによるバイナリのネットワークニュースリストの構築,および(c)単語初期データから種単語ingをリスト化することでオントロジーを拡張すること,という3つの重要なプロセスを用いて,単純な文脈固有の知識ベースを確立した。 0.85
generated from the original news Results show that using word embeddings various captured levels of information that may be useful for intelliinformasuch responses produce to gent agents as entities, human tion on roles generalization and of specification of terms, and common word association when asked in the topic of disasters. 元のニュース結果から,インテリインフォーム(intelliinforma)反応に有用な様々な情報レベルを単語埋め込みすることで,エージェントを実体として,役割の一般化と用語の具体化に関する人間意識,災害時の共通語連想がもたらされた。 0.73
Future dieven more study include collection of the rections of news only not dataset that covers articles but also other media for finer-grained assertions. 今後のさらなる研究には、記事をカバーするデータセットだけでなく、きめ細かいアサーションのための他のメディアのレクションの収集が含まれます。 0.65
In addition, the the in from efforts also study will testing benefit capability of the appliknowledge base in practical cations. さらに,本研究の成果は,実践的なカチオンにおけるアグリコレッジベースの有用性を検証することである。 0.66
英語(論文から抽出)日本語訳スコア
[Go References al.2016] [Attia Maharjan, Attia, Mohammed et Suraj Younes Samih, Laura Kallmeyer, and Thamar Solorio. 【後】 参考文献 al.2016] [Attia Maharjan, Attia, Mohammed et Suraj Younes Samih, Laura Kallmeyer, Thamar Solorio] 0.70
Cogalex-v semanGhhh-detecting 2016. task: shared In Proceedings of via word tic relations embeddings. Cogalex-v semanGhhh-detecting 2016 task: shared In Proceedings of via word tic relations embeddeds。 0.85
the Lexicon of on Cognitive Aspects 5th Workshop the (CogALex-V), pages 86–91. The Lexicon of on Cognitive aspects 5th Workshop (CogALex-V) 86-91頁。 0.88
et [Bollacker al.2008] Kurt Bollacker, Colin Evans, Praveen Paritosh, Tim Sturge, and Jamie Taylor. Bollacker al.2008] Kurt Bollacker氏、Colin Evans氏、Praveen Paritosh氏、Tim Sturge氏、Jamie Taylor氏。 0.83
created collaboratively a Freebase: 2008. graph Prostructuring database for human knowledge. フリーベースで共同作成 2008年 - 人間知識のためのグラフ構築データベース。 0.70
In ceedings of the 2008 ACM SIGMOD international conference on Management of data, pages 1247–1250. 2008年、データ管理に関するACM SIGMOD国際会議が開催され、1247-1250頁。 0.72
Els Bordea, Georgeta et [Bordea and Lefever, al.2016] task Semeval-2016 Paul Buitelaar. Els Bordea, Georgeta et [Bordea and Lefever, al.2016] task Semeval-2016 Paul Buitelaar 0.96
Taxon2016. 13: In Proceedings extraction evaluation (texeval-2). 2016年。 13:Proceedings抽出評価(texeval-2)。 0.66
omy International Workshop of the on Semantic Eval10th (SemEval-2016), uation pages 1081–1091. omy International Workshop of the on Semantic Eval10th (SemEval-2016), uation page 1081–1091。 0.88
and Nicco NoMatthew Phillip Go and Nocon2017] con. Nicco NoMatthew Phillip Go and Nocon2017] 0.60
2017. part-of-speech Using Stanford for tagger Prothe morphologically-rich Filipino language. 2017年、Stanfordをタグ付けのPro The morphologicallyrich Filipino言語に使用。 0.62
In on Asia Conference Pacific the of ceedings Lan31st guage, Information and Computation, pages 81–88. In on Asia Conference Pacific, the ceedings Lan31st guage, Information and Computation, page 81–88。 0.94
al.2015] Sangdo Han, Jeesoo Bang, Seonghan [Han et Ryu, and Gary Geunbae Lee. al.2015] Sangdo Han, Jeesoo Bang, Seonghan [Han et Ryu, and Gary Geunbae Lee. (英語) 0.90
2015. Exploiting knowllanguage for responses generate edge natural base to Proceedings 16th of the dialog In listening agents. 2015. 応答にノウル言語を利用すると、リスニングエージェントのダイアログの16番目の手続きにエッジ自然ベースを生成する。 0.73
the Annual Meeting of Special Interest Group on Discourse and Dialogue, pages 129–133. The Annual Meeting of Special Interest Group on Discourse and Dialogue, page 129–133. 0.95
Navin [Khadka2018] 2018. Navin [Khadka2018] 2018年。 0.86
Singh Khadka. singh khadka。 0.60
Hurricanes, the cyclones: What’s typhoons and difference?, Sep. [Luu al.2016] Anh Tuan Luu, Yi Tay, Siu Cheung Hui, et and See Kiong Ng. ハリケーン、サイクロン:台風と差は? [luu al.2016] anh tuan luu, yi tay, siu cheung hui, et and see kiong ng. (英語)
訳抜け防止モード: ハリケーン、サイクロン : 台風との違いとは? 9月[Luu al.2016 ] Anh Tuan Luu, Yi Tay, Siu Cheung Hui、etとKiong Ngを参照してください。
0.79
2016. Learning embedterm using dings dyfor identification relation taxonomic Proceedings of network. 2016. ネットワークの識別関係の分類解析のためのディングを用いた埋め込み学習 0.74
namic In neural weighting the 2016 Conference on Empirical Methods in Natural Language Processing, pages 403–413. Namic In Neural weighting the 2016 Conference on Empirical Methods in Natural Language Processing, page 403–413。 0.87
Christopher D Manning, Mihai Sur[Manning et al.2014] Steven Finkel, Jenny Bauer, John deanu, Rose 2014. Christopher D Manning, Mihai Sur[Manning et al.2014] Steven Finkel, Jenny Bauer, John deanu, Rose 2014 0.87
David McClosky. デビッド・マクロスキー 0.43
and The Bethard, stanford Protoolkit. そして『The Bethard, stanford Protoolkit』。 0.79
corenlp language processing In natural the ceedings 52nd of meeting of association annual system demonstrations, linguistics: computational for pages 55–60. corenlp language processing in natural the ceedings 52ndth of association annual system demonstrations, linguistics: computational for pages 55–60 0.81
Chen, Kai Mikolov, al.2013a] Tomas Greg [Mikolov et Efficient 2013a. Chen, Kai Mikolov, al.2013a] Tomas Greg [Mikolov et Efficient 2013a] 0.90
Corrado, and Jeffrey Dean. コラードとジェフリー・ディーン。 0.55
estimaarXiv vector space. estimaarXiv ベクトル空間。 0.75
in word of tion representations preprint arXiv:1301.3781. in word of tion representations preprint arXiv:1301.3781. 0.81
Mikolov, Ilya al.2013b] [Mikolov et Sutskever, Tomas and Jeff Dean. Mikolov, Ilya al.2013b] [Mikolov et Sutskever, Tomas and Jeff Dean] 0.94
Kai Corrado, Chen, Greg S 2013b. Kai Corrado、Chen、Greg S 2013b。 0.82
of words representations Distributed and and phrases neural Advances in inforcompositionalit y. 単語表現の分散およびフレーズの非合成性の神経進歩。 0.74
their In mation processing systems, pages 3111–3119. 彼らのInmation処理システム、3111-3119ページ。 0.73
[Speer conference Christine Ong, Rachel [Ong et Tiffany Dionne al.2018] Bryan Gilig, Junlyn AlDe Katherine Jesus, Luisa Building a common2018. [スピア] 会議 Christine Ong, Rachel [Ong et Tiffany Dionne al.2018] Bryan Gilig, Junlyn AlDe Katherine Jesus, Luisa Building a common2018。 0.81
Ong. buro, and Ethel collaborative storytelling sense knowledge base for a Acquisition WorkPacific Rim Knowledge agent. オン。 buro, and Ethel collaboration storytelling sense knowledge base for a Acquisition Work Pacific Rim Knowledge agent (英語) 0.69
In shop, pages 1–15. 店舗では1-15頁。 0.66
Springer. A commonsense 2010. Springer 2010年のコモンセンス。 0.55
Ethel ChuaJoy Ong. Ethel ChuaJoy Ong。 0.80
[Ong2010] In stories. [Ong2010]ストーリー。 0.75
for knowledge base generating children’s Symposium Series. 子供たちのシンポジウムシリーズを生成する知識ベース。 0.78
2010 AAAI Fall Richard Pennington, et [Pennington al.2014] Jeffrey Glove: Christopher Socher, D Manning. 2010 AAAI Fall Richard Pennington, et [Pennington al.2014] Jeffrey Glove: Christopher Socher, D Manning. (英語) 0.91
and 2014. Proceedrepresentatio n. 2014年です プログレスプレゼンス。 0.57
for word Global vectors In methods on ings of the 2014 empirical (EMNLP), processing in language natural pages 1532–1543. 単語グローバルベクトル 2014の実証的(EMNLP)のingsのメソッドでは、言語の自然ページ1532-1543で処理します。 0.78
Nuig-unlp at 2016. 2016年のNuig-unlp 0.70
Pocostales. Joel [Pocostales2016] embeddingsimple A 13: semeval-2016 task word In Proceedextraction. 売春婦。 Joel [Pocostales2016] embeddeddingsimple A 13: semeval-2016 Task Word In ProceedExtraction。 0.58
taxonomy approach for based International Workshop of ings on 10th Semantic the (SemEval-2016), pages Evaluation 1298–1302. ings on 10th semantic the (semeval-2016), pages evaluation 1298–1302 に基づく分類学アプローチ 0.64
Enrico Santus, Anna Gladkova, Stefan [Santus et al.2016] Evert, 2016. Enrico Santus, Anna Gladkova, Stefan [Santus et al.2016] Evert, 2016 0.89
The CogALex-v and Alessandro Lenci. CogALex-vとAlessandro Lenci。 0.80
seof identification corpus-based on shared the task 5th Workshop of the In Proceedings mantic relations. seof identity corpus based on shared the task 5th Workshop of the In Proceedings mantic relations。 0.84
of Cognitive Lexicon the (CogALex on AspectsV), pages 69–79, Osaka, Japan, December. The Cognitive Lexicon (CogALex on aspectsV), page 69-79, Osaka, Japan, December (英語) 0.84
The COLING 2016 Organizing Committee. COLING 2016組織委員会。 0.72
Sarkar, Philip McCrae, et Rajdeep al.2018] [Sarkar and 2018. Sarkar, Philip McCrae, et Rajdeep al.2018] [Sarkar and 2018] 0.92
Paul Buitelaar. A supervised approach to In Prousing word taxonomy extraction International Conference the ceedings on Eleventh of Language Resources and Evaluation (LREC 2018). ポール・ブイテラー In Prousing word Taxonomy Extract International Conference the ceedings on Eleventh of Language Resources and Evaluation (LREC 2018)の監督によるアプローチ。 0.71
Joshua Chin, al.2017] et Robyn Speer, and Cather5.5: ine Havasi. Joshua Chin, al.2017] et Robyn Speer, and Cather5.5: Ine Havasi 0.90
2017. Conceptnet An open multilinIn Thirty-First AAAI gual graph of general knowledge. 2017. 概念ネット オープンなマルチリンIn 30-First AAAI gual graph of general knowledge。 0.80
on Artificial Conference Intelligence. 人工知能に関すること。 0.51
et Wang, Chang-Shing Lee, al.2010] Mei-Hui [Wang Kuang-Liang Hsieh, Chin-Yuan Hsu, Giovanni AcamChang. et Wang, Chang-Shing Lee, al.2010] Mei-Hui [Wang Kuang-Liang Hsieh, Chin-Yuan Hsu, Giovanni AcamChang. (英語) 0.68
and pora, Ontology2010. Pora, Ontology2010 も参照。 0.62
Chong-Ching based multi-agents applicafor intelligent healthcare Journal of Ambient Intelligence and Humanized tions. chong-ching based multi-agents applicafor intelligent healthcare journal of ambient intelligence and humanized tions (英語) 0.65
Computing, 1(2):111–131. 計算、1(2):111–131。 0.65
2013. Joash [Yose2013] tremor: Yose. 2013. joash [yose2013] tremor: ヨセ。 0.83
the difference?, What’s Jul. 違いは?Julとは何か? 0.62
John embeddings. Earthquake ジョンの埋め込み。 地震 0.70
or あるいは 0.77
                   ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。