論文の概要: Information Extraction based on Named Entity for Tourism Corpus

• arxiv url: http://arxiv.org/abs/2001.01588v1
• Date: Fri, 3 Jan 2020 17:16:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-14 17:27:46.099649
• Title: Information Extraction based on Named Entity for Tourism Corpus
• Title（参考訳）: 観光コーパスのための名前付きエンティティに基づく情報抽出
• Authors: Chantana Chantrapornchai, Aphisit Tunsakul
• Abstract要約: 本稿では,検索エンジンから返される全文から特定の情報を抽出する手法を提案する。 このアプローチは、他のドメインで同じタスクに使用できる。
• 参考スコア（独自算出の注目度）: 0.9137554315375919
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Tourism information is scattered around nowadays. To search for the information, it is usually time consuming to browse through the results from search engine, select and view the details of each accommodation. In this paper, we present a methodology to extract particular information from full text returned from the search engine to facilitate the users. Then, the users can specifically look to the desired relevant information. The approach can be used for the same task in other domains. The main steps are 1) building training data and 2) building recognition model. First, the tourism data is gathered and the vocabularies are built. The raw corpus is used to train for creating vocabulary embedding. Also, it is used for creating annotated data. The process of creating named entity annotation is presented. Then, the recognition model of a given entity type can be built. From the experiments, given hotel description, the model can extract the desired entity,i.e, name, location, facility. The extracted data can further be stored as a structured information, e.g., in the ontology format, for future querying and inference. The model for automatic named entity identification, based on machine learning, yields the error ranging 8%-25%.
• Abstract（参考訳）: 現在、観光情報が散在している。 情報を探すのには通常、検索エンジンの検索結果を閲覧し、各宿泊施設の詳細を選択して見るのに時間がかかる。 本稿では,検索エンジンから返される全文から特定の情報を抽出し,ユーザを支援する手法を提案する。 次に、ユーザーは特に所望の関連情報を見ることができる。 このアプローチは他のドメインで同じタスクに使用できる。 主なステップは 1)建築訓練データ及び 2)建物認識モデル。 まず観光データが収集され、語彙が構築される。 rawコーパスは、語彙埋め込みを作成するためのトレーニングに使用される。 また、アノテーション付きデータの作成にも使われる。 名前付きエンティティアノテーションを作成するプロセスが提示されます。 そして、所定のエンティティタイプの認識モデルを構築することができる。 実験から、ホテルの説明が与えられた場合、モデルは所望の実体、すなわち名前、場所、施設を抽出することができる。 抽出されたデータは、将来的なクエリや推論のために、オントロジーフォーマットなどの構造化情報として格納することもできる。 機械学習に基づく自動名前付きエンティティ識別モデルでは、エラーは8%から25%の範囲で発生する。

関連論文リスト

• DyVo: Dynamic Vocabularies for Learned Sparse Retrieval with Entities [29.716152560414738]
  学習されたスパース検索(LSR)モデルをウィキペディアの概念と実体で拡張する。 3つのエンティティリッチなドキュメントランキングデータセットを対象とした実験では、結果のDyVoモデルは、最先端のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2024-10-10T08:41:34Z)
• Seed-Guided Fine-Grained Entity Typing in Science and Engineering Domains [51.02035914828596]
  科学・工学分野において,シード誘導型細粒度エンティティタイピングの課題について検討する。 まず、ラベルのないコーパスから各タイプのエンティティを抽出し、弱い監視力を高めるSETypeを提案する。 そして、リッチなエンティティをラベルなしのテキストにマッチさせ、擬似ラベル付きサンプルを取得し、見知らぬ型と見えない型の両方に推論できるテキストエンテリメントモデルを訓練する。
  論文  参考訳（メタデータ） (2024-01-23T22:36:03Z)
• Multicultural Name Recognition For Previously Unseen Names [65.268245109828]
  本論文は、人名の認識を改善することを目的としており、それは、誰かが生まれたり、名前を変えたりする際にも、成長できる多様なカテゴリーである。 私は103か国の名前を見て、モデルが異なる文化の名前でどれだけうまく機能するかを比較します。 文字入力と単語入力を組み合わせたモデルの方が単語のみのモデルより優れており,従来のNERモデルと比較して精度が向上する可能性がある。
  論文  参考訳（メタデータ） (2024-01-23T17:58:38Z)
• Distantly Supervised Morpho-Syntactic Model for Relation Extraction [0.27195102129094995]
  テキストから制約のない関係の集合を抽出し分類する手法を提案する。 ウィキデータとウィキペディア上に構築された6つのデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2024-01-18T14:17:40Z)
• GSAP-NER: A Novel Task, Corpus, and Baseline for Scholarly Entity Extraction Focused on Machine Learning Models and Datasets [3.9169112083667073]
  学術的な文章では、機械学習モデルとデータセットへの参照が基本的なコンポーネントである。 既存の真理データセットは、MLモデルやモデルアーキテクチャのようなきめ細かい型を別々のエンティティタイプとして扱わない。 MLモデルとデータセットを中心とした10のエンティティタイプを対象とした,100のコーパスを手動でアノテートしたフルテキストの科学出版物と,最初のベースラインモデルをリリースする。
  論文  参考訳（メタデータ） (2023-11-16T12:43:02Z)
• Instruct and Extract: Instruction Tuning for On-Demand Information Extraction [86.29491354355356]
  On-Demand Information extractは、現実世界のユーザのパーソナライズされた要求を満たすことを目的としている。 InstructIEというベンチマークを、自動生成したトレーニングデータと、人手による注釈付きテストセットの両方を含む形で提示する。 InstructIE 上に構築した On-Demand Information Extractor, ODIE をさらに発展させる。
  論文  参考訳（メタデータ） (2023-10-24T17:54:25Z)
• Language Models As Semantic Indexers [78.83425357657026]
  本稿では,ジェネレーティブ言語モデルを用いてセマンティックIDを学習するための自己教師型フレームワークLMIndexerを紹介する。 学習したIDの質を検証し,推奨,製品検索,文書検索の3つの課題において有効性を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:56:15Z)
• Using LSTM and GRU With a New Dataset for Named Entity Recognition in the Arabic Language [0.0]
  BIOESフォーマットを使って単語をタグ付けすることで、ネストした名前エンティティを処理できます。 本研究は、アラビア語で名前付きエンティティ認識モデルを構築するために、長期記憶ユニット(LSTM)とGRU(Gated Recurrent Units)を提案する。
  論文  参考訳（メタデータ） (2023-04-06T22:14:02Z)
• Parallel Instance Query Network for Named Entity Recognition [73.30174490672647]
  名前付きエンティティ認識(NER)は自然言語処理の基本課題である。 最近の研究は、名前付きエンティティ認識を読み取り理解タスクとして扱い、エンティティを抽出するためにタイプ固有のクエリを手動で構築している。 本稿では,グローバルかつ学習可能なインスタンスクエリを並列に抽出するParallel Instance Query Network (PIQN)を提案する。
  論文  参考訳（メタデータ） (2022-03-20T13:01:25Z)
• LUKE: Deep Contextualized Entity Representations with Entity-aware Self-attention [37.111204321059084]
  両方向変換器に基づく単語と実体の事前学習した文脈表現を提案する。 我々のモデルは、BERTのマスキング言語モデルに基づく新しい事前訓練タスクを用いて訓練される。 また,変換器の自己認識機構の拡張である自己認識機構を提案する。
  論文  参考訳（メタデータ） (2020-10-02T15:38:03Z)
• Autoregressive Entity Retrieval [55.38027440347138]
  エンティティは、知識の表現と集約の方法の中心にあります。 クエリが与えられたエンティティを検索できることは、エンティティリンクやオープンドメインの質問応答のような知識集約的なタスクに基本となる。 本稿では,自己回帰方式でトークン・バイ・トークンを左から右に生成し,エンティティを検索する最初のシステムであるGENREを提案する。
  論文  参考訳（メタデータ） (2020-10-02T10:13:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。