Fugu-MT 論文翻訳(概要): Unsupervised Technical Domain Terms Extraction using Term Extractor

論文の概要: Unsupervised Technical Domain Terms Extraction using Term Extractor

arxiv url: http://arxiv.org/abs/2101.09015v1
Date: Fri, 22 Jan 2021 09:24:09 GMT
ステータス: 処理完了
システム内更新日: 2021-03-21 01:08:41.463084
Title: Unsupervised Technical Domain Terms Extraction using Term Extractor
Title（参考訳）: 用語エクストラクタを用いた教師なし技術領域用語抽出
Authors: Suman Dowlagar, Radhika Mamidi
Abstract要約: 用語抽出の目的は、与えられたコーパスから関連する単語またはフレーズを自動的に抽出することです。本稿では,チャンキング,プリプロセッシング,ランク付けといったドメイン固有項を考慮した,監視されていない自動ドメイン用語抽出手法に注目する。
参考スコア（独自算出の注目度）: 9.23545668304066
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Terminology extraction, also known as term extraction, is a subtask of information extraction. The goal of terminology extraction is to extract relevant words or phrases from a given corpus automatically. This paper focuses on the unsupervised automated domain term extraction method that considers chunking, preprocessing, and ranking domain-specific terms using relevance and cohesion functions for ICON 2020 shared task 2: TermTraction.
Abstract（参考訳）: 用語抽出は、用語抽出としても知られ、情報抽出のサブタスクである。用語抽出の目標は、与えられたコーパスから関連する単語やフレーズを自動的に抽出することである。本稿では,アイコン2020共有タスク2における相関関数と凝集関数を用いて,チャンキング,前処理,ランク付けを行う非教師なしのドメイン項抽出手法について述べる。

関連論文リスト

Unsupervised Term Extraction for Highly Technical Domains [7.848905441355084]
本稿では,医薬,医薬,物質科学などの高度技術分野を対象とする知識発見プラットフォームの抽出サブシステムについて述べる。ドメインをまたいだ一般化を実現するために、完全に教師なしアノテーション(UA)を導入する。このアノテータは、大きなラベルのないコーパス上でUAを実行することによって生成されたトレーニングデータに対して、トランスフォーマーモデルを微調整(または事前訓練)する弱い教師付きセットアップを実装するために使用される。
論文参考訳（メタデータ） (2022-10-24T11:08:09Z)
Towards Relation Extraction From Speech [56.36416922396724]
本稿では,新たな聴取情報抽出タスク,すなわち音声関係抽出を提案する。本研究では,音声合成システムによる音声関係抽出のための訓練データセットを構築し,英語母語話者によるクラウドソーシングによるテストデータセットを構築した。我々は,音声関係抽出における課題を識別するための包括的実験を行い,今後の探索に光を当てる可能性がある。
論文参考訳（メタデータ） (2022-10-17T05:53:49Z)
Extracting Domain-specific Concepts from Large-scale Linked Open Data [0.0]
提案手法は,LOD語彙を対象ドメインに関連する用語とリンクすることにより,検索エンティティを定義する。対象領域における概念的関係の範囲を決定するために,共通上層実体の発生と経路の連鎖関係について検討した。
論文参考訳（メタデータ） (2021-11-22T10:25:57Z)
CDM: Combining Extraction and Generation for Definition Modeling [8.487707405248242]
本稿では,定義モデリングのための抽出と生成を組み合わせることを提案する。まず、Webから対象用語の自己および相関的な定義情報を抽出する。そして、抽出した定義情報を組み込んで最終定義を生成する。
論文参考訳（メタデータ） (2021-11-14T08:03:18Z)
A Persistent Spatial Semantic Representation for High-level Natural Language Instruction Execution [54.385344986265714]
本稿では,言語行動とロボット行動のギャップを埋めるために,永続的な空間意味表現法を提案する。一般的なステップバイステップ命令を完全に回避しながら、ALFREDベンチマークに対する我々のアプローチを評価し、最先端の結果を得る。
論文参考訳（メタデータ） (2021-07-12T17:47:19Z)
R$^2$-Net: Relation of Relation Learning Network for Sentence Semantic Matching [58.72111690643359]
文意味マッチングのための関係学習ネットワーク(R2-Net)を提案する。最初にBERTを使用して、グローバルな視点から入力文をエンコードします。次に、cnnベースのエンコーダは、ローカルな視点からキーワードやフレーズ情報をキャプチャするように設計されている。関係情報抽出にラベルを十分に活用するために,関係分類タスクの自己教師付き関係性を導入する。
論文参考訳（メタデータ） (2020-12-16T13:11:30Z)
From syntactic structure to semantic relationship: hypernym extraction from definitions by recurrent neural networks using the part of speech information [0.49269463638915806]
hyponym-hypernym関係は意味ネットワークにおいて不可欠な要素である。既存のハイパニム抽出ツールは、特定の意味パターンに依存するか、単語表現にフォーカスする。
論文参考訳（メタデータ） (2020-12-07T02:18:49Z)
How Domain Terminology Affects Meeting Summarization Performance [61.12624289478716]
我々は、巨大ミーティングコーパス上で、ドメイン用語のゴールドスタンダードアノテーションを作成します。本稿では,会議要約システムの性能を,用語の活用の有無で分析する。
論文参考訳（メタデータ） (2020-11-02T02:33:59Z)
Constrained Abstractive Summarization: Preserving Factual Consistency with Constrained Generation [93.87095877617968]
本稿では,抽象要約の現実的一貫性を保ちつつ,制約付き抽象要約(CAS)を提案する。我々は、CASを満たすために、一般的に自己回帰生成モデルに適用される語彙制約付き復号法を採用する。対話的要約において1つの手動制約のみを使用する場合、最大13.8ROUGE-2ゲインを観測する。
論文参考訳（メタデータ） (2020-10-24T00:27:44Z)
Domain Adversarial Fine-Tuning as an Effective Regularizer [80.14528207465412]
自然言語処理(NLP)では、下流タスクに転送される事前訓練された言語モデル(LM)が、最先端の結果を得るために最近示されている。標準的な微調整は、事前トレーニング中にキャプチャされた汎用ドメイン表現を分解することができる。本稿では,新しい正規化手法である After; 有効正規化器としてのドメイン・アダクショナル・ファイン・チューニングを提案する。
論文参考訳（メタデータ） (2020-09-28T14:35:06Z)
SemEval-2020 Task 6: Definition extraction from free text with the DEFT corpus [28.67911239741097]
参加者が自由テキストから定義を抽出するSemEval共有タスクであるDeftEvalを提案する。 DeftEvalは3つの異なるサブタスクを含む:文分類、シーケンスラベリング、関係抽出。
論文参考訳（メタデータ） (2020-08-31T15:55:24Z)

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。