論文の概要: Regressing Location on Text for Probabilistic Geocoding
- arxiv url: http://arxiv.org/abs/2107.00080v1
- Date: Wed, 30 Jun 2021 20:04:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-02 14:00:09.607656
- Title: Regressing Location on Text for Probabilistic Geocoding
- Title(参考訳): 確率的ジオコーディングのためのテキスト上のレグレッシブロケーション
- Authors: Benjamin J. Radford
- Abstract要約: テキストデータのジオコーディングのためのエンドツーエンド確率モデルを提案する。
ELECTRo-mapと呼ばれるモデルベースのソリューションと,イベントデータのテキストをジオコーディングする最先端のオープンソースシステムを比較した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Text data are an important source of detailed information about social and
political events. Automated systems parse large volumes of text data to infer
or extract structured information that describes actors, actions, dates, times,
and locations. One of these sub-tasks is geocoding: predicting the geographic
coordinates associated with events or locations described by a given text. We
present an end-to-end probabilistic model for geocoding text data.
Additionally, we collect a novel data set for evaluating the performance of
geocoding systems. We compare the model-based solution, called ELECTRo-map, to
the current state-of-the-art open source system for geocoding texts for event
data. Finally, we discuss the benefits of end-to-end model-based geocoding,
including principled uncertainty estimation and the ability of these models to
leverage contextual information.
- Abstract(参考訳): テキストデータは、社会的および政治的出来事に関する詳細な情報の重要な情報源である。
自動システムは大量のテキストデータを解析し、アクター、アクション、日付、時間、場所などを記述する構造化された情報を推測または抽出する。
これらのサブタスクの1つはジオコーディングであり、与えられたテキストによって記述されたイベントや場所に関連する地理的座標を予測する。
テキストデータのジオコーディングのためのエンドツーエンド確率モデルを提案する。
さらに、ジオコーディングシステムの性能を評価するための新しいデータセットを収集する。
ELECTRo-mapと呼ばれるモデルベースのソリューションと,イベントデータのテキストをジオコーディングする最先端のオープンソースシステムを比較した。
最後に,エンド・ツー・エンドのモデルに基づくジオコーディングの利点について論じる。
関連論文リスト
- GeoDecoder: Empowering Multimodal Map Understanding [3.164495478670176]
GeoDecoderは、地図内の地理空間情報を処理するために設計された、専用のマルチモーダルモデルである。
GeoDecoderはBeitGPTアーキテクチャに基づいて構築されており、画像やテキスト処理の専門的なモジュールが組み込まれている。
論文 参考訳(メタデータ) (2024-01-26T02:39:40Z) - Towards Natural Language-Guided Drones: GeoText-1652 Benchmark with Spatial Relation Matching [60.645802236700035]
自然言語コマンドを通じてドローンをナビゲートすることは、アクセス可能なマルチモーダルデータセットが不足しているため、依然として難しい。
我々は新しい自然言語誘導ジオローカライゼーションベンチマークGeoText-1652を紹介する。
このデータセットは、インタラクティブなヒューマンコンピュータプロセスを通じて体系的に構築される。
論文 参考訳(メタデータ) (2023-11-21T17:52:30Z) - GeoCLIP: Clip-Inspired Alignment between Locations and Images for
Effective Worldwide Geo-localization [61.10806364001535]
世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。
既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。
画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
論文 参考訳(メタデータ) (2023-09-27T20:54:56Z) - Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese
Geographic Re-Ranking [61.60169764507917]
中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。
そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
論文 参考訳(メタデータ) (2023-09-04T13:44:50Z) - GeoGLUE: A GeoGraphic Language Understanding Evaluation Benchmark [56.08664336835741]
我々はGeoGLUEと呼ばれるGeoGraphic Language Understanding Evaluationベンチマークを提案する。
オープンソースの地理資源からデータを収集し、6つの自然言語理解タスクを導入する。
我々は,GeoGLUEベンチマークの有効性と意義を示す一般ベースラインの評価実験と解析を行った。
論文 参考訳(メタデータ) (2023-05-11T03:21:56Z) - Mordecai 3: A Neural Geoparser and Event Geocoder [5.71097144710995]
Mordecai3は、新しいエンドツーエンドのテキストジオパーザとイベントジオロケーションシステムである。
新しいニューラルランキングモデルを使用して、文書から抽出された地名をGeonames gatteerへのエントリに解決する。
また、テキストで報告されたイベントと、報告される場所名とをリンクするイベントジオコーディングも行う。
論文 参考訳(メタデータ) (2023-03-23T21:10:04Z) - Geolocation Predicting of Tweets Using BERT-Based Models [27.806085423595334]
本研究は、ツイート/ユーザ位置情報予測タスクを解決することを目的としている。
提案手法は、自然言語処理のためのニューラルネットワークを実装し、位置を推定する。
提案されたモデルの範囲は、Twitterデータセットで微調整されている。
論文 参考訳(メタデータ) (2023-03-14T12:56:47Z) - MGeo: Multi-Modal Geographic Pre-Training Method [49.78466122982627]
マルチモーダルジオグラフィック言語モデル(MGeo)を提案する。
MGeoはGCを新しいモダリティとして表現し、正確なクエリ-POIマッチングのためのマルチモーダル相関を完全に抽出することができる。
提案するマルチモーダル事前学習法は,汎用PTMのクエリ-POIマッチング能力を大幅に向上させることができる。
論文 参考訳(メタデータ) (2023-01-11T03:05:12Z) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳(メタデータ) (2022-01-31T20:02:22Z)
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。