Ottohcc-CSDN博客

原创阅读笔记 improving Event Coreference Resolution by Modeling Correlations between ...

一、问题事件共指消解是一个独特的挑战。现有的方法无法处理复杂和精细的情况，如出现部分事件（partial event）、论元不兼容和缺乏局部上下文的信息的情况，这些都会导致同指链破碎或缺失。在一个文档中，事件的同指比实体更少，并且在句子中分布得更为稀疏。如图，就实体而言，实体同指的分布大概率在同一句话或相邻句中，而事件同指的出现则比较分散，间隔多句出现的可能性也很大。就以上问题，作者提出一张基于文章主题结构的同指识别方法。主要的理论依据是以下两点：一个事件同指的出现往往是为了描述这个事件的新

2020-11-24 16:02:31 343

原创阅读笔记 Improving Event Coreference Resolution by Learning Argument Compatibility from Unlabeled Data

一、问题当两个论元在句子中的地位相同、描述的具体程度相同，但是对应描述的现实世界的实体不同则称它们是不兼容的，其余情况皆为兼容。例：对于时间论元来说，”2012年“和”星期三“是兼容的，因为这两个时间描述的具体程度不一样。而“2012年”与“2005年“就是不兼容的。其他句内地位（包括施事者、受施者、地点等）也如此。作者认为如果两个事件中存在论元不兼容的情况发生，那么它们一定不是同指的。尽管论元兼容性很重要，但由于缺乏足够的标记数据，将论元兼容性引入事件同指是一项具有挑战性的工作。许多现有的工作都

2020-11-11 19:12:19 211

原创一个简单的图像分类系统（基于 InceptionV3 的迁移学习）

https://github.com/Ottohcc/image_classification-inceptionV3-

2020-11-02 11:05:13 642

原创阅读笔记 Fine-Grained Temporal Relation Extraction

2019 ACL《细粒度时序关系抽取》(Fine-Grained Temporal Relation Extraction) 的阅读笔记一、问题事件时序关系抽取是一个很有意义的研究方向，该领域目前的工作还是将其视为一个分类问题，标注成对的事件表达和时间表达，并进行时序关系分类。这种方法的缺点是时间表达往往依赖于显式存在的持续时间信息，但是，几乎所有的时间持续信息都可以不直接存在于句中。所以在这种方法下，一般只能对可以被识别的时间持续信息进行编码。这篇文章中，作者开发了一种新型的框架将事件持续时间放.

2020-10-31 16:24:12 1058 5

原创阅读笔记 Joint Event and Temporal Relation Extraction with Shared Representations and Structured ...

《事件和事件时序关系的联合抽取》[(Joint Event and Temporal Relation Extraction with Shared Representations and Structured Prediction)]笔记2019 EMNLP《事件和事件时序关系的联合抽取》(Joint Event and Temporal Relation Extraction with Shared Representations and Structured Prediction)的阅读笔记一

2020-10-24 12:49:24 1423 1

原创阅读笔记 Revisiting Joint Modeling of Cross-document Entity and Event Coreference Resolution

跨文档实体和事件同指解析的联合建模Revisiting Joint Modeling of Cross-document Entity and Event Coreference ResolutionACL 2019一、问题为解决跨文档实体和事件同指解析，本文提出一种实体、事件的联合模型，同时提高了实体同指和事件同指的识别正确率，是第一个在数据集ECB+上进行实体同指识别的模型。本文通过结合各实体和事件的mention、上下文（ELMo）、与其他mention的相互联系，提高了Lee等

2020-10-23 15:48:54 340

原创 SSVM（Structured Support Vector Machine）学习笔记

SSVM（Structured Support Vector Machine）学习笔记本篇笔记主要是记录台湾大学李宏毅老师在 Structure Learning 课程中讲解的内容http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML16.html什么是 Structure？输入和输出中存在结构化数据的模型。（X：sentence，Y：tree structure）（X：Image，Y：bounding box）1.Evaluate定义一个 F(x,y)

2020-10-23 15:33:58 1436 1

qq_40187381的博客