We evaluate event-argument extracti

We evaluate event-argument extraction approach by comparing with two other automatic methods used in previous works. One is relied on semantic role labeling (SRL) technique to identify the subject (Arg0) and the object (Arg1) referred in (Riaz, 2010). The other one used structure-mapping rules based on whole dependence parser, which is similar to (Khoo, 2000). The difference between the Whole Parser method and Local Parser method is whether parsing the causal expression or respectively parsing the two event expressions.
In order to reduce evaluation costs, we randomly select 5,000 sentences from the Causal Corpus as the test data-set. Using a Chinese NLP Toolkit (2011), we get the whole dependency trees, local dependency structures and semantic role labeling results of these sentences. In our approach, we use 36 predefined rules to extract event-argument structures. We note that, if an event expression contains multiple contiguous verbs, then its dependency tree is usually ambiguous. To improve the precision, we remove some obvious wrong dependency trees using heuristic rules.

ผลลัพธ์ (ไทย) 1:

เราประเมินวิธีแยกอาร์กิวเมนต์เหตุการณ์ โดยเปรียบเทียบกับสองอัตโนมัติต่าง ๆ ใช้ในงานก่อนหน้านี้ หนึ่งจะอาศัยในบทบาททางตรรกที่ติดฉลาก (SRL) เทคนิคการระบุหัวข้อ (Arg0) และวัตถุ (Arg1) อ้างใน (Riaz, 2010) อีกเครื่องหนึ่งใช้โครงสร้างการแม็ปกฎตามตัวแบ่งทั้งหมดพึ่งพา ซึ่งคล้ายกับ (Khoo, 2000) ความแตกต่างระหว่างวิธีการแยกวิเคราะห์ทั้งหมดและวิธีการแยกวิเคราะห์เฉพาะคือแยกวิเคราะห์สาเหตุการนิพจน์หรือแยกนิพจน์สองเหตุการณ์ตามลำดับ เพื่อลดต้นทุนการประเมิน เราสุ่มเลือกประโยค 5000 จากคอร์พัสคริสาเหตุเป็นชุดข้อมูลของการทดสอบ เราใช้เครื่องมือ NLP จีน (2011), ได้รับอ้างอิงทั้งต้นไม้ อ้างอิงภายในโครงสร้าง และบทบาททางตรรกที่ติดฉลากผลของประโยคเหล่านี้ ในวิธีการของเรา เราใช้กฎ 36 แยกโครงสร้างอาร์กิวเมนต์เหตุการณ์ เราทราบ ถ้านิพจน์เหตุการณ์ประกอบด้วยกริยาหลายต่อเนื่อง แล้วต้นไม้อ้างอิงว่ามักจะไม่ชัดเจน เพื่อปรับปรุงความแม่นยำ เราเอาต้นไม้บางอ้างอิงไม่ถูกต้องชัดเจนใช้กฎแล้ว

ผลลัพธ์ (ไทย) 2:

เราจะประเมินวิธีการสกัดเหตุการณ์โต้แย้งโดยเปรียบเทียบกับสองวิธีอัตโนมัติอื่น ๆ ที่ใช้ในการทำงานก่อนหน้านี้ หนึ่งคือการอาศัยการติดฉลากบทบาทความหมาย (SRL) เทคนิคการระบุเรื่อง (arg0) และวัตถุ (arg1) เรียกใน (Riaz 2010) คนอื่น ๆ ที่ใช้กฎระเบียบโครงสร้างการทำแผนที่ขึ้นอยู่กับตัวแยกวิเคราะห์การพึ่งพาอาศัยทั้งหมดซึ่งจะคล้ายกับ (Khoo, 2000) ความแตกต่างระหว่างวิธีการแยกวิเคราะห์ทั้งหมดและวิธีการแยกวิเคราะห์ท้องถิ่นไม่ว่าจะเป็นสาเหตุการแยกการแสดงออกหรือตามลำดับแยกทั้งสองแสดงออกเหตุการณ์.
เพื่อที่จะลดค่าใช้จ่ายในการประเมินผลการเลือกสุ่ม 5,000 ประโยคจากสาเหตุคอร์ปัสเป็นแบบทดสอบชุดข้อมูล การใช้เครื่องมือจีน NLP (2011) เราได้รับต้นไม้พึ่งพาทั้งโครงสร้างการพึ่งพาท้องถิ่นและผลการติดฉลากบทบาทความหมายของประโยคเหล่านี้ ในวิธีการของเราเราจะใช้กฎระเบียบที่กำหนดไว้ล่วงหน้า 36 เพื่อดึงโครงสร้างเหตุการณ์อาร์กิวเมนต์ เราทราบว่าถ้ามีการแสดงออกของเหตุการณ์ที่ต่อเนื่องกันหลายคำกริยาแล้วต้นไม้พึ่งพามันมักจะคลุมเครือ เพื่อปรับปรุงความแม่นยำเราเอาต้นไม้พึ่งพาผิดบางอย่างที่เห็นได้ชัดโดยใช้กฎแก้ปัญหา

ผลลัพธ์ (ไทย) 3:

เราประเมินเหตุการณ์การสกัดวิธีการโต้แย้ง โดยเปรียบเทียบกับวิธีการที่ใช้ในการทำงานโดยอัตโนมัติสองอื่น ๆก่อนหน้านี้ หนึ่งคืออาศัยความหมายบทบาทฉลาก ( เป็นต้น ) เทคนิคการระบุหัวเรื่อง ( arg0 ) และวัตถุ ( arg1 ) เรียก ( ริอาซ , 2010 ) อีกตัวหนึ่งที่ใช้โครงสร้างกติกาตามแผนที่ทั้งหมดพึ่งพา parser ซึ่งคล้ายกับ ( คู , 2000 )ความแตกต่างระหว่างวิธีที่แสดงทั้งหมด และท้องถิ่น ไม่ว่าจะเป็นวิธีการแสดงสีหน้าหรือการแจงแจงสาเหตุว่าสองเหตุการณ์ลักษณะ
เพื่อลดต้นทุนการประเมิน เราสุ่มเลือก 5000 ประโยคจากคอร์ปัส สาเหตุที่เป็นแบบทดสอบชุดข้อมูล การใช้เครื่องมือ NLP จีน ( 2011 ) เราได้รับต้นไม้อ้างอิงทั้งหมดโครงสร้างการพึ่งพาท้องถิ่นและบทบาทความหมายฉลากผลของประโยคเหล่านี้ ในแนวทางของเรา เราใช้กฎที่กำหนดไว้ล่วงหน้า เพื่อสกัดการ 36 โครงสร้างเหตุการณ์ เราทราบว่า ถ้าเหตุการณ์ต่อเนื่องการแสดงออกมีหลายคำกริยา แล้วต้นไม้มันเกี่ยวพันมักจะไม่ชัดเจน เพื่อปรับปรุงความชัดเจนบางอย่างผิด เราเอาต้นไม้ที่ใช้กฎการแบ่ง .