In this facts harvesting task, some

In this facts harvesting task, some recent approaches focus
on scalability in addition to recall and precision. It is the
case of which take advantage of Hadoop MapReduce to distribute
the patterns matching part of their algorithm. Now
focusing on the velocity, almost the same group of authors
has proposed a novel approach for population of knowledge
bases in . Here, they propose to extract a certain set of
relations from documents in a given “time-slice”. This extraction
can be improved based on the topics covered by the document
(e.g do not try to extract music-domain relations from
a sport document) or by matching patterns of relations on an
index build from documents. More, since web is redundant
(a given fact is published by tens of sites), a small percentage
of documents can cover a significant part of facts. Likewise,
RDF-format unstructured data during a time-slice
duration. It is important to note that the whole processing of
data gather during a period of time must be done during that
period of time, unless the processing cycle will be blocked.
Recall that relations could be n-ary. For instance, in web
representative-corpus, n-ary relations represented 40% of all
relations. About n-ary relations extraction,are very relevant
work. They both use Stanford CoreNLP typed dependencies
paths to extract arguments of different facts. To end with
information extraction, let us precise that is not all about
free text. Some work has thus focus on web tables or lists

ผลลัพธ์ (ไทย) 2:

ในงานนี้ข้อเท็จจริงเก็บเกี่ยวบางวิธีการที่ผ่านมามุ่งเน้น
ในการขยายขีดความสามารถนอกเหนือจากการจำและความแม่นยำ มันเป็น
กรณีของการที่จะใช้ประโยชน์จาก Hadoop MapReduce เพื่อแจกจ่าย
รูปแบบการจับคู่เป็นส่วนหนึ่งของขั้นตอนวิธีการของพวกเขา ตอนนี้
มุ่งเน้นไปที่ความเร็วเกือบกลุ่มเดียวกันของผู้เขียน
ได้เสนอแนวทางใหม่สำหรับประชากรของความรู้
ในฐาน ที่นี่พวกเขาเสนอที่จะดึงบางชุดของ
ความสัมพันธ์จากเอกสารในการให้ "เวลาชิ้น" สกัดนี้
สามารถปรับปรุงได้ตามหัวข้อที่ครอบคลุมโดยเอกสาร
(เช่นไม่พยายามที่จะดึงความสัมพันธ์เพลงโดเมนจาก
เอกสารกีฬา) หรือตรงกับรูปแบบของความสัมพันธ์ใน
ดัชนีสร้างจากเอกสาร มากขึ้นเนื่องจากเว็บเป็นซ้ำซ้อน
(ความจริงที่ได้รับการเผยแพร่โดยนับเว็บไซต์) ร้อยละขนาดเล็ก
ของเอกสารที่สามารถครอบคลุมเป็นส่วนสำคัญของข้อเท็จจริง ในทำนองเดียวกัน
RDF รูปแบบข้อมูลที่ไม่มีโครงสร้างในช่วงเวลาที่-slice
ระยะเวลา มันเป็นสิ่งสำคัญที่จะต้องทราบว่าการประมวลผลทั้งหมดของ
ข้อมูลที่รวบรวมในช่วงระยะเวลาที่จะต้องทำในช่วง
ระยะเวลาเว้นแต่วงจรการประมวลผลจะถูกปิดกั้น.
จำได้ว่าอาจจะมีความสัมพันธ์ที่ N-Ary ยกตัวอย่างเช่นในเว็บ
ตัวแทน-คอร์ปัส, ความสัมพันธ์ที่ N-Ary ตัวแทน 40% ของ
ความสัมพันธ์ เกี่ยวกับ n- เกี่ยวสกัดความสัมพันธ์ที่มีความเกี่ยวข้องมาก
ทำงาน พวกเขาทั้งสองใช้สแตนฟอ CoreNLP พิมพ์อ้างอิง
เส้นทางที่จะดึงข้อโต้แย้งของข้อเท็จจริงที่แตกต่างกัน จะจบลงด้วย
การสกัดข้อมูลให้เราได้อย่างแม่นยำว่าไม่ทั้งหมดเกี่ยวกับ
ข้อความฟรี บางคนทำงานจึงได้มุ่งเน้นไปที่ตารางเว็บหรือรายการ

ผลลัพธ์ (ไทย) 3:

这标志着收获的，一些在最近facts approaches关注任务。此外，在可扩展性和精度在回忆到。它是它的优势的情况MapReduce带到distribute Hadoop。模式匹配算法的一部分。现在他们。聚焦在相同的组分，几乎为authors有一个方法，proposed人口知识的小说在propose基地。在这里，他们对某种set of a提取物在一个给定的关系，需从“time-slice是提取。基于CAN improved topics是由一上盖的不要尝试对提取物（例如从music-domain关系一个运动模式的匹配关系是由在一个从索引建立。自是，需更多的冗余网络因为事实是由（A），tens网站发表的一个小百分比一套单据的不Likewise，facts最小显著部分。在一个time-slice RDF-format unstructured数据这是一个重要duration。是加工的完整的注a period of time的数据收集在这一定要做了unless period of time，会blocked处理周期的。这可能是召回的关系。为便于在网络变量为便于representative-corpus，代表所有的关系。关于提取关系。关系，是非常便于相关斯坦福大学工作。他们两CoreNLP使用新型的依赖关系。对不同提取物的paths arguments与facts端。”让我们precise信息提取，这是不是所有关于有一些工作thus free text。可以在网站或列表焦点