The algorithm considered two consec

The algorithm considered two consecutive strings with a space in between.
The strings were first segmented into word sequences with POS tagged to each word.
By exploiting a POS n-gram model,
it was verified whether the space was a sentence break or not.
The system was trained and tested with subsets of the ORCHID corpus
(Charoenporn et al., 1997), and 80% break detection and
9% false-break rates were achieved.
An extension of the algorithm was proposed by Charoenpornsawat and Sornlertlamvanich (2001).
Not only the POSs of surrounding
words but also collocations of surrounding words and
lengths of surrounding token texts were used as the features
for determining whether space characters were sentence
boundaries.
These features were confirmed to be useful.
In (Charoenpornsawat and Sornlertlamvanich, 2001),
these features were extracted automatically by machine learning using the system Winnow.
Winnow was also used for sentence break detection.
Compared to the POS n-gram model,
a 1.7% improvement of break-detection rate
and a 79% reduction of false-break rate were achieved.
Although these gains are substantial,
the algorithms depend strongly on word segmentation and POS tagging.
A larger POS tagged corpus is needed to improve all these components

ผลลัพธ์ (ไทย) 1:

อัลกอริทึมที่ถือสายสองติดต่อกัน ด้วยช่องว่างระหว่าง สายอักขระถูกครั้งแรกเมื่อแบ่งลำดับคำกับ POS เพื่อแต่ละคำที่ติดแท็ก โดย exploiting แบบ n กรัม POS จะถูกตรวจสอบว่า พื้นที่ถูกแบ่งประโยค หรือไม่ ระบบการฝึกอบรม และทดสอบกับชุดย่อยของคอร์พัสคริออร์คิด(Charoenporn et al., 1997), และหาตัวแบ่ง 80% และราคาเท็จแบ่ง 9% ความสำเร็จ ส่วนขยายของอัลกอริทึมถูกนำเสนอ โดย Charoenpornsawat และ Sornlertlamvanich (2001) ไม่เฉพาะ POSs ล้อมรอบคำแต่ยังให้ล้อมรอบคำ และความยาวล้อมรอบข้อความโทเค็นถูกใช้เป็นสำหรับการกำหนดว่า การเว้นวรรคได้ประโยคขอบเขตการ คุณลักษณะเหล่านี้ได้ยืนยันว่า จะเป็นประโยชน์(Charoenpornsawat และ Sornlertlamvanich, 2001), มีสกัดคุณลักษณะเหล่านี้โดยอัตโนมัติ โดยการเรียนรู้ของเครื่องที่ใช้ระบบ Winnow Winnow ยังใช้สำหรับการตรวจหาการแบ่งประโยค เมื่อเทียบกับรุ่น n กรัม POS การปรับปรุง 1.7% ของอัตราการตรวจจับทำลาย และลด 79% เท็จแบ่งอัตราความสำเร็จ ถึงแม้ว่ากำไรเหล่านี้จะพบ อัลกอริทึมพึ่งขอแบ่งคำและติดป้าย POS คอร์พัสคริติดแท็ก POS มีขนาดใหญ่ที่จำเป็นสำหรับการปรับปรุงคอมโพเนนต์เหล่านี้

ผลลัพธ์ (ไทย) 2:

อัลกอริทึมการพิจารณาสองสายติดต่อกันด้วยช่องว่างระหว่าง.
สตริงถูกแบ่งครั้งแรกในลำดับคำที่มี POS ติดแท็กแต่ละคำ.
โดยการใช้ประโยชน์ POS รุ่น
N-กรัมมันคือการตรวจสอบว่าพื้นที่ที่เป็นตัวแบ่งประโยคหรือไม่.
ระบบได้รับการฝึกฝนและทดสอบด้วยส่วนย่อยของคลังกล้วยไม้
(เจริญพร et al., 1997) และ 80% การตรวจสอบการหยุดพักและ
9% อัตราเท็จแบ่งกำลังประสบความสำเร็จ.
เป็นส่วนหนึ่งของขั้นตอนวิธีที่เสนอโดย Charoenpornsawat และ Sornlertlamvanich (2001)
ไม่เพียง แต่ poss
รอบคำแต่ยัง collocations ของคำโดยรอบและความยาวของรอบตำราโทเค็นถูกนำมาใช้เป็นคุณสมบัติในการพิจารณาว่าตัวอักษรพื้นที่เป็นประโยคขอบเขต. คุณสมบัติเหล่านี้ได้รับการยืนยันที่จะเป็นประโยชน์. ใน (Charoenpornsawat และ Sornlertlamvanich, 2001), คุณสมบัติเหล่านี้ถูกสกัดโดยอัตโนมัติโดยการเรียนรู้เครื่องที่ใช้ระบบโปรย. โปรยก็ยังใช้สำหรับการพักผ่อนประโยคการตรวจสอบ. เมื่อเทียบกับ POS รุ่น N-กรัมการปรับปรุง1.7% ของอัตราการแบ่งการตรวจสอบและการลดลง79% ของราคาที่ผิดพลาดแบ่ง กำลังประสบความสำเร็จ. แม้ว่ากำไรเหล่านี้มีความสำคัญขั้นตอนวิธีการขึ้นอยู่อย่างมากในการตัดคำและการติดแท็ก POS. คลังข้อมูลแท็ก POS ที่มีขนาดใหญ่เป็นสิ่งจำเป็นในการปรับปรุงทุกองค์ประกอบเหล่านี้

ผลลัพธ์ (ไทย) 3:

ขั้นตอนวิธีพิจารณาสองสายติดต่อกัน มีช่องว่างระหว่างกัน
" ถูกแบ่งออกเป็นลำดับคำกับ POS ติดแท็กในแต่ละคำ
โดย exploiting POS n-gram รูปแบบ
มันถูกยืนยันว่าพื้นที่เป็นประโยคที่แตก หรือ ไม่
ระบบการฝึกอบรมและทดสอบกับชุดย่อยของกล้วยไม้คลังข้อมูล
( charoenporn et al . , 1997 ) และ 80% แบ่งการตรวจและ
9 % แบ่งเป็นเท็จอัตรารับ
เป็นส่วนขยายของอัลกอริทึมที่เสนอโดย charoenpornsawat และ sornlertlamvanich ( 2001 )
ไม่เพียง แต่รูปแบบของรอบ
คำ แต่ยัง collocations รอบคำและความยาวของโทเค็นรอบ
ข้อความที่ใช้เป็นคุณสมบัติสำหรับการกำหนดว่าตัวอักษรพื้นที่
มีขอบเขตประโยค


คุณสมบัติเหล่านี้ได้รับการยืนยันที่จะเป็นประโยชน์ .
( charoenpornsawat และ sornlertlamvanich , 2001 ) ,
คุณสมบัติเหล่านี้ถูกสกัดโดยอัตโนมัติโดยเครื่องการเรียนรู้โดยใช้ระบบเป้าหมาย .
ฝัดยังใช้ประโยคทำลายการตรวจสอบ
เมื่อเทียบกับ n-gram POS แบบ
1.7 % การปรับปรุงแบ่งตรวจสอบอัตรา
และร้อยละ 79 อัตราการแบ่งเท็จถูกความ

ถึงแม้ว่าผลประโยชน์เหล่านี้เป็นรูปธรรมอัลกอริทึมที่ขึ้นอยู่อย่างมากในการตัดคำ และ ระบบการติดแท็ก
POS , คลังข้อมูลขนาดใหญ่ จะต้องปรับปรุงองค์ประกอบเหล่านี้ทั้งหมด