Most recent research in trainable p

Most recent research in trainable part of speech taggers has explored stochastic tagging. While these taggers obtain high accuracy, linguistic information is captured indirectly, typically in tens of thousands of lexical and contextual probabilities. In [Brill92], a trainable rule-based tagger was described that obtained performance comparable to that of stochastic taggers, but captured relevant linguistic information in a small number of simple non-stochastic rules. In this paper, we describe a number of extensions to this rule-based tagger. First, we describe a method for expressing lexical relations in tagging that are not captured by stochastic taggers. Next, we show a rule-based approach to tagging unknown words. Finally, we show how the tagger can be extended into a k-best tagger, where multiple tags can be assigned to words in some cases of uncertainty.

ผลลัพธ์ (ไทย) 1:

งานวิจัยล่าสุดใน taggers trainable ส่วนของประโยคมีอุดมการติดป้ายแบบเฟ้นสุ่ม ขณะนี้ taggers ได้ความแม่นยำสูง ข้อมูลภาษาศาสตร์จับภาพทางอ้อม โดยทั่วไปในหมื่นกิจกรรมเกี่ยวกับคำศัพท์ และบริบทการ ใน [Brill92], tagger trainable ตามกฎถูกอธิบายไว้ที่ได้ประสิทธิภาพเทียบเท่ากับของสโทแคสติก taggers แต่จับละเอียดภาษาศาสตร์ในกติกาง่าย ๆ ไม่ใช่แบบเฟ้นสุ่มเล็ก ในเอกสารนี้ เราอธิบายตัวเลขของส่วนขยายนี้ tagger ตามกฎ ครั้งแรก เราอธิบายวิธีการแสดงความสัมพันธ์เกี่ยวกับคำศัพท์ในการติดป้ายที่ไม่มีบันทึก โดย taggers สโทแคสติก ถัดไป เราสามารถแสดงวิธีการตามกฎการติดป้ายคำไม่รู้จัก สุดท้าย เราแสดงว่าสามารถขยาย tagger ที่เป็นแบบ k ส่วน tagger ซึ่งแท็กหลายแท็กให้คำในบางกรณีของความไม่แน่นอน

ผลลัพธ์ (ไทย) 2:

งานวิจัยล่าสุดในส่วนของสุวินัย taggers คำพูดที่มีการสำรวจการติดแท็กสุ่ม ในขณะที่เหล่านี้ได้รับ taggers ความแม่นยำสูงข้อมูลภาษาศาสตร์ถูกจับทางอ้อมโดยทั่วไปในนับหมื่นของความน่าจะเป็นคำศัพท์และบริบท ใน [Brill92] Tagger สุวินัยตามกฎก็อธิบายว่าได้รับประสิทธิภาพการทำงานเทียบเท่ากับที่ของ taggers สุ่ม แต่จับข้อมูลทางภาษาศาสตร์ที่เกี่ยวข้องในจำนวนเล็ก ๆ ของกฎระเบียบที่ไม่สุ่มอย่างง่าย ในบทความนี้เราจะอธิบายจำนวนของนามสกุลนี้ Tagger ตามกฎ ครั้งแรกที่เราจะอธิบายวิธีการในการแสดงความสัมพันธ์ของคำศัพท์ในการติดแท็กที่ยังไม่ได้บันทึกโดย taggers สุ่ม ต่อไปเราจะแสดงวิธีการตามกฎการติดแท็กคำที่ไม่รู้จัก สุดท้ายเราแสดงให้เห็นว่า Tagger สามารถขยายเป็น Tagger k ที่ดีที่สุดที่หลายแท็กสามารถกำหนดให้กับคำพูดในบางกรณีของความไม่แน่นอน

ผลลัพธ์ (ไทย) 3:

งานวิจัยล่าสุดในส่วนของการพูดโดย Stochastic trainable ตราของการติดแท็ก ในขณะที่ตราของเหล่านี้ได้รับความถูกต้องสูง ข้อมูลทางภาษาศาสตร์จะถูกจับโดยอ้อม , โดยทั่วไปในหลักสิบของพันของคำและบริบท ความน่าจะเป็น brill92 ใน [ ] , Tagger กฎคุ้มครองได้อธิบายที่ได้ประสิทธิภาพเทียบเท่ากับที่ของตราของ stochastic ,แต่บันทึกข้อมูลทางภาษาศาสตร์ที่เกี่ยวข้องในตัวเลขขนาดเล็กของง่ายไม่สุ่มกฎ ในกระดาษนี้เราอธิบายหมายเลขของนามสกุล Tagger กฎนี้ ก่อนอื่น เราอธิบายวิธีการแสดงศัพท์สัมพันธ์ในแท็กที่ไม่ได้ถูกจับโดย Stochastic ตราของ . ต่อไปเราจะแสดงวิธีการกฎแท็กที่ไม่รู้จักคำ ในที่สุดเราแสดงวิธีการ Tagger สามารถขยายเข้าไปใน k-best Tagger ที่แท็กหลายสามารถมอบหมายให้คำพูดในบางกรณีของความไม่แน่นอน