Modeling the Lifespan of Discourse

Modeling the Lifespan of Discourse Entities with Application to Coreference Resolution

A discourse typically involves numerous entities, but few are mentioned more than once. Distinguishing
those that die out after just one mention (singleton) from those that lead longer lives
(coreferent) would dramatically simplify the hypothesis space for coreference resolution models,
leading to increased performance. To realize these gains, we build a classifier for predicting the
singleton/coreferent distinction. The model’s feature representations synthesize linguistic insights
about the factors affecting discourse entity lifespans (especially negation, modality, and attitude
predication) with existing results about the benefits of “surface” (part-of-speech and n-gram-based)
features for coreference resolution. The model is effective in its own right, and the feature representations
help to identify the anchor phrases in bridging anaphora as well. Furthermore, incorporating
the model into two very different state-of-the-art coreference resolution systems, one rule-based and
the other learning-based, yields significant performance improvements.

ผลลัพธ์ (ไทย) 1:

อายุของเอนทิตีวาทกรรมกับการ Coreference ความละเอียดในการสร้างโมเดลการอภิปรายโดยทั่วไปจะเกี่ยวข้องกับเอนทิตีจำนวนมาก แต่น้อยกล่าวถึงมากกว่า หนึ่งครั้ง แยกความแตกต่างที่ตายออกหลังเพียงหนึ่งพูด (เดี่ยว) จากรอนานอยู่(coreferent) จะทำพื้นที่สมมติฐานสำหรับรุ่น coreference ความละเอียด อย่างมากนำไปสู่การเพิ่มประสิทธิภาพ จะรับรู้กำไรเหล่านี้ เราสร้าง classifier สำหรับการคาดการณ์ความแตกต่างของ เดี่ยว/coreferent นำเสนอคุณลักษณะของรุ่นสังเคราะห์ความเข้าใจภาษาศาสตร์เกี่ยวกับปัจจัยมีผลต่อวาทกรรมเอนทิตี lifespans (โดยเฉพาะอย่างยิ่งปฏิเสธ modality และทัศนคติpredication) กับผลที่มีอยู่เกี่ยวกับประโยชน์ของ "ผิว" (ส่วนหนึ่งของคำพูด และ n กรัมตาม)ลักษณะการทำงานสำหรับความละเอียด coreference รูปแบบจะมีประสิทธิภาพในตนเอง และเป็นตัวแทนคุณลักษณะช่วยระบุวลียึดในระหว่างกาล anaphora เช่น นอกจากนี้ เพจแบบจำลองระบบความละเอียดแตกต่างกันมากรัฐ-of-the-art coreference สอง หนึ่งตามกฎ และอื่นเรียนตาม ทำให้การปรับปรุงประสิทธิภาพที่สำคัญ

ผลลัพธ์ (ไทย) 2:

การสร้างแบบจำลองอายุของกิจการวาทกรรมกับการประยุกต์ใช้ในการแก้ปัญหา Coreference วาทกรรมมักจะเกี่ยวข้องกับหน่วยงานต่าง ๆ นานา แต่น้อยจะกล่าวถึงมากกว่าหนึ่งครั้ง ความแตกต่างเหล่านั้นที่ตายออกหลังจากเพียงหนึ่งกล่าวถึง (เดี่ยว) จากผู้ที่นำไปสู่ชีวิตอีกต่อไป(coreferent) อย่างมากที่จะลดความซับซ้อนของพื้นที่สมมติฐานสำหรับรุ่นความละเอียด coreference, นำไปสู่ประสิทธิภาพที่เพิ่มขึ้น ตระหนักถึงผลกำไรเหล่านี้เราสร้างลักษณนามในการทำนายเดี่ยว / ความแตกต่าง coreferent การแสดงคุณลักษณะของรูปแบบการสังเคราะห์ข้อมูลเชิงลึกทางด้านภาษาศาสตร์เกี่ยวกับปัจจัยที่มีผลต่อ lifespans นิติบุคคลวาทกรรม (การปฏิเสธโดยเฉพาะอย่างยิ่งกิริยาและทัศนคติpredication) กับผลที่มีอยู่เกี่ยวกับประโยชน์ของ "พื้นผิว" (ส่วนหนึ่งของการพูดและ n กรัม-based) มีสำหรับ coreference ความละเอียด รูปแบบที่มีประสิทธิภาพในสิทธิของตนเองและการแสดงคุณลักษณะที่ช่วยในการระบุวลีสมอในการแก้ Anaphora เช่นกัน นอกจากนี้การผสมผสานรูปแบบเป็นสองรัฐของศิลปะที่แตกต่างกันมากระบบความละเอียด coreference หนึ่งตามกฎและอื่น ๆ การเรียนรู้ตามอัตราผลตอบแทนการปรับปรุงประสิทธิภาพอย่างมีนัยสำคัญ

ผลลัพธ์ (ไทย) 3:

การสร้างแบบจำลองการใช้งานของวาทกรรมนิติบุคคล ประยุกต์ใช้กับ coreference ละเอียด

วาทกรรมโดยทั่วไปจะเกี่ยวข้องกับหลายหน่วยงาน แต่เพียงไม่กี่พูดถึงมากกว่าหนึ่งครั้ง แยก
ผู้ที่ตายหลังจากพูดถึง ( Singleton ) จากผู้ที่นำมีชีวิตอยู่อีกต่อไป
( coreferent ) จะสามารถลดระดับความละเอียดของพื้นที่ coreference
รุ่นนำไปสู่การเพิ่มประสิทธิภาพ ตระหนักถึงผลประโยชน์เหล่านี้ เราจะสร้างแบบในโรงพยาบาล /
coreferent แตกต่าง รูปแบบของภาพสังเคราะห์คุณลักษณะข้อมูลเชิงลึกเกี่ยวกับปัจจัยที่มีผลต่อภาษา
วาทกรรมนิติบุคคล lifespans ( โดยเฉพาะอย่างยิ่งปฏิเสธกิริยาและท่าที
ทั่วไป ) กับผลลัพธ์ที่มีอยู่เกี่ยวกับประโยชน์ของ “พื้นผิว” ( ส่วนหนึ่งของการพูดและ n-gram-based )
coreference คุณสมบัติความละเอียด รูปแบบที่มีประสิทธิภาพในสิทธิของตนเอง และมีตัวแทน
ช่วยระบุเป็นวลีในกาล anaphora เช่นกัน นอกจากนี้ ผสมผสาน
รูปแบบออกเป็นสองแตกต่างกันมาก coreference ความละเอียดของระบบหนึ่งกฎและการเรียนรู้อื่น ๆ ตามที่
, ผลผลิต , การปรับปรุงประสิทธิภาพอย่างมีนัยสำคัญ