In this experiment, we test the eff

In this experiment, we test the effectiveness of the measure for Causal Association. All the probabilities used in our method are estimated by maximum likelihood estimation from event frequencies in Causal Corpus. To address the data-sparse problem, when we calculate the frequency of an event, we consider those with synonymous arguments refer to the same event. For example, “[Subj teacher][Pre criticize][Obj student]” and “[Subj master][ Pre blame][Obj student]” are
485


synonymous events. Considering the evaluation cost, here we selected 20 groups of synonymous verbs (144 verbs in all) which act as the predicate in the cause event. And we get 6,307 event pairs.
To see the effect of our measure, we compare S with another score PMI. And we calculate these scores respectively using the whole argument structure (-E) or the head verb (-V) as an event.

ผลลัพธ์ (ไทย) 1:

ในการทดลองนี้ เราทดสอบประสิทธิภาพของการวัดความสัมพันธ์เชิงสาเหตุ กิจกรรมทั้งหมดที่ใช้ในวิธีของเราจะประเมิน โดยการประเมินความเป็นไปได้สูงสุดจากความถี่ของเหตุการณ์ในคอร์พัสคริสาเหตุ เพื่อแก้ไขปัญหาข้อมูลบ่อ เมื่อเราคำนวณความถี่ของเหตุการณ์ เราพิจารณาที่พ้องอาร์กิวเมนต์ที่อ้างอิงถึงเหตุการณ์เดียวกัน ตัวอย่าง, " [Subj ครู] [ก่อนติชม] [นักเรียน Obj] " และ " [Subj หลัก] [ก่อนตำหนิ] [นักเรียน Obj] " มี 485 เหตุการณ์พ้อง พิจารณาต้นทุนประเมิน ที่นี่เราเลือก 20 กลุ่มกริยาพ้อง (144 คำกริยาทั้งหมด) ซึ่งทำหน้าที่เป็นเพรดิเคตในเหตุการณ์สาเหตุ และเราได้รับ 6,307 เหตุการณ์คู่ เมื่อต้องการดูผลของการวัดของเรา เราเปรียบเทียบ S กับอีกคะแนน PMI และเราคำนวณคะแนนเหล่านี้ตามลำดับโดยใช้โครงสร้างอาร์กิวเมนต์ทั้งหมด (-E) หรือกริยาหลัก (-V) เป็นเหตุการณ์การ

ผลลัพธ์ (ไทย) 2:

ในการทดลองนี้เราจะทำการทดสอบประสิทธิภาพของตัวชี้วัดสำหรับสมาคมสาเหตุ ความน่าจะเป็นทั้งหมดที่ใช้ในวิธีการของเรามีการประเมินโดยการประมาณค่าความน่าจะเป็นสูงสุดจากความถี่ของเหตุการณ์ในเชิงสาเหตุคอร์ปัส การแก้ไขปัญหาข้อมูลเบาบางเมื่อเราคำนวณความถี่ของเหตุการณ์ที่เราจะพิจารณาผู้ที่มีความหมายเหมือนกันข้อโต้แย้งที่อ้างถึงเหตุการณ์เดียวกัน ยกตัวอย่างเช่น "[เรื่องครู] [Pre Criticize] [นักเรียน Obj]" และ "[โฟกัสตามวัตถุต้นแบบ] [ตำหนิ Pre] [นักเรียน Obj]" เป็น
485 เหตุการณ์ความหมายเหมือนกัน เมื่อพิจารณาค่าใช้จ่ายในการประเมินผลที่นี่เราเลือก 20 กลุ่มคำกริยาหมายเหมือนกัน (144 คำกริยาในทุก) ซึ่งทำหน้าที่เป็นคำกริยาในกรณีที่สาเหตุ และเราได้รับ 6,307 คู่เหตุการณ์. หากต้องการดูผลของมาตรการของเราเราเปรียบเทียบ S กับคะแนน PMI อื่น และเราคำนวณคะแนนเหล่านี้ตามลำดับโดยใช้โครงสร้างอาร์กิวเมนต์ทั้งหมด (-E) หรือคำกริยาหัว (-V) ซึ่งเป็นงาน

ผลลัพธ์ (ไทย) 3:

ในการทดสอบนี้เราทดสอบประสิทธิผลของการวัดความสัมพันธ์เชิงสาเหตุ ทั้งหมด ความน่าจะเป็นที่ใช้ในวิธีของเราจะประมาณความควรจะเป็นสูงสุด โดยประเมินจากเหตุการณ์ในสาเหตุของคลังข้อมูล เพื่อแก้ไขปัญหาข้อมูลโปร่ง เมื่อเราคำนวณความถี่ของเหตุการณ์ เราพิจารณาผู้ที่มีข้อโต้แย้งพ้องอ้างถึงเหตุการณ์เดียวกัน ตัวอย่างเช่น" [ ครู ] หัวเรื่อง [ pre ] [ obj ] วิจารณ์นักเรียน " และ " [ Master ] หัวเรื่อง [ pre ] [ obj โทษนักเรียน ] "



พวกพ้องเหตุการณ์ โดยพิจารณาจากการประเมินต้นทุน ที่นี่เราคัดสรร 20 กลุ่มของกริยาพ้อง ( 144 กริยาทั้งหมด ) ซึ่งทำหน้าที่เป็นภาคแสดงในสาเหตุของเหตุการณ์ และเราได้รับ 6307 คู่กิจกรรม
ดูผลวัดของเรา เราเปรียบเทียบกับอีกคะแนน PMIและเราคำนวนคะแนน ตามลำดับ โดยใช้โครงสร้างอาร์กิวเมนต์ทั้งหมด ( - E ) หรือหัวกริยา ( - 5 ) เหตุการณ์