Inhaltsverzeichnis
Auswahl der wissenschaftlichen Literatur zum Thema „Named Entity Classification“
Geben Sie eine Quelle nach APA, MLA, Chicago, Harvard und anderen Zitierweisen an
Machen Sie sich mit den Listen der aktuellen Artikel, Bücher, Dissertationen, Berichten und anderer wissenschaftlichen Quellen zum Thema "Named Entity Classification" bekannt.
Neben jedem Werk im Literaturverzeichnis ist die Option "Zur Bibliographie hinzufügen" verfügbar. Nutzen Sie sie, wird Ihre bibliographische Angabe des gewählten Werkes nach der nötigen Zitierweise (APA, MLA, Harvard, Chicago, Vancouver usw.) automatisch gestaltet.
Sie können auch den vollen Text der wissenschaftlichen Publikation im PDF-Format herunterladen und eine Online-Annotation der Arbeit lesen, wenn die relevanten Parameter in den Metadaten verfügbar sind.
Zeitschriftenartikel zum Thema "Named Entity Classification"
Nadeau, David, und Satoshi Sekine. „A survey of named entity recognition and classification“. Lingvisticæ Investigationes. International Journal of Linguistics and Language Resources 30, Nr. 1 (10.08.2007): 3–26. http://dx.doi.org/10.1075/li.30.1.03nad.
Der volle Inhalt der QuelleAhmad, Muhammad Tayyab, Muhammad Kamran Malik, Khurram Shahzad, Faisal Aslam, Asif Iqbal, Zubair Nawaz und Faisal Bukhari. „Named Entity Recognition and Classification for Punjabi Shahmukhi“. ACM Transactions on Asian and Low-Resource Language Information Processing 19, Nr. 4 (07.07.2020): 1–13. http://dx.doi.org/10.1145/3383306.
Der volle Inhalt der QuelleSteinberger, Ralf, und Bruno Pouliquen. „Cross-lingual Named Entity Recognition“. Lingvisticæ Investigationes. International Journal of Linguistics and Language Resources 30, Nr. 1 (10.08.2007): 135–62. http://dx.doi.org/10.1075/li.30.1.09ste.
Der volle Inhalt der QuelleEkbal, Asif, Sriparna Saha und Utpal Kumar Sikdar. „Multiobjective Optimization for Biomedical Named Entity Recognition and Classification“. Procedia Technology 6 (2012): 206–13. http://dx.doi.org/10.1016/j.protcy.2012.10.025.
Der volle Inhalt der QuelleShaalan, Khaled. „A Survey of Arabic Named Entity Recognition and Classification“. Computational Linguistics 40, Nr. 2 (Juni 2014): 469–510. http://dx.doi.org/10.1162/coli_a_00178.
Der volle Inhalt der QuelleASBAYOU, Omar. „Automatic Arabic Named Entity Extraction and Classification for Information Retrieval“. International Journal on Natural Language Computing 9, Nr. 6 (30.12.2020): 1–22. http://dx.doi.org/10.5121/ijnlc.2020.9601.
Der volle Inhalt der QuelleTan, Chuanqi, Wei Qiu, Mosha Chen, Rui Wang und Fei Huang. „Boundary Enhanced Neural Span Classification for Nested Named Entity Recognition“. Proceedings of the AAAI Conference on Artificial Intelligence 34, Nr. 05 (03.04.2020): 9016–23. http://dx.doi.org/10.1609/aaai.v34i05.6434.
Der volle Inhalt der QuelleChoi, Yunsu, und Jeongwon Cha. „Korean Named Entity Recognition and Classification using Word Embedding Features“. Journal of KIISE 43, Nr. 6 (15.06.2016): 678–85. http://dx.doi.org/10.5626/jok.2016.43.6.678.
Der volle Inhalt der QuelleGoyal, Archana, Vishal Gupta und Manish Kumar. „Recent Named Entity Recognition and Classification techniques: A systematic review“. Computer Science Review 29 (August 2018): 21–43. http://dx.doi.org/10.1016/j.cosrev.2018.06.001.
Der volle Inhalt der QuelleMarchenko, O. O. „Machine-learning methods for text named entity recognition“. PROBLEMS IN PROGRAMMING, Nr. 2-3 (Juni 2016): 150–57. http://dx.doi.org/10.15407/pp2016.02-03.150.
Der volle Inhalt der QuelleDissertationen zum Thema "Named Entity Classification"
Alasiry, Areej Mohammed. „Named entity recognition and classification in search queries“. Thesis, Birkbeck (University of London), 2015. http://bbktheses.da.ulcc.ac.uk/154/.
Der volle Inhalt der QuelleRosvall, Erik. „Comparison of sequence classification techniques with BERT for named entity recognition“. Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-261419.
Der volle Inhalt der QuelleDen här uppsatsen tar avstamp från den senaste utvecklingen inom datorlingvistik som skett med bakgrund av den nya transformator-arkitekturen (engelska “Transformer”). En av de senare modellerna som presenterats är en djup dubbelriktad modell, kallad BERT, som förbättrade flera resultat inom datorlingvistik. BERT är en modell som tränats på generell språkförståelse genom att bearbeta stora textmängder och sedan specialanpassas till ett specifikt problemområde. BERT kan användas för flera uppgifter inom datorlingvistik men denna uppsats tittade specifikt på informationsextraktion av entiteter (engelska “Named Entity Recognition”). Uppsatsen jämförde den ursprungliga modellen som presenterades med en ny klassificerare baserat på Conditional Random Fields. Modellen utvärderades på CoNLL-03, ett dataset från Reuters nyhetsartiklar skrivna på engelska. Resultatet visade att Conditional Random Field klassificerare presterade bättre mätt i F1-resultat, med ungefär 0.25 procentenheter. Uppsatsen lyckades inte reproducera BERTs ursprungliga resultat men jämför de två arkitekturerna över de hyperparametrar som föreslagits för specialanpassning till uppgiften. Conditional Random Fields visade bättre resultat för de flesta modellkonfigurationerna, men även mindre varians i resultat för olika parametrar vilket skapar ett starkt incitament att använda Conditional Random Fields som klassificerare.
Kliegr, Tomáš. „Unsupervised Entity Classification with Wikipedia and WordNet“. Doctoral thesis, Vysoká škola ekonomická v Praze, 2007. http://www.nusl.cz/ntk/nusl-126861.
Der volle Inhalt der QuelleVolkova, Svitlana. „Entity extraction, animal disease-related event recognition and classification from web“. Thesis, Kansas State University, 2010. http://hdl.handle.net/2097/4593.
Der volle Inhalt der QuelleDepartment of Computing and Information Sciences
William H. Hsu
Global epidemic surveillance is an essential task for national biosecurity management and bioterrorism prevention. The main goal is to protect the public from major health threads. To perform this task effectively one requires reliable, timely and accurate medical information from a wide range of sources. Towards this goal, we present a framework for epidemiological analytics that can be used to extract and visualize infectious disease outbreaks from the variety of unstructured web sources automatically. More precisely, in this thesis, we consider several research tasks including document relevance classification, entity extraction and animal disease-related event recognition in the veterinary epidemiology domain. First, we crawl web sources and classify collected documents by topical relevance using supervised learning algorithms. Next, we propose a novel approach for automated ontology construction in the veterinary medicine domain. Our approach is based on semantic relationship discovery using syntactic patterns. We then apply our automatically-constructed ontology for the domain-specific entity extraction task. Moreover, we compare our ontology-based entity extraction results with an alternative sequence labeling approach. We introduce a sequence labeling method for the entity tagging that relies on syntactic feature extraction using a sliding window. Finally, we present our novel sentence-based event recognition approach that includes three main steps: entity extraction of animal diseases, species, locations, dates and the confirmation status n-grams; event-related sentence classification into two categories - suspected or confirmed; automated event tuple generation and aggregation. We show that our document relevance classification results as well as entity extraction and disease-related event recognition results are significantly better compared to the results reported by other animal disease surveillance systems.
Yosef, Mohamed Amir [Verfasser], und Gerhard [Akademischer Betreuer] Weikum. „U-AIDA : a customizable system for named entity recognition, classification, and disambiguation / Mohamed Amir Yosef. Betreuer: Gerhard Weikum“. Saarbrücken : Saarländische Universitäts- und Landesbibliothek, 2016. http://d-nb.info/1083894722/34.
Der volle Inhalt der QuelleMendes, Pablo N. „Adaptive Semantic Annotation of Entity and Concept Mentions in Text“. Wright State University / OhioLINK, 2014. http://rave.ohiolink.edu/etdc/view?acc_num=wright1401665504.
Der volle Inhalt der QuelleSidås, Albin, und Simon Sandberg. „Conversational Engine for Transportation Systems“. Thesis, Linköpings universitet, Institutionen för datavetenskap, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-176810.
Der volle Inhalt der QuelleUrbansky, David. „Automatic Extraction and Assessment of Entities from the Web“. Doctoral thesis, Saechsische Landesbibliothek- Staats- und Universitaetsbibliothek Dresden, 2012. http://nbn-resolving.de/urn:nbn:de:bsz:14-qucosa-97469.
Der volle Inhalt der QuelleLiaghat, Zeinab. „Quality-efficiency trade-offs in machine learning applied to text processing“. Doctoral thesis, Universitat Pompeu Fabra, 2017. http://hdl.handle.net/10803/402575.
Der volle Inhalt der QuelleAvui en dia, la quantitat de documents digitals disponibles està creixent ràpidament, expandint- se a un ritme considerable i procedint de diverses fonts. Les fonts d’informació no estructurada i semiestructurada inclouen la World Wide Web, articles de notícies, bases de dades biològiques, correus electrònics, biblioteques digitals, repositoris electrònics governamentals, , sales de xat, forums en línia, blogs i mitjans socials com Facebook, Instagram, LinkedIn, Pinterest, Twitter, YouTube i molts d’altres. Extreure’n informació d’aquests recursos i trobar informació útil d’aquestes col.leccions s’ha convertit en un desafiament que fa que l’organització d’aquesta enorme quantitat de dades esdevingui una necessitat. La mineria de dades, l’aprenentatge automàtic i el processament del llenguatge natural són tècniques poderoses que poden utilitzar-se conjuntament per fer front a aquest gran desafiament. Segons la tasca o el problema en qüestió existeixen molts emfo- caments diferents que es poden utilitzar. Els mètodes que s’estan implementant s’optimitzen continuament, però aquests mètodes d’aprenentatge automàtic supervisats han estat provats i comparats amb grans dades d’entrenament. La pregunta és : Què passa amb la qualitat dels mètodes si incrementem les dades de 100 MB a 1 GB? Més encara: Les millores en la qualitat valen la pena quan la taxa de processament de les dades minva? Podem canviar qualitat per eficiència, tot recuperant la perdua de qualitat quan processem més dades? Aquesta tesi és una primera aproximació per resoldre aquestes preguntes de forma gene- ral per a tasques de processament de text, ja que no hi ha hagut suficient investigació per a comparar aquests mètodes considerant el balanç entre el tamany de les dades, la qualitat dels resultats i el temps de processament. Per tant, proposem un marc per analitzar aquest balanç i l’apliquem a tres problemes importants de processament de text: Reconeixement d’Entitats Anomenades, Anàlisi de Sentiments i Classificació de Documents. Aquests problemes tam- bé han estat seleccionats perquè tenen nivells diferents de granularitat: paraules, opinions i documents complerts. Per a cada problema seleccionem diferents algoritmes d’aprenentatge automàtic i avaluem el balanç entre aquestes variables per als diferents algoritmes en grans conjunts de dades públiques ( notícies, opinions, patents). Utilitzem subconjunts de diferents tamanys entre 50 MB i alguns GB per a explorar aquests balanç. Per acabar, com havíem suposat, no perquè un algoritme és eficient en poques dades serà eficient en grans quantitats de dades. Per als dos últims problemes considerem algoritmes similars i també dos conjunts diferents de dades i tècniques d’avaluació per a estudiar l’impacte d’aquests dos paràmetres en els resultats. Mostrem que els resultats no canvien significativament amb aquests canvis.
Hoy en día, la cantidad de documentos digitales disponibles está creciendo rápidamente, ex- pandiéndose a un ritmo considerable y procediendo de una variedad de fuentes. Estas fuentes de información no estructurada y semi estructurada incluyen la World Wide Web, artículos de noticias, bases de datos biológicos, correos electrónicos, bibliotecas digitales, repositorios electrónicos gubernamentales, salas de chat, foros en línea, blogs y medios sociales como Fa- cebook, Instagram, LinkedIn, Pinterest, Twitter, YouTube, además de muchos otros. Extraer información de estos recursos y encontrar información útil de tales colecciones se ha convertido en un desafío que hace que la organización de esa enorme cantidad de datos sea una necesidad. La minería de datos, el aprendizaje automático y el procesamiento del lenguaje natural son técnicas poderosas que pueden utilizarse conjuntamente para hacer frente a este gran desafío. Dependiendo de la tarea o el problema en cuestión, hay muchos enfoques dife- rentes que se pueden utilizar. Los métodos que se están implementando se están optimizando continuamente, pero estos métodos de aprendizaje automático supervisados han sido probados y comparados con datos de entrenamiento grandes. La pregunta es ¿Qué pasa con la calidad de los métodos si incrementamos los datos de 100 MB a 1GB? Más aún, ¿las mejoras en la cali- dad valen la pena cuando la tasa de procesamiento de los datos disminuye? ¿Podemos cambiar calidad por eficiencia, recuperando la perdida de calidad cuando procesamos más datos? Esta tesis es una primera aproximación para resolver estas preguntas de forma general para tareas de procesamiento de texto, ya que no ha habido investigación suficiente para comparar estos métodos considerando el balance entre el tamaño de los datos, la calidad de los resultados y el tiempo de procesamiento. Por lo tanto, proponemos un marco para analizar este balance y lo aplicamos a tres importantes problemas de procesamiento de texto: Reconocimiento de En- tidades Nombradas, Análisis de Sentimientos y Clasificación de Documentos. Estos problemas fueron seleccionados también porque tienen distintos niveles de granularidad: palabras, opinio- nes y documentos completos. Para cada problema seleccionamos distintos algoritmos de apren- dizaje automático y evaluamos el balance entre estas variables para los distintos algoritmos en grandes conjuntos de datos públicos (noticias, opiniones, patentes). Usamos subconjuntos de distinto tamaño entre 50 MB y varios GB para explorar este balance. Para concluir, como ha- bíamos supuesto, no porque un algoritmo es eficiente en pocos datos será eficiente en grandes cantidades de datos. Para los dos últimos problemas consideramos algoritmos similares y tam- bién dos conjuntos distintos de datos y técnicas de evaluación, para estudiar el impacto de estos dos parámetros en los resultados. Mostramos que los resultados no cambian significativamente con estos cambios.
Skeppstedt, Maria. „Extracting Clinical Findings from Swedish Health Record Text“. Doctoral thesis, Stockholms universitet, Institutionen för data- och systemvetenskap, 2014. http://urn.kb.se/resolve?urn=urn:nbn:se:su:diva-109254.
Der volle Inhalt der QuelleBücher zum Thema "Named Entity Classification"
Kellum, John A. Diagnosis of oliguria and acute kidney injury. Oxford University Press, 2016. http://dx.doi.org/10.1093/med/9780199600830.003.0212.
Der volle Inhalt der QuelleBuchteile zum Thema "Named Entity Classification"
Harrando, Ismail, und Raphaël Troncy. „Named Entity Recognition as Graph Classification“. In The Semantic Web: ESWC 2021 Satellite Events, 103–8. Cham: Springer International Publishing, 2021. http://dx.doi.org/10.1007/978-3-030-80418-3_19.
Der volle Inhalt der QuelleNadeau, David, und Satoshi Sekine. „A survey of named entity recognition and classification“. In Benjamins Current Topics, 3–28. Amsterdam: John Benjamins Publishing Company, 2009. http://dx.doi.org/10.1075/bct.19.03nad.
Der volle Inhalt der QuelleBarua, Jayendra, und Dhaval Patel. „Named Entity Classification Using Search Engine’s Query Suggestions“. In Lecture Notes in Computer Science, 612–18. Cham: Springer International Publishing, 2017. http://dx.doi.org/10.1007/978-3-319-56608-5_56.
Der volle Inhalt der QuelleJayashree, R., Basavaraj S. Anami und S. Teju. „Impact of Named Entity Recognition on Kannada Documents Classification“. In Communications in Computer and Information Science, 395–402. Singapore: Springer Singapore, 2018. http://dx.doi.org/10.1007/978-981-10-9059-2_35.
Der volle Inhalt der Quellede Pablo-Sánchez, César, und Paloma Martínez. „Building a Graph of Names and Contextual Patterns for Named Entity Classification“. In Lecture Notes in Computer Science, 530–37. Berlin, Heidelberg: Springer Berlin Heidelberg, 2009. http://dx.doi.org/10.1007/978-3-642-00958-7_47.
Der volle Inhalt der QuelleMoreno, Isabel, M. T. Romá-Ferri und Paloma Moreda. „Named Entity Classification Based on Profiles: A Domain Independent Approach“. In Natural Language Processing and Information Systems, 142–46. Cham: Springer International Publishing, 2017. http://dx.doi.org/10.1007/978-3-319-59569-6_15.
Der volle Inhalt der QuelleGamallo, Pablo, und Marcos Garcia. „A Resource-Based Method for Named Entity Extraction and Classification“. In Progress in Artificial Intelligence, 610–23. Berlin, Heidelberg: Springer Berlin Heidelberg, 2011. http://dx.doi.org/10.1007/978-3-642-24769-9_44.
Der volle Inhalt der QuelleAbdallah, Sherief, Khaled Shaalan und Muhammad Shoaib. „Integrating Rule-Based System with Classification for Arabic Named Entity Recognition“. In Computational Linguistics and Intelligent Text Processing, 311–22. Berlin, Heidelberg: Springer Berlin Heidelberg, 2012. http://dx.doi.org/10.1007/978-3-642-28604-9_26.
Der volle Inhalt der QuelleNi, Yuan, Lei Zhang, Zhaoming Qiu und Chen Wang. „Enhancing the Open-Domain Classification of Named Entity Using Linked Open Data“. In Lecture Notes in Computer Science, 566–81. Berlin, Heidelberg: Springer Berlin Heidelberg, 2010. http://dx.doi.org/10.1007/978-3-642-17746-0_36.
Der volle Inhalt der QuellePetasis, G., S. Petridis, G. Paliouras, V. Karkaletsis, S. J. Perantonis und C. D. Spyropoulos. „Symbolic and Neural Learning of Named-Entity Recognition and Classification Systems in Two Languages“. In International Series in Intelligent Technologies, 193–210. Dordrecht: Springer Netherlands, 2002. http://dx.doi.org/10.1007/978-94-010-0324-7_14.
Der volle Inhalt der QuelleKonferenzberichte zum Thema "Named Entity Classification"
Manchanda, Pikakshi, Elisabetta Fersini, Matteo Palmonari, Debora Nozza und Enza Messina. „Towards adaptation of named entity classification“. In SAC 2017: Symposium on Applied Computing. New York, NY, USA: ACM, 2017. http://dx.doi.org/10.1145/3019612.3022188.
Der volle Inhalt der QuelleAhmad, Faruk, und Md-Mizanur Rahoman. „Named entity classification using dependency grammar“. In 2017 20th International Conference of Computer and Information Technology (ICCIT). IEEE, 2017. http://dx.doi.org/10.1109/iccitechn.2017.8281836.
Der volle Inhalt der QuelleMàrquez, Lluís, Adrià de Gispert, Xavier Carreras und Lluís Padró. „Low-cost Named Entity Classification for Catalan“. In the ACL 2003 workshop. Morristown, NJ, USA: Association for Computational Linguistics, 2003. http://dx.doi.org/10.3115/1119384.1119388.
Der volle Inhalt der QuelleWu, Chuan-Yu, Bom Yi Lee, Jing Sun, Yin Yin Latt, Kim Shepherd und Jared Watts. „Named Entity Extraction and Classification in Digital Publications“. In The 29th International Conference on Software Engineering and Knowledge Engineering. KSI Research Inc. and Knowledge Systems Institute Graduate School, 2017. http://dx.doi.org/10.18293/seke2017-132.
Der volle Inhalt der Quelle„Using Named Entity Recognition as a Classification Heuristic“. In iConference 2014 Proceedings: Breaking Down Walls. Culture - Context - Computing. iSchools, 2014. http://dx.doi.org/10.9776/14401.
Der volle Inhalt der QuelleKeretna, Sara, Chee Peng Lim, Doug Creighton und Khaled Bashir Shaban. „Classification ensemble to improve medical Named Entity Recognition“. In 2014 IEEE International Conference on Systems, Man and Cybernetics - SMC. IEEE, 2014. http://dx.doi.org/10.1109/smc.2014.6974324.
Der volle Inhalt der QuelleVora, Komil, Avani Vasant und Rachit Adhvaryu. „Named entity recognition and classification for Gujarati language“. In 2016 International Conference on Advances in Computing, Communications and Informatics (ICACCI). IEEE, 2016. http://dx.doi.org/10.1109/icacci.2016.7732390.
Der volle Inhalt der QuelleKim, Jae-Ho, In-Ho Kang und Key-Sun Choi. „Unsupervised named entity classification models and their ensembles“. In the 19th international conference. Morristown, NJ, USA: Association for Computational Linguistics, 2002. http://dx.doi.org/10.3115/1072228.1072316.
Der volle Inhalt der QuelleSt. Chifu, Emil, und Viorica R. Chifu. „A Neural Model for Unsupervised Named Entity Classification“. In 2008 International Conference on Computational Intelligence for Modelling Control & Automation. IEEE, 2008. http://dx.doi.org/10.1109/cimca.2008.163.
Der volle Inhalt der QuelleFritzler, Alexander, Varvara Logacheva und Maksim Kretov. „Few-shot classification in named entity recognition task“. In SAC '19: The 34th ACM/SIGAPP Symposium on Applied Computing. New York, NY, USA: ACM, 2019. http://dx.doi.org/10.1145/3297280.3297378.
Der volle Inhalt der Quelle