A global relaxation labeling approach to coreference resolution

Inici | Què és? | Contacte

English | Castellano

Consultar RECERCAT

Per comunitats i
col·leccions Per data Per autors Per títols Per matèries

Consultar col·lecció

Per data Per autors Per títols Per matèries

Estadístiques

Del document Tot RECERCAT

El meu RECERCAT

Entrar Alertes per correu-e

Directori d’altres repositoris

Pàgina inicial del RECERCAT > Universitat Politècnica de Catalunya > Documents de recerca > Visualitza document

Per accedir als documents amb el text complet, si us plau, seguiu el següent enllaç: http://hdl.handle.net/2117/16255

dc.contributor	Universitat Politècnica de Catalunya. Departament de Llenguatges i Sistemes Informàtics
dc.contributor	Universitat Politècnica de Catalunya. GPLN - Grup de Processament del Llenguatge Natural
dc.contributor.author	Sapena Masip, Emilio
dc.contributor.author	Padró, Lluís
dc.contributor.author	Turmo Borras, Jorge
dc.date	2010
dc.identifier.citation	Sapena, E.; Padró, L.; Turmo, J. A global relaxation labeling approach to coreference resolution. A: International Conference on Computational Linguistics. "Proceedings of 23rd International Conference on Computational Linguistics (COLING - 2010)". Beijing: 2010, p. 1086-1094.
dc.identifier.uri	http://hdl.handle.net/2117/16255
dc.language.iso	eng
dc.rights	info:eu-repo/semantics/openAccess
dc.subject	Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial::Llenguatge natural
dc.subject	Coreference resolution
dc.subject	Llenguatge natural (Informàtica) -- Processament
dc.title	A global relaxation labeling approach to coreference resolution
dc.type	info:eu-repo/semantics/publishedVersion
dc.type	info:eu-repo/semantics/conferenceObject
dc.description.abstract	This paper presents a constraint-based graph partitioning approach to coreference resolution solved by relaxation labeling. The approach combines the strengths of groupwise classifiers and chain formation methods in one global method. Experiments show that our approach significantly outperforms systems based on separate classification and chain formation steps, and that it achieves the best results in the state of the art for the same dataset and metrics.
dc.description.abstract	Peer Reviewed

Mostra el registre simple del document

Documents relacionats