内容简介：前言：模型作用为提取三元组，基于英文，目前尝试改为中文。论文题目名称叫《Open Language Learning for Information Extraction》,代码地址：
前言：
模型作用为提取三元组，基于英文，目前尝试改为中文。
论文题目名称叫《Open Language Learning for Information Extraction》,代码地址： https://github.com/knowitall/...
论文核心：
论文核心主要解决2个问题，一个是基于动词结构之外的三元组提取，例如形容词等，二是基于上下文的三元组提取，举例说明。这里论文与reverb和woe两种抽取方式做比较。
在1-3句话中，基于reverb和woe的提取为none，即什么也提取不到。但基于ollie，其可以提取到，也就是解决了reverb和woe的第一个缺点。
举例说明一下：例如第一句Saint 赢了超级杯后，就成了美国橄榄球联盟的顶级球员。 这句话里没有动词，所以reverb和woe什么都提取不到。
在4-5句中，ollie是基于上下文的抽取，所以reverb和woe的抽取只能抽到地球是宇宙的中心，但无法抽到eraly astronmers，而ollie能够抽到attributedto。
举例：在很早以前人们认为地球是宇宙的中心，reverb和woe提取的是地球是宇宙中心，这显然不对。而ollie可以提取到AttributedTo相信;早期的天文学家。
以上两点取自论文Introduction。
如何做的：
1.扩展关系短语的句法范围，以涵盖更多的关系表达式。
2.扩大开放即表示允许额外的上下文信息,如归因和子句的修饰符
具体做法：
（1）构造一个引导集
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
