2014
Disambiguating Verbs by Collocation: Corpus Lexicography meets Natural Language Processing
EL MAAROUF, Ismaïl, Bradbury JANE, Vít BAISA a Patrick HANKSZákladní údaje
Originální název
Disambiguating Verbs by Collocation: Corpus Lexicography meets Natural Language Processing
Autoři
EL MAAROUF, Ismaïl (250 Francie, garant), Bradbury JANE (826 Velká Británie a Severní Irsko), Vít BAISA (203 Česká republika, domácí) a Patrick HANKS (826 Velká Británie a Severní Irsko)
Vydání
Reykjavik, Iceland, Proceedings of the Ninth International Conference on Language Resources and Evaluation (LREC'14), od s. 1001-1006, 6 s. 2014
Nakladatel
European Language Resources Association (ELRA)
Další údaje
Jazyk
angličtina
Typ výsledku
Stať ve sborníku
Obor
10201 Computer sciences, information science, bioinformatics
Stát vydavatele
Island
Utajení
není předmětem státního či obchodního tajemství
Forma vydání
elektronická verze "online"
Odkazy
Kód RIV
RIV/00216224:14330/14:00076326
Organizační jednotka
Fakulta informatiky
ISBN
978-2-9517408-8-4
UT WoS
000355611002093
Klíčová slova anglicky
Corpus Pattern Analysis; Word Sense Disambiguation; Lexical Semantics
Štítky
Příznaky
Mezinárodní význam, Recenzováno
Změněno: 20. 7. 2018 14:44, Mgr. Michal Petr
Anotace
V originále
This paper reports the results of Natural Language Processing (NLP) experiments in semantic parsing, based on a new semantic resource, the Pattern Dictionary of English Verbs (PDEV) (Hanks, 2013). This work is set in the DVC (Disambiguating Verbs by Collocation) project , a project in Corpus Lexicography aimed at expanding PDEV to a large scale. This project springs from a long-term collaboration of lexicographers with computer scientists which has given rise to the design and maintenance of specific, adapted, and user-friendly editing and exploration tools. Particular attention is drawn on the use of NLP deep semantic methods to help in data processing. Possible contributions of NLP include pattern disambiguation, the focus of this article. The present article explains how PDEV differs from other lexical resources and describes its structure in detail. It also presents new classification experiments on a subset of 25 verbs. The SVM model obtained a micro-average F1 score of 0.81.
Návaznosti
LM2010013, projekt VaV |
|