NOVOTNÝ, Vít, Kristýna LUGER, Michal ŠTEFÁNIK, Tereza VRABCOVÁ a Aleš HORÁK. People and Places of Historical Europe: Bootstrapping Annotation Pipeline and a New Corpus of Named Entities in Late Medieval Texts. Online. In Anna Rogers, Jordan Boyd-Graber, Naoaki Okazaki. Findings of the Association for Computational Linguistics: ACL 2023. Toronto, Canada: Association for Computational Linguistics, 2023, s. 14104-14113. ISBN 978-1-959429-62-3.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název People and Places of Historical Europe: Bootstrapping Annotation Pipeline and a New Corpus of Named Entities in Late Medieval Texts
Autoři NOVOTNÝ, Vít (203 Česká republika, garant, domácí), Kristýna LUGER (203 Česká republika, domácí), Michal ŠTEFÁNIK (703 Slovensko, domácí), Tereza VRABCOVÁ (203 Česká republika, domácí) a Aleš HORÁK (203 Česká republika, domácí).
Vydání Toronto, Canada, Findings of the Association for Computational Linguistics: ACL 2023, od s. 14104-14113, 10 s. 2023.
Nakladatel Association for Computational Linguistics
Další údaje
Originální jazyk angličtina
Typ výsledku Stať ve sborníku
Obor 10201 Computer sciences, information science, bioinformatics
Stát vydavatele Spojené státy
Utajení není předmětem státního či obchodního tajemství
Forma vydání elektronická verze "online"
WWW article preprint
Kód RIV RIV/00216224:14330/23:00130934
Organizační jednotka Fakulta informatiky
ISBN 978-1-959429-62-3
ISSN 0736-587X
Klíčová slova česky zpracování přirozeného jazyka; nlp; historické dokumenty; rozpoznávání textu; ocr; detekce pojmenovaných entit; ner; čeština; němčina; latina
Klíčová slova anglicky natural language processing; nlp; historical documents; optical character recognition; ocr; named entity recognition; ner; czech; german; latin
Štítky named entity recognition, ner, OCR, Optical Character Recognition
Příznaky Mezinárodní význam, Recenzováno
Změnil Změnil: RNDr. Pavel Šmerk, Ph.D., učo 3880. Změněno: 7. 4. 2024 23:02.
Anotace

Although pre-trained named entity recognition (NER) models are highly accurate on modern corpora, they underperform on historical texts due to differences in language OCR errors. In this work, we develop a new NER corpus of 3.6M sentences from late medieval charters written mainly in Czech, Latin, and German.

We show that we can start with a list of known historical figures and locations and an unannotated corpus of historical texts, and use information retrieval techniques to automatically bootstrap a NER-annotated corpus. Using our corpus, we train a NER model that achieves entity-level Precision of 72.81-93.98% with 58.14-81.77% Recall on a manually-annotated test dataset. Furthermore, we show that using a weighted loss function helps to combat class imbalance in token classification tasks. To make it easy for others to reproduce and build upon our work, we publicly release our corpus, models, and experimental code.

Návaznosti
MUNI/A/1339/2022, interní kód MUNázev: Rozvoj technik pro zpracování dat pro podporu vyhledávání, analýz a vizualizací rozsáhlých datových souborů s využitím umělé inteligence
Investor: Masarykova univerzita, Rozvoj technik pro zpracování dat pro podporu vyhledávání, analýz a vizualizací rozsáhlých datových souborů s využitím umělé inteligence
VytisknoutZobrazeno: 27. 5. 2024 12:53