D 2023

People and Places of Historical Europe: Bootstrapping Annotation Pipeline and a New Corpus of Named Entities in Late Medieval Texts

NOVOTNÝ, Vít, Kristýna LUGER, Michal ŠTEFÁNIK, Tereza VRABCOVÁ, Aleš HORÁK et. al.

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

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"

Odkazy

Kód RIV

RIV/00216224:14330/23:00130934

Organizační jednotka

Fakulta informatiky

ISBN

978-1-959429-62-3

ISSN

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natural language processing; nlp; historical documents; optical character recognition; ocr; named entity recognition; ner; czech; german; latin

Příznaky

Mezinárodní význam, Recenzováno
Změněno: 7. 4. 2024 23:02, RNDr. Pavel Šmerk, Ph.D.

Anotace

V originále

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 MU
Název: 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