Varlık bağlama sisteminin dizi öğrenme yöntemi ile bilgi tabanı kullanılarak geliştirilmesi
Developing entity linking system with sequence learning by using knowledge bases
- Tez No: 526854
- Danışmanlar: PROF. DR. OĞUZ DİKENELLİ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son zamanlardaki Toplu Varlık Bağlama çalışmaları genellikle, anlamsal gömme ve çizge tabanlı yaklaşımlar kullanarak aynı metinde yer alan tüm eşlenmiş varlıkların küresel tutarlılığını sağlamaya çalışmaktadır. Çizge tabanlı yaklaşımlar başarılı sonuçlar gösterse de dayandıkları genel veri kümeleri için hesaplama açısından uzun süreli yaklaşımlardır. Ayrıca, anlamsal gömmeye dayanan çalışmalar dizileri düşünmeden sadece varlık çiftleri arasındaki ilişkiyi dikkate almaktadır. Bu tez kapsamında, bahsedilen problemlerin üstesinden gelebilmek için iki aşamalı bir yapay sinir modeli kullanarak ele alınmaktadır. İlk olarak, kolay söz-varlık çiftlerini eşleştirip, daha yakın atıfa sahip aday varlıkları filtrelemek için bu çiftin alan bilgisi kullanılmaktadır. İkinci aşamada iki taraflı Uzun Kısa Süreli Bellek ve küresel varlık anlamsızlığı için dikkat mekanizması kullanarak daha fazla anlam karmaşıklığı olan atıf-varlık çiftleri çözülmektedir. Bu tez kapsamında önerilen sistem oluşturulan alana özgü değerlendirme veri kümelerinde modern teknoloji sistemlerden daha iyi performans göstermektedir.
Özet (Çeviri)
Recent collective Entity Linking studies usually promote global coherence of all the mapped entities in the same document by using semantic embeddings and graph-based approaches. Although graph-based approaches are shown to achieve remarkable results, they are computationally expensive for general datasets. Also, semantic embeddings only indicate relatedness between entity pairs without considering sequences. In this paper, we address these problems by introducing a two-fold neural model. First, we match easy mention-entity pairs and using the domain information of this pair to filter candidate entities of closer mentions. Second, we resolve more ambiguous pairs using bidirectional Long Short-Term Memory and attention mechanism for the global entity disambiguation. Our proposed system outperforms state-of-the-art systems on the generated domain-specific evaluation dataset.
Benzer Tezler
- Improved helicopter classification via deep learning and overlapped range-doppler maps
Derin öğrenme ve örtüşen menzil-doppler görüntüleri ile geliştirilmiş helikopter sınıflandırması
DENİZ CAN ACER
Yüksek Lisans
İngilizce
2023
İstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Learners' reflections on experiencing augmented reality in the English classroom at tertiary level
Yükseköğrenim düzeyinde İngilizce sınıfında artırılmış gerçeklik deneyimlerine yönelik öğrenci yansıtmaları
OZAN VARLI
Doktora
İngilizce
2022
İstanbul Üniversitesi-CerrahpaşaYabancı Diller Eğitimi Ana Bilim Dalı
Yükleniyor...
- Tüketiciler açısından marka değerinin önemi ve bir araştırma
The importance of brand equity according to consumers
ÖZLEM ÖZÇELİK
- Kentsel alanlardaki fiziksel ve sosyoekonomik belirleyicilerin çocuk sağlığına etkilerinin CBS ile araştırılması
Investigating the effects of physical and socio-economic determinants on children health through GIS
ASLI KAHRAMAN
- A TV content augmentation system exploiting rule based named entity recognition method
Kural tabanlı varlık ismi tanıma yöntemi kullanarak televizyon içeriğini zenginleştirme sistemi
YUNUS EMRE IŞIKLAR
Yüksek Lisans
İngilizce
2014
Orta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
