Zum Inhalt springen

Nur-Lesen-Fassung: Das Forschungsinformationssystem (FIS) ist aus Sicherheitsgründen vorübergehend durch diese Nur-Lesen-Fassung ersetzt. Alle öffentlichen Inhalte und Volltexte sind weiterhin abrufbar; Anmeldung, Bearbeitung, Einreichung und Statistiken stehen nicht zur Verfügung. Bei Fragen: fis@uni-bamberg.de

Start › Publikationen › Fine-grained General Entity Typing in German using GermaNet

Publikation

Fine-grained General Entity Typing in German using GermaNet

Weber, Sabine; Steedman, Mark (2021): Fine-grained General Entity Typing in German using GermaNet, in: Alexander Panchenko, Fragkiskos D. Malliaros, Varvara Logacheva, u. a. (Hrsg.), Proceedings of the Fifteenth Workshop on Graph-Based Methods for Natural Language Processing (TextGraphs-15), Association for Computational Linguistics, S. 138–143, doi: 10.18653/v1/2021.textgraphs-1.14.

Details

Autorin(nen)/Autor(en)
Steedman, Mark
Titel des Sammelwerks
Proceedings of the Fifteenth Workshop on Graph-Based Methods for Natural Language Processing (TextGraphs-15)
Herausgeberin(nen)/Herausgeber des Sammelwerks
Panchenko, Alexander
Malliaros, Fragkiskos D.
Logacheva, Varvara
Abhik, Jana
Ustalov, Dmitry
Jansen, Peter
Konferenz
Fifteenth Workshop on Graph-Based Methods for Natural Language Processing (TextGraphs-15), Mexico City, Mexico
Verlagsangabe
Association for Computational Linguistics
Erscheinungsjahr
2021
Sprache(n)
Englisch
DOI
Abstract

Fine-grained entity typing is important to tasks like relation extraction and knowledge base construction. We find however, that fine-grained entity typing systems perform poorly on general entities (e.g. “ex-president”) as compared to named entities (e.g. “Barack Obama”). This is due to a lack of general entities in existing training data sets. We show that this problem can be mitigated by automatically generating training data from WordNets. We use a German WordNet equivalent, GermaNet, to automatically generate training data for German general entity typing. We use this data to supplement named entity data to train a neural fine-grained entity typing system. This leads to a 10% improvement in accuracy of the prediction of level 1 FIGER types for German general entities, while decreasing named entity type prediction accuracy by only 1%.

Freie Schlagwort(e)
GermaNet
Peer Reviewed
ja
Internationale Verbreitung
ja
Open-Access-Zeitschrift
ja
Dokumenttyp
Konferenzveröffentlichung
URI
Datum der Freischaltung
12.08.2024

Permalink: https://fis.uni-bamberg.de/handle/uniba/97225 · Daten als JSON · Zitieren: BibTeX · RIS

Datenstand: 15.11.2026

Eingeschränkter Lesezugriff: Anmeldung, Bearbeitung und Einreichung sind vorübergehend deaktiviert.