SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Machine Learning for Information Extraction

lyle-walker avatar
lyle-walker
15 diapositives · 305 Views · Nov 15, 2014

Machine Learning for Information Extraction. Li Xu. Objective. Learn how to apply the machine learning concept to the application Learn how to improve the performance of the existed application by applying the machine learning algorithms. Introduction.

Machine Learning for Information Extraction - slide 1
01 / 15Machine Learning for Information Extraction
1 / 17

Télécharger la présentation

Machine Learning for Information Extraction
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Machine Learning for Information Extraction Li Xu

  2. Objective • Learn how to apply the machine learning concept to the application • Learn how to improve the performance of the existed application by applying the machine learning algorithms

  3. Introduction • Information Extraction (IE) is concerned with extracting the relevant data from a collection of document. • Key component: extraction patterns. • Machine Learning algorithms.

  4. IE for Free Text • Syntactic and semantic constraints • AutoSlog • LIEP • PALKA • CRYSTAL • CRYSTAL + Webfoot • HASTEN

  5. IE from online Document • WHISK (Soderland 1998) • Domain: Rental Ads • Precision: ~95%; Recall: 73%-90% • RAPIER (Califf & Mooney 1997) • Domain: software jobs • Precision: 84%; Recall: 53% • SRV (Freitag 1998) • Domain: Seminar announcement • Precision: Speaker, 75%; Location,75%; start time 99%, end time 96%.

  6. WHISK

  7. RAPIER

  8. SRV

  9. Problems • Bottom-up search • RAPIER • WHISK • Single-slot extraction rules • SRV • RAPIER • Heavily depend on the layout pattern

  10. Obituary Ontology

  11. Improvement

  12. Lexical Object • Relational Learning • FOIL • Feature design • Regular expression • Rote Learning

  13. Multi-slot Hierarchy

  14. Multi-slot Boundary • Relational Learning • Feature Design • Individual heuristics • Combining heuristics

  15. Conclusion • How to applying the machine learning algorithm to IE? • What is the problem for each system? • How to improve an existed IE approach through machine learning? And how to avoid the problems appeared in other machine learning based IE systems?