Entitätsverfolgung über Dokumente hinweg — Cross-Document Coreference Resolution
Cross-Document Entity Tracking, formal als Cross-Document Coreference Resolution bekannt, identifiziert und vereinigt alle Referenzen auf dieselbe reale Entität, die über eine Dokumentensammlung verstreut sind. Basierend auf dem von Bagga und Baldwin (1998) eingeführten B3-Evaluierungsrahmen und wesentlich erweitert durch das neuronale Joint-Modell von Barhom et al. (2019), baut die Methode Entitätscluster auf, die Dokumentengrenzen überspannen – und ermöglicht so das Verständnis mehrerer Dokumente, die Besiedlung von Wissensdatenbanken und die Analyse von Entitäten über den gesamten Korpus hinweg.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Bagga, A. & Baldwin, B. (1998). Algorithms for Scoring Coreference Chains. In Proceedings of the LREC 1998 Linguistic Coreference Workshop, pp. 563–566. link ↗
- Barhom, S., Shwartz, V., Eirew, A., Bugert, M., Reimers, N. & Dagan, I. (2019). Revisiting Joint Modeling of Cross-document Entity and Event Coreference Resolution. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (ACL), pp. 4179–4189. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Cross-Document Entity Coreference Resolution and Tracking. ScholarGate. https://scholargate.app/de/text-mining/cross-document-entity-tracking
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- KoreferenzauflösungText Mining↔ compare
- EntitätsverknüpfungText Mining↔ compare
- Information ExtractionText Mining↔ compare
- Benannte Entitätenerkennung (NER)Text Mining↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →