Cross-Document Entity Tracking — Cross-Document Coreference Resolution
Cross-document entity tracking, formeel bekend als cross-document coreference resolution, identificeert en voegt alle verwijzingen naar dezelfde entiteit in de echte wereld samen die verspreid zijn over een verzameling documenten. Geworteld in het B3-evaluatiekader geïntroduceerd door Bagga en Baldwin (1998) en substantieel vooruitgeholpen door het neurale gezamenlijke model van Barhom et al. (2019), bouwt de methode entiteitsclusters die documentgrenzen overschrijden — wat begrip van meerdere documenten, populatie van kennisbanken en analyse van entiteiten over de gehele corpus mogelijk maakt.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Cross-Document Entity Coreference Resolution and Tracking. ScholarGate. https://scholargate.app/nl/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.
- Kerneferentie-resolutieText mining↔ compare
- Entity LinkingText mining↔ compare
- InformatieverwervingText mining↔ compare
- Named Entity Recognition (NER)Text mining↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →