Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Семантичне розпізнавання ролей (SRL)× | Системи запитань-відповідей (QA)× | |
|---|---|---|
| Галузь | Інтелектуальний аналіз тексту | Інтелектуальний аналіз тексту |
| Родина | Process / pipeline | Process / pipeline |
| Рік появи≠ | 2002 | — |
| Автор методу≠ | Daniel Gildea & Daniel Jurafsky | — |
| Тип≠ | NLP shallow semantic parsing task | NLP text-comprehension task |
| Основоположне джерело≠ | Gildea, D. & Jurafsky, D. (2002). Automatic Labeling of Semantic Roles. Computational Linguistics, 28(3), 245-288. DOI ↗ | Rajpurkar, P. et al. (2016). SQuAD: 100,000+ Questions for Machine Comprehension of Text. EMNLP. DOI ↗ |
| Інші назви | SRL, shallow semantic parsing, Anlamsal Rol Etiketleme (SRL) | QA, machine reading comprehension, Soru Cevaplama (Question Answering) |
| Пов'язані≠ | 3 | 4 |
| Підсумок≠ | Semantic role labeling, introduced by Gildea and Jurafsky in 2002, is a natural-language-processing task that assigns semantic roles — who did what to whom, where, when, and how — to the components around a verb (predicate) in a sentence. It turns plain text into structured predicate-argument representations and is a foundational tool for event extraction. | Question answering is a natural-language-processing task that automatically answers natural-language questions grounded in a given context passage, using either extractive or generative approaches. The task was crystallised by the SQuAD benchmark of Rajpurkar et al. (2016), and later models such as XLNet (Yang et al., 2019) pushed reading-comprehension accuracy higher. |
| ScholarGateНабір даних ↗ |
|
|