{"doc_id": "X96-1059", "text": "O reconhecimento de nomes próprios em texto japonês tem sido estudado como parte do problema mais geral de análise morfológica no processamento de texto japonês -LRB- -LSB- 1 -RSB- -LSB- 2 -RSB- -RRB- . Também tem sido estudado no quadro da extração de informação em japonês -LRB- -LSB- 3 -RSB- -RRB- nos últimos anos . A nossa abordagem à Tarefa de Avaliação Multilingue -LRB- MET -RRB- para texto japonês é considerar a tarefa dada como um problema de análise morfológica em japonês . O nosso analisador morfológico efectuou todo o trabalho necessário para o reconhecimento e classificação de nomes próprios , expressões numéricas e temporais , isto é , itens de Entidades Nomeadas -LRB- NE -RRB- no texto japonês . O analisador chama-se 'Amorph' . O Amorph reconhece itens NE em duas fases : pesquisa em dicionários e aplicação de regras . Primeiro , usa vários tipos de dicionários para segmentar e etiquetar cadeias de caracteres japoneses . Em seguida , com base na informação resultante da fase de pesquisa em dicionários , aplica-se um conjunto de regras às cadeias segmentadas para identificar itens NE . Quando se verifica que um segmento é um item NE , essa informação é adicionada ao segmento e é utilizada para gerar a saída final .", "ner": [[{"text": "reconhecimento de nomes próprios", "type": "Tarefa"}, {"text": "nomes próprios", "type": "Outros Termos Científicos"}, {"text": "texto japonês", "type": "Material"}, {"text": "análise morfológica", "type": "Tarefa"}, {"text": "processamento de texto japonês", "type": "Tarefa"}], [{"text": "Também", "type": "Genérico"}, {"text": "extração de informação em japonês", "type": "Tarefa"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "Tarefa de Avaliação Multilingue -LRB- MET -RRB-", "type": "Tarefa"}, {"text": "texto japonês", "type": "Material"}, {"text": "tarefa", "type": "Genérico"}, {"text": "problema de análise morfológica", "type": "Tarefa"}, {"text": "japonês", "type": "Material"}], [{"text": "analisador morfológico", "type": "Método"}, {"text": "reconhecimento e classificação de nomes próprios , expressões numéricas e temporais", "type": "Tarefa"}, {"text": "nomes próprios , expressões numéricas e temporais", "type": "Outros Termos Científicos"}, {"text": "itens de Entidades Nomeadas -LRB- NE -RRB-", "type": "Outros Termos Científicos"}, {"text": "texto japonês", "type": "Material"}], [{"text": "analisador", "type": "Genérico"}, {"text": "Amorph", "type": "Método"}], [{"text": "Amorph", "type": "Método"}, {"text": "itens NE", "type": "Outros Termos Científicos"}, {"text": "pesquisa em dicionários", "type": "Método"}, {"text": "aplicação de regras", "type": "Método"}], [{"text": "usa", "type": "Genérico"}, {"text": "dicionários", "type": "Outros Termos Científicos"}, {"text": "cadeias de caracteres japoneses", "type": "Outros Termos Científicos"}], [{"text": "fase de pesquisa em dicionários", "type": "Método"}, {"text": "regras", "type": "Outros Termos Científicos"}, {"text": "itens NE", "type": "Outros Termos Científicos"}], [{"text": "item NE", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "reconhecimento de nomes próprios", "tail": "análise morfológica", "relation": "Parte-de"}, {"head": "nomes próprios", "tail": "texto japonês", "relation": "Parte-de"}, {"head": "análise morfológica", "tail": "processamento de texto japonês", "relation": "Usado-para"}], [{"head": "extração de informação em japonês", "tail": "Também", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "Tarefa de Avaliação Multilingue -LRB- MET -RRB-", "relation": "Usado-para"}, {"head": "Tarefa de Avaliação Multilingue -LRB- MET -RRB-", "tail": "texto japonês", "relation": "Usado-para"}, {"head": "problema de análise morfológica", "tail": "tarefa", "relation": "Usado-para"}, {"head": "japonês", "tail": "problema de análise morfológica", "relation": "Usado-para"}], [{"head": "analisador morfológico", "tail": "reconhecimento e classificação de nomes próprios , expressões numéricas e temporais", "relation": "Usado-para"}, {"head": "itens de Entidades Nomeadas -LRB- NE -RRB-", "tail": "nomes próprios , expressões numéricas e temporais", "relation": "Hipónimo-de"}, {"head": "itens de Entidades Nomeadas -LRB- NE -RRB-", "tail": "texto japonês", "relation": "Parte-de"}], [], [{"head": "Amorph", "tail": "itens NE", "relation": "Usado-para"}, {"head": "pesquisa em dicionários", "tail": "Amorph", "relation": "Parte-de"}, {"head": "pesquisa em dicionários", "tail": "aplicação de regras", "relation": "Conjunção"}, {"head": "aplicação de regras", "tail": "Amorph", "relation": "Parte-de"}], [{"head": "dicionários", "tail": "usa", "relation": "Usado-para"}, {"head": "dicionários", "tail": "cadeias de caracteres japoneses", "relation": "Usado-para"}], [{"head": "fase de pesquisa em dicionários", "tail": "regras", "relation": "Usado-para"}, {"head": "regras", "tail": "itens NE", "relation": "Usado-para"}], []], "clusters": [["Tarefa de Avaliação Multilingue -LRB- MET -RRB-", "tarefa"], ["reconhecimento de nomes próprios", "Também"], ["texto japonês", "texto japonês", "japonês", "texto japonês"], ["análise morfológica", "problema de análise morfológica"], ["analisador morfológico", "analisador", "Amorph", "Amorph", "usa"], ["pesquisa em dicionários", "fase de pesquisa em dicionários"], ["itens de Entidades Nomeadas -LRB- NE -RRB-", "itens NE", "itens NE", "item NE"]]}
{"doc_id": "ICCV_2001_47_abs", "text": "Propomos incorporar restrições geométricas a priori num esquema de reconstrução estéreo 3 -- D para lidar com os muitos casos em que a informação de imagem por si só não é suficiente para recuperar com precisão a forma 3 -- D. A nossa abordagem baseia-se na deformação iterativa de uma malha de superfície 3 -- D para minimizar uma função objetivo. Mostramos que a combinação de malhagem anisotrópica com uma abordagem não quadrática à regularização permite obter resultados de reconstrução satisfatórios usando triangulações com poucos vértices. Restrições estruturais ou numéricas podem então ser adicionadas localmente ao processo de reconstrução através de um esquema de otimização com restrições. Elas melhoram os resultados de reconstrução e impõem a sua consistência com o conhecimento prévio sobre a forma do objeto. As fortes propriedades de descrição e modelação de características diferenciais tornam-nas ferramentas úteis que podem ser usadas de forma eficiente como restrições para a reconstrução 3 -- D.", "ner": [[{"text": "restrições geométricas a priori", "type": "Outros Termos Científicos"}, {"text": "esquema de reconstrução estéreo 3 -- D", "type": "Método"}, {"text": "informação de imagem", "type": "Outros Termos Científicos"}, {"text": "forma 3 -- D", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "deformação iterativa de uma malha de superfície 3 -- D", "type": "Método"}, {"text": "função objetivo", "type": "Outros Termos Científicos"}], [{"text": "malhagem anisotrópica", "type": "Método"}, {"text": "abordagem não quadrática", "type": "Método"}, {"text": "regularização", "type": "Outros Termos Científicos"}, {"text": "reconstrução", "type": "Tarefa"}, {"text": "triangulações", "type": "Outros Termos Científicos"}, {"text": "vértices", "type": "Outros Termos Científicos"}], [{"text": "Restrições estruturais ou numéricas", "type": "Outros Termos Científicos"}, {"text": "processo de reconstrução", "type": "Método"}, {"text": "esquema de otimização com restrições", "type": "Método"}], [{"text": "Elas", "type": "Genérico"}, {"text": "reconstrução", "type": "Tarefa"}, {"text": "conhecimento prévio", "type": "Outros Termos Científicos"}, {"text": "forma do objeto", "type": "Outros Termos Científicos"}], [{"text": "propriedades de descrição e modelação", "type": "Outros Termos Científicos"}, {"text": "características diferenciais", "type": "Outros Termos Científicos"}, {"text": "as", "type": "Genérico"}, {"text": "reconstrução 3 -- D", "type": "Tarefa"}]], "relations": [[{"head": "restrições geométricas a priori", "tail": "esquema de reconstrução estéreo 3 -- D", "relation": "Parte-de"}, {"head": "informação de imagem", "tail": "forma 3 -- D", "relation": "Usado-para"}], [{"head": "deformação iterativa de uma malha de superfície 3 -- D", "tail": "abordagem", "relation": "Usado-para"}, {"head": "deformação iterativa de uma malha de superfície 3 -- D", "tail": "função objetivo", "relation": "Usado-para"}], [{"head": "malhagem anisotrópica", "tail": "abordagem não quadrática", "relation": "Conjunção"}, {"head": "malhagem anisotrópica", "tail": "reconstrução", "relation": "Usado-para"}, {"head": "abordagem não quadrática", "tail": "regularização", "relation": "Usado-para"}, {"head": "abordagem não quadrática", "tail": "reconstrução", "relation": "Usado-para"}, {"head": "triangulações", "tail": "reconstrução", "relation": "Usado-para"}], [{"head": "Restrições estruturais ou numéricas", "tail": "processo de reconstrução", "relation": "Usado-para"}, {"head": "esquema de otimização com restrições", "tail": "Restrições estruturais ou numéricas", "relation": "Usado-para"}], [{"head": "Elas", "tail": "reconstrução", "relation": "Usado-para"}, {"head": "forma do objeto", "tail": "conhecimento prévio", "relation": "Característica-de"}], [{"head": "as", "tail": "reconstrução 3 -- D", "relation": "Usado-para"}]], "clusters": [["Restrições estruturais ou numéricas", "Elas", "as"], ["reconstrução", "reconstrução", "reconstrução 3 -- D"]]}
{"doc_id": "INTERSPEECH_2013_21_abs", "text": "Este trabalho propõe uma nova direção de investigação para abordar a falta de estruturas em modelos tradicionais de n-gramas. Baseia-se num analisador de dependências fracamente supervisionado que pode modelar a sintaxe da fala sem depender de qualquer corpus de treino anotado. Os dados rotulados são substituídos por algumas regras manuais que codificam conhecimento sintático básico. A inferência Bayesiana amostra então as regras, desambiguando-as e combinando-as para criar estruturas de árvores complexas que maximizam o posterior de um modelo discriminativo num corpus alvo não rotulado. Este posterior codifica preferências de seleção esparsas entre uma palavra cabeça e os seus dependentes. O modelo é avaliado em textos de jornais em inglês e checo e é depois validado em transcrições de noticiários franceses transmitidos.", "ner": [[{"text": "falta de estruturas", "type": "Outros Termos Científicos"}, {"text": "falta de estruturas em modelos tradicionais de n-gramas", "type": "Tarefa"}, {"text": "modelos tradicionais de n-gramas", "type": "Método"}], [{"text": "analisador de dependências fracamente supervisionado", "type": "Tarefa"}, {"text": "sintaxe da fala", "type": "Outros Termos Científicos"}, {"text": "corpus de treino anotado", "type": "Material"}], [{"text": "dados rotulados", "type": "Outros Termos Científicos"}, {"text": "regras manuais", "type": "Outros Termos Científicos"}, {"text": "conhecimento sintático", "type": "Outros Termos Científicos"}], [{"text": "inferência Bayesiana", "type": "Método"}, {"text": "regras", "type": "Outros Termos Científicos"}, {"text": "as", "type": "Genérico"}, {"text": "estruturas de árvores complexas", "type": "Outros Termos Científicos"}, {"text": "posterior de um modelo discriminativo", "type": "Outros Termos Científicos"}, {"text": "corpus alvo não rotulado", "type": "Material"}], [{"text": "posterior", "type": "Genérico"}, {"text": "preferências de seleção esparsas", "type": "Outros Termos Científicos"}], [{"text": "modelo", "type": "Genérico"}, {"text": "textos de jornais em inglês e checo", "type": "Material"}, {"text": "transcrições de noticiários franceses transmitidos", "type": "Material"}]], "relations": [[], [{"head": "analisador de dependências fracamente supervisionado", "tail": "sintaxe da fala", "relation": "Usado-para"}], [{"head": "regras manuais", "tail": "conhecimento sintático", "relation": "Usado-para"}], [{"head": "inferência Bayesiana", "tail": "regras", "relation": "Usado-para"}, {"head": "as", "tail": "estruturas de árvores complexas", "relation": "Usado-para"}, {"head": "estruturas de árvores complexas", "tail": "posterior de um modelo discriminativo", "relation": "Usado-para"}, {"head": "corpus alvo não rotulado", "tail": "posterior de um modelo discriminativo", "relation": "Usado-para"}], [{"head": "posterior", "tail": "preferências de seleção esparsas", "relation": "Usado-para"}], [{"head": "textos de jornais em inglês e checo", "tail": "modelo", "relation": "Avaliado-para"}, {"head": "transcrições de noticiários franceses transmitidos", "tail": "modelo", "relation": "Avaliado-para"}]], "clusters": [["posterior de um modelo discriminativo", "posterior"], ["regras", "as"]]}
{"doc_id": "H01-1049", "text": "Listen-Communicate-Show -LRB- LCS -RRB- é um novo paradigma para a interação humana com fontes de dados. Integramos um sistema de compreensão de linguagem falada com agentes móveis inteligentes que fazem a mediação entre utilizadores e fontes de informação. Construímos e iremos demonstrar uma aplicação desta abordagem chamada LCS-Marine. Utilizando o LCS-Marine, o pessoal táctico pode conversar com o seu sistema de logística para efetuar um pedido de fornecimento ou de informação. O pedido é encaminhado para um agente móvel inteligente para execução na base de dados apropriada. Os requisitantes também podem instruir o sistema a notificá-los quando o estado de um pedido se alterar ou quando um pedido estiver concluído. Demonstrámos esta capacidade em vários exercícios no terreno com os Marines e estamos atualmente a desenvolver aplicações desta tecnologia em novos domínios.", "ner": [[{"text": "Listen-Communicate-Show -LRB- LCS -RRB-", "type": "Tarefa"}, {"text": "interação humana com fontes de dados", "type": "Tarefa"}], [{"text": "sistema de compreensão de linguagem falada", "type": "Método"}, {"text": "agentes móveis inteligentes", "type": "Método"}, {"text": "fontes de informação", "type": "Material"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "LCS-Marine", "type": "Tarefa"}], [{"text": "LCS-Marine", "type": "Tarefa"}], [{"text": "agente móvel inteligente", "type": "Método"}], [{"text": "sistema", "type": "Genérico"}], [{"text": "novos domínios", "type": "Material"}]], "relations": [[{"head": "Listen-Communicate-Show -LRB- LCS -RRB-", "tail": "interação humana com fontes de dados", "relation": "Usado-para"}], [{"head": "agentes móveis inteligentes", "tail": "sistema de compreensão de linguagem falada", "relation": "Parte-de"}], [{"head": "abordagem", "tail": "LCS-Marine", "relation": "Usado-para"}], [], [], [], []], "clusters": [["sistema de compreensão de linguagem falada", "abordagem"], ["LCS-Marine", "LCS-Marine", "sistema"]]}
{"doc_id": "C96-1062", "text": "É proposto um modelo independente do domínio para a interpretação automática de compostos nominais em inglês. Este modelo destina-se a explicar regras produtivas de interpretação que são inferidas a partir das características morfossintácticas e semânticas dos constituintes nominais. Em particular, fazemos uso extensivo dos princípios de Pustejovsky relativos à informação predicativa associada aos nominais. Defendemos que é necessário traçar uma linha entre princípios semânticos generalizáveis e informação semântica específica do domínio. Explicamos esta distinção e mostramos como este modelo pode ser aplicado à interpretação de compostos em textos reais, desde que seja recuperada informação semântica complementar.", "ner": [[{"text": "modelo independente do domínio", "type": "Método"}, {"text": "interpretação automática de compostos nominais", "type": "Tarefa"}, {"text": "compostos nominais", "type": "Outros Termos Científicos"}, {"text": "inglês", "type": "Material"}], [{"text": "modelo", "type": "Genérico"}, {"text": "regras produtivas de interpretação", "type": "Outros Termos Científicos"}, {"text": "características morfossintácticas e semânticas", "type": "Outros Termos Científicos"}, {"text": "constituintes nominais", "type": "Outros Termos Científicos"}], [{"text": "princípios de Pustejovsky", "type": "Método"}, {"text": "informação predicativa", "type": "Outros Termos Científicos"}, {"text": "nominais", "type": "Outros Termos Científicos"}], [{"text": "princípios semânticos generalizáveis", "type": "Outros Termos Científicos"}, {"text": "informação semântica específica do domínio", "type": "Outros Termos Científicos"}], [{"text": "modelo", "type": "Genérico"}, {"text": "interpretação de compostos", "type": "Tarefa"}, {"text": "informação semântica", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "modelo independente do domínio", "tail": "interpretação automática de compostos nominais", "relation": "Usado-para"}, {"head": "inglês", "tail": "compostos nominais", "relation": "Característica-de"}], [{"head": "modelo", "tail": "regras produtivas de interpretação", "relation": "Usado-para"}, {"head": "características morfossintácticas e semânticas", "tail": "regras produtivas de interpretação", "relation": "Usado-para"}, {"head": "características morfossintácticas e semânticas", "tail": "constituintes nominais", "relation": "Característica-de"}], [{"head": "nominais", "tail": "informação predicativa", "relation": "Característica-de"}], [{"head": "princípios semânticos generalizáveis", "tail": "informação semântica específica do domínio", "relation": "Comparado-com"}], [{"head": "modelo", "tail": "interpretação de compostos", "relation": "Usado-para"}]], "clusters": [["modelo independente do domínio", "modelo", "modelo"], ["compostos nominais", "constituintes nominais"]]}
{"doc_id": "CVPR_2009_18_abs", "text": "Apresentamos um novo método para detetar pontos de interesse utilizando informação de histograma. Ao contrário dos detetores de pontos de interesse existentes, que medem diferenças ao nível de píxel na intensidade da imagem, os nossos detetores incorporam representações baseadas em histogramas e, assim, conseguem encontrar regiões de imagem que apresentam uma distribuição distinta na vizinhança. Os detetores propostos são capazes de capturar estruturas de grande escala e padrões texturizados distintivos, e exibem forte invariância à rotação, variação de iluminação e desfocagem. Os resultados experimentais mostram que os detetores de pontos de interesse baseados em histogramas propostos têm um desempenho particularmente bom nas tarefas de correspondência de cenas texturizadas sob desfocagem e mudanças de iluminação, em termos de repetibilidade e caráter distintivo. É também apresentada uma extensão do nosso método para a deteção de pontos de interesse espaço-temporais para classificação de ações.", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "deteção de pontos de interesse", "type": "Tarefa"}, {"text": "informação de histograma", "type": "Outros Termos Científicos"}], [{"text": "detetores de pontos de interesse", "type": "Método"}, {"text": "diferenças ao nível de píxel na intensidade da imagem", "type": "Métrica"}, {"text": "detetores", "type": "Genérico"}, {"text": "representações baseadas em histogramas", "type": "Método"}], [{"text": "detetores", "type": "Genérico"}, {"text": "estruturas de grande escala", "type": "Outros Termos Científicos"}, {"text": "padrões texturizados distintivos", "type": "Outros Termos Científicos"}, {"text": "rotação", "type": "Outros Termos Científicos"}, {"text": "variação de iluminação", "type": "Outros Termos Científicos"}, {"text": "desfocagem", "type": "Outros Termos Científicos"}], [{"text": "detetores de pontos de interesse baseados em histogramas", "type": "Método"}, {"text": "correspondência de cenas texturizadas", "type": "Tarefa"}, {"text": "desfocagem e mudanças de iluminação", "type": "Outros Termos Científicos"}, {"text": "repetibilidade", "type": "Métrica"}, {"text": "caráter distintivo", "type": "Métrica"}], [{"text": "método", "type": "Genérico"}, {"text": "deteção de pontos de interesse espaço-temporais", "type": "Tarefa"}, {"text": "classificação de ações", "type": "Tarefa"}]], "relations": [[{"head": "método", "tail": "deteção de pontos de interesse", "relation": "Usado-para"}, {"head": "informação de histograma", "tail": "deteção de pontos de interesse", "relation": "Usado-para"}], [{"head": "diferenças ao nível de píxel na intensidade da imagem", "tail": "detetores de pontos de interesse", "relation": "Avaliado-para"}, {"head": "representações baseadas em histogramas", "tail": "detetores", "relation": "Parte-de"}], [{"head": "detetores", "tail": "estruturas de grande escala", "relation": "Usado-para"}, {"head": "detetores", "tail": "padrões texturizados distintivos", "relation": "Usado-para"}, {"head": "detetores", "tail": "rotação", "relation": "Usado-para"}, {"head": "detetores", "tail": "variação de iluminação", "relation": "Usado-para"}, {"head": "detetores", "tail": "desfocagem", "relation": "Usado-para"}, {"head": "estruturas de grande escala", "tail": "padrões texturizados distintivos", "relation": "Conjunção"}, {"head": "rotação", "tail": "variação de iluminação", "relation": "Conjunção"}, {"head": "variação de iluminação", "tail": "desfocagem", "relation": "Conjunção"}], [{"head": "detetores de pontos de interesse baseados em histogramas", "tail": "correspondência de cenas texturizadas", "relation": "Usado-para"}, {"head": "repetibilidade", "tail": "detetores de pontos de interesse baseados em histogramas", "relation": "Avaliado-para"}, {"head": "repetibilidade", "tail": "caráter distintivo", "relation": "Conjunção"}, {"head": "caráter distintivo", "tail": "detetores de pontos de interesse baseados em histogramas", "relation": "Avaliado-para"}], [{"head": "método", "tail": "deteção de pontos de interesse espaço-temporais", "relation": "Usado-para"}, {"head": "deteção de pontos de interesse espaço-temporais", "tail": "classificação de ações", "relation": "Usado-para"}]], "clusters": [["detetores de pontos de interesse", "detetores", "detetores de pontos de interesse baseados em histogramas", "método"], ["método", "detetores"]]}
{"doc_id": "P85-1019", "text": "Implementámos um analisador de domínio restrito chamado Plume. Baseando-nos em trabalho anterior na Universidade Carnegie-Mellon, por exemplo -LSB- 4 , 5 , 8 -RSB-, a abordagem de Plume à análise é baseada na instanciação de estruturas de casos semânticos. Isto tem as vantagens de eficiência em dados de entrada gramaticais e de robustez face a dados de entrada agramaticais. Embora o Plume seja bem adaptado a enunciados declarativos e imperativos simples, ele lida com passivas, orações relativas e interrogativas de uma forma ad hoc, o que conduz a uma cobertura sintáctica irregular. Este artigo descreve o Plume tal como existe actualmente e apresenta o nosso desenho detalhado para estender o Plume de modo a tratar passivas, orações relativas e interrogativas de uma forma geral.", "ner": [[{"text": "analisador de domínio restrito", "type": "Método"}, {"text": "Plume", "type": "Método"}], [{"text": "a abordagem de Plume", "type": "Método"}, {"text": "análise", "type": "Tarefa"}, {"text": "instanciação de estruturas de casos semânticos", "type": "Outros Termos Científicos"}], [{"text": "dados de entrada gramaticais", "type": "Outros Termos Científicos"}, {"text": "robustez", "type": "Métrica"}, {"text": "dados de entrada agramaticais", "type": "Outros Termos Científicos"}], [{"text": "Plume", "type": "Método"}, {"text": "enunciados declarativos e imperativos", "type": "Material"}, {"text": "ele", "type": "Genérico"}, {"text": "passivas", "type": "Outros Termos Científicos"}, {"text": "orações relativas", "type": "Outros Termos Científicos"}, {"text": "interrogativas", "type": "Outros Termos Científicos"}, {"text": "cobertura sintáctica irregular", "type": "Outros Termos Científicos"}], [{"text": "Plume", "type": "Método"}, {"text": "ele", "type": "Genérico"}, {"text": "Plume", "type": "Método"}, {"text": "passivas", "type": "Outros Termos Científicos"}, {"text": "orações relativas", "type": "Outros Termos Científicos"}, {"text": "interrogativas", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "Plume", "tail": "analisador de domínio restrito", "relation": "Hipónimo-de"}], [{"head": "a abordagem de Plume", "tail": "análise", "relation": "Usado-para"}, {"head": "instanciação de estruturas de casos semânticos", "tail": "a abordagem de Plume", "relation": "Usado-para"}], [{"head": "dados de entrada agramaticais", "tail": "robustez", "relation": "Característica-de"}], [{"head": "Plume", "tail": "enunciados declarativos e imperativos", "relation": "Usado-para"}, {"head": "ele", "tail": "passivas", "relation": "Usado-para"}, {"head": "ele", "tail": "orações relativas", "relation": "Usado-para"}, {"head": "ele", "tail": "interrogativas", "relation": "Usado-para"}, {"head": "passivas", "tail": "orações relativas", "relation": "Conjunção"}, {"head": "orações relativas", "tail": "interrogativas", "relation": "Conjunção"}], [{"head": "Plume", "tail": "passivas", "relation": "Usado-para"}, {"head": "Plume", "tail": "orações relativas", "relation": "Usado-para"}, {"head": "Plume", "tail": "interrogativas", "relation": "Usado-para"}, {"head": "passivas", "tail": "orações relativas", "relation": "Conjunção"}, {"head": "orações relativas", "tail": "interrogativas", "relation": "Conjunção"}]], "clusters": [["Plume", "a abordagem de Plume", "Plume", "ele", "Plume", "ele", "Plume"]]}
{"doc_id": "P05-1039", "text": "Neste artigo , apresentamos um analisador não lexicalizado para alemão que emprega smoothing e análise de sufixos para alcançar uma F-score de parênteses rotulados de 76,2 , superior aos resultados anteriormente reportados no corpus NEGRA . Para além da elevada precisão do modelo , o uso de smoothing num analisador não lexicalizado permite-nos examinar melhor a interação entre smoothing e os resultados de análise sintática .", "ner": [[{"text": "analisador não lexicalizado", "type": "Método"}, {"text": "alemão", "type": "Material"}, {"text": "smoothing", "type": "Método"}, {"text": "análise de sufixos", "type": "Método"}, {"text": "F-score de parênteses rotulados", "type": "Métrica"}, {"text": "corpus NEGRA", "type": "Material"}], [{"text": "precisão", "type": "Métrica"}, {"text": "modelo", "type": "Genérico"}, {"text": "smoothing", "type": "Método"}, {"text": "analisador não lexicalizado", "type": "Método"}, {"text": "smoothing", "type": "Método"}, {"text": "análise sintática", "type": "Método"}]], "relations": [[{"head": "analisador não lexicalizado", "tail": "alemão", "relation": "Usado-para"}, {"head": "smoothing", "tail": "analisador não lexicalizado", "relation": "Usado-para"}, {"head": "smoothing", "tail": "análise de sufixos", "relation": "Conjunção"}, {"head": "análise de sufixos", "tail": "analisador não lexicalizado", "relation": "Usado-para"}, {"head": "F-score de parênteses rotulados", "tail": "analisador não lexicalizado", "relation": "Avaliado-para"}, {"head": "corpus NEGRA", "tail": "analisador não lexicalizado", "relation": "Avaliado-para"}], [{"head": "precisão", "tail": "modelo", "relation": "Avaliado-para"}, {"head": "smoothing", "tail": "analisador não lexicalizado", "relation": "Usado-para"}]], "clusters": [["analisador não lexicalizado", "modelo", "analisador não lexicalizado"]]}
{"doc_id": "P06-2012", "text": "Este artigo apresenta uma abordagem de aprendizagem não supervisionada para desambiguar várias relações entre entidades com nome próprio através da utilização de diversas características lexicais e sintácticas dos contextos. Funciona calculando os vectores próprios do laplaciano de um grafo de adjacência para recuperar uma subvariedade dos dados a partir de um espaço de alta dimensionalidade e depois realizar a estimativa do número de clusters sobre os vectores próprios. Os resultados experimentais em corpora ACE mostram que esta abordagem baseada em clustering espectral supera os outros métodos de clustering.", "ner": [[{"text": "abordagem de aprendizagem não supervisionada", "type": "Método"}, {"text": "relações entre entidades com nome próprio", "type": "Outros Termos Científicos"}, {"text": "características lexicais e sintácticas", "type": "Outros Termos Científicos"}], [{"text": "Esta", "type": "Genérico"}, {"text": "vectores próprios", "type": "Outros Termos Científicos"}, {"text": "laplaciano de um grafo de adjacência", "type": "Outros Termos Científicos"}, {"text": "subvariedade", "type": "Outros Termos Científicos"}, {"text": "espaço de alta dimensionalidade", "type": "Outros Termos Científicos"}, {"text": "estimativa do número de clusters", "type": "Tarefa"}, {"text": "vectores próprios", "type": "Outros Termos Científicos"}], [{"text": "corpora ACE", "type": "Material"}, {"text": "abordagem baseada em clustering espectral", "type": "Método"}, {"text": "métodos de clustering", "type": "Método"}]], "relations": [[{"head": "abordagem de aprendizagem não supervisionada", "tail": "relações entre entidades com nome próprio", "relation": "Usado-para"}, {"head": "características lexicais e sintácticas", "tail": "abordagem de aprendizagem não supervisionada", "relation": "Usado-para"}], [{"head": "Esta", "tail": "subvariedade", "relation": "Usado-para"}, {"head": "vectores próprios", "tail": "Esta", "relation": "Usado-para"}, {"head": "laplaciano de um grafo de adjacência", "tail": "vectores próprios", "relation": "Característica-de"}, {"head": "espaço de alta dimensionalidade", "tail": "subvariedade", "relation": "Usado-para"}, {"head": "estimativa do número de clusters", "tail": "Esta", "relation": "Usado-para"}, {"head": "estimativa do número de clusters", "tail": "vectores próprios", "relation": "Usado-para"}], [{"head": "corpora ACE", "tail": "abordagem baseada em clustering espectral", "relation": "Avaliado-para"}, {"head": "corpora ACE", "tail": "métodos de clustering", "relation": "Avaliado-para"}, {"head": "abordagem baseada em clustering espectral", "tail": "métodos de clustering", "relation": "Comparado-com"}]], "clusters": [["abordagem de aprendizagem não supervisionada", "Esta"], ["vectores próprios", "vectores próprios"]]}
{"doc_id": "P06-1018", "text": "Este artigo propõe um formalismo matemático genérico para a combinação de várias estruturas: sequências, árvores, DAGs, grafos e respetivos produtos. A polarização dos objetos das estruturas elementares controla a saturação da estrutura final. Este formalismo é simultaneamente elementar e suficientemente poderoso para simular de forma robusta muitos formalismos gramaticais, tais como sistemas de reescrita, gramáticas de dependência, TAG, HPSG e LFG.", "ner": [[{"text": "formalismo matemático", "type": "Método"}, {"text": "estruturas", "type": "Genérico"}, {"text": "sequências", "type": "Outros Termos Científicos"}, {"text": "árvores", "type": "Outros Termos Científicos"}, {"text": "DAGs", "type": "Outros Termos Científicos"}, {"text": "grafos", "type": "Outros Termos Científicos"}, {"text": "respetivos produtos", "type": "Genérico"}], [{"text": "polarização", "type": "Outros Termos Científicos"}, {"text": "estruturas elementares", "type": "Outros Termos Científicos"}], [{"text": "formalismo", "type": "Genérico"}, {"text": "formalismos gramaticais", "type": "Método"}, {"text": "sistemas de reescrita", "type": "Método"}, {"text": "gramáticas de dependência", "type": "Método"}, {"text": "TAG", "type": "Outros Termos Científicos"}, {"text": "HPSG", "type": "Outros Termos Científicos"}, {"text": "LFG", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "sequências", "tail": "estruturas", "relation": "Hipónimo-de"}, {"head": "sequências", "tail": "árvores", "relation": "Conjunção"}, {"head": "árvores", "tail": "estruturas", "relation": "Hipónimo-de"}, {"head": "árvores", "tail": "DAGs", "relation": "Conjunção"}, {"head": "DAGs", "tail": "estruturas", "relation": "Hipónimo-de"}, {"head": "DAGs", "tail": "grafos", "relation": "Conjunção"}, {"head": "grafos", "tail": "estruturas", "relation": "Hipónimo-de"}], [], [{"head": "formalismo", "tail": "formalismos gramaticais", "relation": "Usado-para"}, {"head": "sistemas de reescrita", "tail": "formalismos gramaticais", "relation": "Hipónimo-de"}, {"head": "sistemas de reescrita", "tail": "gramáticas de dependência", "relation": "Conjunção"}, {"head": "gramáticas de dependência", "tail": "formalismos gramaticais", "relation": "Hipónimo-de"}, {"head": "gramáticas de dependência", "tail": "TAG", "relation": "Conjunção"}, {"head": "TAG", "tail": "formalismos gramaticais", "relation": "Hipónimo-de"}, {"head": "TAG", "tail": "HPSG", "relation": "Conjunção"}, {"head": "HPSG", "tail": "formalismos gramaticais", "relation": "Hipónimo-de"}, {"head": "HPSG", "tail": "LFG", "relation": "Conjunção"}, {"head": "LFG", "tail": "formalismos gramaticais", "relation": "Hipónimo-de"}]], "clusters": [["estruturas", "respetivos produtos"], ["formalismo matemático", "formalismo"]]}
{"doc_id": "NIPS_2001_11_abs", "text": "É apresentado um paradigma de sinal misto para computação paralela de produto interno de alta resolução em dimensões muito elevadas, adequado para uma implementação eficiente de núcleos em processamento de imagem. No núcleo da arquitetura digital externa está uma matriz analógica de alta densidade e baixo consumo a realizar uma multiplicação parcial matriz-vetor binário-binário. Mantém‑se a resolução digital completa mesmo com conversão analógico-digital de baixa resolução, devido às estatísticas aleatórias na soma analógica de produtos binários. Um esquema de modulação aleatória produz estatísticas quase Bernoulli mesmo para entradas altamente correlacionadas. A abordagem é validada com dados de imagens reais e com resultados experimentais de um protótipo de matriz analógica CID/DRAM em CMOS de 0,5 µm.", "ner": [[{"text": "paradigma de sinal misto", "type": "Método"}, {"text": "computação paralela de produto interno de alta resolução", "type": "Tarefa"}, {"text": "núcleos", "type": "Método"}, {"text": "processamento de imagem", "type": "Tarefa"}], [{"text": "arquitetura digital externa", "type": "Método"}, {"text": "matriz analógica de alta densidade e baixo consumo", "type": "Outros Termos Científicos"}, {"text": "multiplicação parcial matriz-vetor binário-binário", "type": "Método"}], [{"text": "resolução digital completa", "type": "Métrica"}, {"text": "conversão analógico-digital de baixa resolução", "type": "Método"}, {"text": "estatísticas aleatórias", "type": "Outros Termos Científicos"}, {"text": "soma analógica de produtos binários", "type": "Outros Termos Científicos"}], [{"text": "esquema de modulação aleatória", "type": "Método"}, {"text": "estatísticas quase Bernoulli", "type": "Outros Termos Científicos"}, {"text": "entradas altamente correlacionadas", "type": "Material"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "dados de imagens reais", "type": "Material"}, {"text": "protótipo de matriz analógica CID/DRAM", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "paradigma de sinal misto", "tail": "computação paralela de produto interno de alta resolução", "relation": "Usado-para"}, {"head": "paradigma de sinal misto", "tail": "núcleos", "relation": "Usado-para"}, {"head": "núcleos", "tail": "processamento de imagem", "relation": "Usado-para"}], [{"head": "matriz analógica de alta densidade e baixo consumo", "tail": "arquitetura digital externa", "relation": "Parte-de"}, {"head": "multiplicação parcial matriz-vetor binário-binário", "tail": "matriz analógica de alta densidade e baixo consumo", "relation": "Usado-para"}], [{"head": "estatísticas aleatórias", "tail": "soma analógica de produtos binários", "relation": "Parte-de"}], [{"head": "esquema de modulação aleatória", "tail": "estatísticas quase Bernoulli", "relation": "Usado-para"}, {"head": "entradas altamente correlacionadas", "tail": "esquema de modulação aleatória", "relation": "Usado-para"}], [{"head": "dados de imagens reais", "tail": "abordagem", "relation": "Avaliado-para"}]], "clusters": [["paradigma de sinal misto", "abordagem"]]}
{"doc_id": "CVPR_1999_15_abs", "text": "Neste artigo, especializamos os tensores projetivos unifocal, bifocal e trifocal para o caso afim e mostramos como os tensores obtidos se relacionam com os tensores registados encontrados em trabalhos anteriores. Isto permite-nos obter uma especialização afim de relações projetivas conhecidas que ligam pontos e retas em duas ou três vistas. No caso mais simples de câmaras afins, fornecemos condições necessárias e suficientes sobre os componentes do tensor trifocal, juntamente com uma interpretação geométrica simples. Finalmente, mostramos como a estimação dos tensores a partir de correspondências de pontos é obtida através de fatorização e discutimos a estimação a partir de correspondências de retas.", "ner": [[{"text": "tensores projetivos unifocal, bifocal e trifocal", "type": "Método"}, {"text": "caso afim", "type": "Outros Termos Científicos"}, {"text": "tensores", "type": "Genérico"}, {"text": "tensores registados", "type": "Outros Termos Científicos"}], [{"text": "especialização afim", "type": "Outros Termos Científicos"}], [{"text": "câmaras afins", "type": "Método"}, {"text": "tensor trifocal", "type": "Método"}, {"text": "interpretação geométrica", "type": "Outros Termos Científicos"}], [{"text": "estimação dos tensores", "type": "Tarefa"}, {"text": "tensores", "type": "Genérico"}, {"text": "correspondências de pontos", "type": "Outros Termos Científicos"}, {"text": "fatorização", "type": "Método"}, {"text": "estimação", "type": "Genérico"}, {"text": "correspondências de retas", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "tensores projetivos unifocal, bifocal e trifocal", "tail": "caso afim", "relation": "Usado-para"}], [], [], [{"head": "correspondências de pontos", "tail": "estimação dos tensores", "relation": "Usado-para"}, {"head": "fatorização", "tail": "tensores", "relation": "Usado-para"}, {"head": "correspondências de retas", "tail": "estimação", "relation": "Usado-para"}]], "clusters": [["estimação dos tensores", "estimação"], ["tensor trifocal", "tensores"], ["tensores projetivos unifocal, bifocal e trifocal", "tensores"]]}
{"doc_id": "C94-1091", "text": "Este artigo apresenta um algoritmo para selecionar uma palavra classificadora apropriada para um nome . Na língua tailandesa , acontece frequentemente que haja flutuação na escolha do classificador para um determinado nome concreto , tanto do ponto de vista de toda a comunidade de fala como dos locutores individuais . Basicamente , não existe uma regra exata para a seleção de classificadores . No que diz respeito ao que podemos fazer na abordagem baseada em regras , é dar uma regra padrão para escolher um classificador correspondente de cada nome . O registo de classificador para cada nome é limitado ao tipo de classificador de unidade porque outros tipos estão abertos devido ao significado da representação . Propomos um método baseado em corpus -LRB- Biber ,1993 ; Nagao ,1993 ; Smadja ,1993 -RRB- que gera Associações Nome-Classificador -LRB- ANC -RRB- para ultrapassar os problemas na atribuição de classificadores e na construção semântica de sintagmas nominais . A ANC é criada estatisticamente a partir de um grande corpus e recomposta sob restrições de hierarquia de conceitos e frequência de ocorrências .", "ner": [[], [{"text": "língua tailandesa", "type": "Material"}, {"text": "classificador", "type": "Método"}], [{"text": "seleção de classificadores", "type": "Tarefa"}], [{"text": "abordagem baseada em regras", "type": "Método"}, {"text": "classificador", "type": "Método"}], [{"text": "classificador", "type": "Método"}, {"text": "tipo de classificador de unidade", "type": "Outros Termos Científicos"}], [{"text": "método baseado em corpus", "type": "Método"}, {"text": "Associações Nome-Classificador -LRB- ANC -RRB-", "type": "Método"}, {"text": "atribuição de classificadores", "type": "Tarefa"}, {"text": "construção semântica de sintagmas nominais", "type": "Tarefa"}], [{"text": "ANC", "type": "Método"}, {"text": "restrições de hierarquia de conceitos", "type": "Outros Termos Científicos"}, {"text": "frequência de ocorrências", "type": "Outros Termos Científicos"}]], "relations": [[], [], [], [], [], [{"head": "método baseado em corpus", "tail": "Associações Nome-Classificador -LRB- ANC -RRB-", "relation": "Usado-para"}, {"head": "método baseado em corpus", "tail": "atribuição de classificadores", "relation": "Usado-para"}, {"head": "método baseado em corpus", "tail": "construção semântica de sintagmas nominais", "relation": "Usado-para"}, {"head": "Associações Nome-Classificador -LRB- ANC -RRB-", "tail": "atribuição de classificadores", "relation": "Usado-para"}, {"head": "Associações Nome-Classificador -LRB- ANC -RRB-", "tail": "construção semântica de sintagmas nominais", "relation": "Usado-para"}, {"head": "atribuição de classificadores", "tail": "construção semântica de sintagmas nominais", "relation": "Conjunção"}], [{"head": "restrições de hierarquia de conceitos", "tail": "ANC", "relation": "Usado-para"}, {"head": "frequência de ocorrências", "tail": "ANC", "relation": "Usado-para"}]], "clusters": [["Associações Nome-Classificador -LRB- ANC -RRB-", "ANC"]]}
{"doc_id": "ICCV_2003_161_abs", "text": "A perceção de objetos transparentes a partir de imagens é conhecida por ser um problema muito difícil em visão. Dada uma única imagem, é difícil até detetar a presença de objetos transparentes na cena. Neste artigo, exploramos o que pode ser dito sobre objetos transparentes por um observador em movimento. Mostramos como as caraterísticas que são imageadas através de um objeto transparente se comportam de forma diferente daquelas que estão rigidamente anexadas à cena. Apresentamos uma nova abordagem baseada em modelos para recuperar as formas e as poses de objetos transparentes a partir de movimento conhecido. Os objetos podem ser complexos, na medida em que eles podem ser compostos por múltiplas camadas com diferentes índices de refração. Realizámos inúmeras simulações para verificar a viabilidade prática do nosso algoritmo. Aplicámo-lo a cenas reais que incluem objetos transparentes e recuperámos as formas dos objetos com elevada precisão.", "ner": [[{"text": "perceção de objetos transparentes", "type": "Tarefa"}, {"text": "imagens", "type": "Material"}], [{"text": "objetos transparentes", "type": "Outros Termos Científicos"}], [{"text": "objetos transparentes", "type": "Outros Termos Científicos"}], [{"text": "caraterísticas", "type": "Outros Termos Científicos"}, {"text": "objeto transparente", "type": "Outros Termos Científicos"}, {"text": "daquelas", "type": "Genérico"}], [{"text": "abordagem baseada em modelos", "type": "Método"}, {"text": "formas e as poses de objetos transparentes", "type": "Outros Termos Científicos"}, {"text": "movimento conhecido", "type": "Outros Termos Científicos"}], [{"text": "objetos", "type": "Genérico"}, {"text": "eles", "type": "Genérico"}, {"text": "múltiplas camadas", "type": "Outros Termos Científicos"}, {"text": "índices de refração", "type": "Outros Termos Científicos"}], [{"text": "algoritmo", "type": "Genérico"}], [{"text": "o", "type": "Genérico"}, {"text": "cenas reais", "type": "Material"}, {"text": "objetos transparentes", "type": "Outros Termos Científicos"}, {"text": "formas dos objetos", "type": "Outros Termos Científicos"}, {"text": "precisão", "type": "Métrica"}]], "relations": [[{"head": "imagens", "tail": "perceção de objetos transparentes", "relation": "Usado-para"}], [], [], [{"head": "daquelas", "tail": "caraterísticas", "relation": "Comparado-com"}], [{"head": "abordagem baseada em modelos", "tail": "formas e as poses de objetos transparentes", "relation": "Usado-para"}, {"head": "movimento conhecido", "tail": "formas e as poses de objetos transparentes", "relation": "Usado-para"}], [{"head": "múltiplas camadas", "tail": "eles", "relation": "Parte-de"}, {"head": "índices de refração", "tail": "múltiplas camadas", "relation": "Característica-de"}], [], [{"head": "o", "tail": "cenas reais", "relation": "Usado-para"}, {"head": "o", "tail": "formas dos objetos", "relation": "Usado-para"}, {"head": "objetos transparentes", "tail": "cenas reais", "relation": "Parte-de"}, {"head": "precisão", "tail": "formas dos objetos", "relation": "Avaliado-para"}]], "clusters": [["abordagem baseada em modelos", "algoritmo", "o"], ["objetos", "eles"]]}
{"doc_id": "CVPR_2009_10_abs", "text": "Propomos uma nova estrutura probabilística para a aprendizagem de modelos visuais de categorias de objetos 3D, combinando informação de aparência e restrições geométricas. Os objetos são representados como um conjunto coerente de partes que são consistentes sob transformações de ponto de vista 3D. Cada parte é uma coleção de características de imagem salientes. É utilizada uma estrutura generativa para aprender um modelo que capta a posição relativa das partes dentro de cada um dos pontos de vista discretizados. Ao contrário da maioria dos existentes modelos de mistura de pontos de vista, o nosso modelo estabelece correspondências explícitas de partes entre diferentes pontos de vista da classe de objetos. Dada uma nova imagem, a deteção e a classificação são alcançadas determinando a posição e o ponto de vista do modelo que maximizam as pontuações de reconhecimento dos objetos candidatos. A nossa abordagem está entre as primeiras a propor uma estrutura probabilística generativa para a categorização de objetos 3D. Testamos o nosso algoritmo na tarefa de deteção e na tarefa de classificação de pontos de vista utilizando a categoria 'carro' tanto do conjunto de dados de Savarese et al. 2007 como do conjunto de dados PASCAL VOC 2006. Mostramos resultados promissores tanto nas tarefas de deteção e classificação de pontos de vista nestes dois conjuntos de dados desafiantes.", "ner": [[{"text": "estrutura probabilística", "type": "Método"}, {"text": "modelos visuais de categorias de objetos 3D", "type": "Tarefa"}, {"text": "informação de aparência", "type": "Outros Termos Científicos"}, {"text": "restrições geométricas", "type": "Outros Termos Científicos"}], [{"text": "transformações de ponto de vista 3D", "type": "Outros Termos Científicos"}], [{"text": "características de imagem salientes", "type": "Outros Termos Científicos"}], [{"text": "estrutura generativa", "type": "Método"}, {"text": "modelo", "type": "Genérico"}, {"text": "pontos de vista discretizados", "type": "Outros Termos Científicos"}], [{"text": "modelos de mistura de pontos de vista", "type": "Método"}, {"text": "modelo", "type": "Genérico"}, {"text": "pontos de vista", "type": "Outros Termos Científicos"}], [{"text": "imagem", "type": "Material"}, {"text": "deteção", "type": "Tarefa"}, {"text": "classificação", "type": "Tarefa"}, {"text": "posição", "type": "Outros Termos Científicos"}, {"text": "ponto de vista", "type": "Outros Termos Científicos"}, {"text": "pontuações de reconhecimento", "type": "Métrica"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "estrutura probabilística generativa", "type": "Método"}, {"text": "categorização de objetos 3D", "type": "Tarefa"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "tarefa de deteção", "type": "Tarefa"}, {"text": "tarefa de classificação de pontos de vista", "type": "Tarefa"}, {"text": "conjunto de dados PASCAL VOC 2006", "type": "Material"}], [{"text": "tarefas de deteção e classificação de pontos de vista", "type": "Tarefa"}, {"text": "conjunto de dados", "type": "Genérico"}]], "relations": [[{"head": "estrutura probabilística", "tail": "modelos visuais de categorias de objetos 3D", "relation": "Usado-para"}, {"head": "informação de aparência", "tail": "estrutura probabilística", "relation": "Usado-para"}, {"head": "informação de aparência", "tail": "restrições geométricas", "relation": "Conjunção"}, {"head": "restrições geométricas", "tail": "estrutura probabilística", "relation": "Usado-para"}], [], [], [{"head": "estrutura generativa", "tail": "modelo", "relation": "Usado-para"}], [{"head": "modelo", "tail": "modelos de mistura de pontos de vista", "relation": "Comparado-com"}], [{"head": "imagem", "tail": "deteção", "relation": "Usado-para"}, {"head": "imagem", "tail": "classificação", "relation": "Usado-para"}, {"head": "deteção", "tail": "classificação", "relation": "Conjunção"}, {"head": "posição", "tail": "deteção", "relation": "Usado-para"}, {"head": "posição", "tail": "classificação", "relation": "Usado-para"}, {"head": "posição", "tail": "ponto de vista", "relation": "Conjunção"}, {"head": "ponto de vista", "tail": "deteção", "relation": "Usado-para"}, {"head": "ponto de vista", "tail": "classificação", "relation": "Usado-para"}], [{"head": "estrutura probabilística generativa", "tail": "categorização de objetos 3D", "relation": "Usado-para"}], [{"head": "algoritmo", "tail": "tarefa de deteção", "relation": "Usado-para"}, {"head": "algoritmo", "tail": "tarefa de classificação de pontos de vista", "relation": "Usado-para"}, {"head": "tarefa de deteção", "tail": "tarefa de classificação de pontos de vista", "relation": "Conjunção"}, {"head": "conjunto de dados PASCAL VOC 2006", "tail": "algoritmo", "relation": "Avaliado-para"}], [{"head": "conjunto de dados", "tail": "tarefas de deteção e classificação de pontos de vista", "relation": "Avaliado-para"}]], "clusters": [["estrutura probabilística", "modelo", "modelo", "abordagem", "estrutura probabilística generativa", "algoritmo"]]}
{"doc_id": "N03-1026", "text": "Apresentamos uma aplicação de técnicas de compactação de ambiguidades e desambiguação estocástica para Gramáticas Lexicais-Funcionais -LRB- LFG -RRB- ao domínio da condensação de frases. O nosso sistema incorpora um analisador/gerador linguístico para LFG, um componente de transferência para redução de análises que opera sobre florestas de análises compactadas e um modelo de máxima entropia para seleção estocástica da saída. Além disso, propomos a utilização de métodos de avaliação de analisadores padrão para avaliar automaticamente a qualidade de sumarização de sistemas de condensação de frases. Uma avaliação experimental da qualidade de sumarização mostra uma correlação estreita entre a avaliação automática baseada em análises e uma avaliação manual das cadeias geradas. A qualidade global de sumarização do sistema proposto é o estado da arte, com gramaticalidade garantida da saída do sistema devido à utilização de um analisador/gerador baseado em restrições.", "ner": [[{"text": "técnicas de compactação de ambiguidades e desambiguação estocástica", "type": "Método"}, {"text": "Gramáticas Lexicais-Funcionais -LRB- LFG -RRB-", "type": "Método"}, {"text": "condensação de frases", "type": "Tarefa"}], [{"text": "sistema", "type": "Genérico"}, {"text": "analisador/gerador linguístico", "type": "Método"}, {"text": "LFG", "type": "Método"}, {"text": "componente de transferência", "type": "Método"}, {"text": "redução de análises", "type": "Tarefa"}, {"text": "florestas de análises compactadas", "type": "Outros Termos Científicos"}, {"text": "modelo de máxima entropia", "type": "Método"}, {"text": "seleção estocástica da saída", "type": "Tarefa"}], [{"text": "métodos de avaliação de analisadores", "type": "Método"}, {"text": "qualidade de sumarização", "type": "Métrica"}, {"text": "sistemas de condensação de frases", "type": "Método"}], [{"text": "qualidade de sumarização", "type": "Métrica"}, {"text": "avaliação automática baseada em análises", "type": "Método"}, {"text": "avaliação manual", "type": "Método"}], [{"text": "qualidade de sumarização", "type": "Métrica"}, {"text": "sistema", "type": "Genérico"}, {"text": "gramaticalidade", "type": "Métrica"}, {"text": "analisador/gerador baseado em restrições", "type": "Método"}]], "relations": [[{"head": "técnicas de compactação de ambiguidades e desambiguação estocástica", "tail": "Gramáticas Lexicais-Funcionais -LRB- LFG -RRB-", "relation": "Usado-para"}, {"head": "técnicas de compactação de ambiguidades e desambiguação estocástica", "tail": "condensação de frases", "relation": "Usado-para"}], [{"head": "analisador/gerador linguístico", "tail": "sistema", "relation": "Parte-de"}, {"head": "analisador/gerador linguístico", "tail": "LFG", "relation": "Usado-para"}, {"head": "analisador/gerador linguístico", "tail": "componente de transferência", "relation": "Conjunção"}, {"head": "componente de transferência", "tail": "sistema", "relation": "Parte-de"}, {"head": "componente de transferência", "tail": "redução de análises", "relation": "Usado-para"}, {"head": "componente de transferência", "tail": "modelo de máxima entropia", "relation": "Conjunção"}, {"head": "florestas de análises compactadas", "tail": "redução de análises", "relation": "Usado-para"}, {"head": "modelo de máxima entropia", "tail": "sistema", "relation": "Parte-de"}, {"head": "modelo de máxima entropia", "tail": "seleção estocástica da saída", "relation": "Usado-para"}], [{"head": "métodos de avaliação de analisadores", "tail": "qualidade de sumarização", "relation": "Avaliado-para"}, {"head": "qualidade de sumarização", "tail": "sistemas de condensação de frases", "relation": "Avaliado-para"}], [{"head": "qualidade de sumarização", "tail": "avaliação automática baseada em análises", "relation": "Avaliado-para"}, {"head": "avaliação automática baseada em análises", "tail": "avaliação manual", "relation": "Comparado-com"}], [{"head": "qualidade de sumarização", "tail": "sistema", "relation": "Avaliado-para"}, {"head": "gramaticalidade", "tail": "sistema", "relation": "Avaliado-para"}, {"head": "analisador/gerador baseado em restrições", "tail": "sistema", "relation": "Usado-para"}]], "clusters": [["Gramáticas Lexicais-Funcionais -LRB- LFG -RRB-", "LFG"], ["técnicas de compactação de ambiguidades e desambiguação estocástica", "sistema", "sistemas de condensação de frases", "sistema"], ["qualidade de sumarização", "qualidade de sumarização", "qualidade de sumarização"], ["métodos de avaliação de analisadores", "avaliação automática baseada em análises"]]}
{"doc_id": "ICML_2016_11_abs", "text": "O problema de análise de componentes principais robusta -LRB- PCA robusta -RRB- tem sido considerado em muitas aplicações de aprendizagem automática, onde o objetivo é decompor a matriz de dados numa parte de baixo posto mais um resíduo esparso. Embora as abordagens atuais sejam desenvolvidas considerando apenas a estrutura de baixo posto mais esparsa, em muitas aplicações também podem ser fornecidas informações laterais das entidades de linha e/ou coluna, e ainda não é claro em que medida tais informações poderiam ajudar a PCA robusta. Assim, neste artigo, estudamos o problema de PCA robusta com informação lateral, onde tanto a estrutura prévia como as características das entidades são exploradas para a recuperação. Propomos um problema convexo para incorporar informação lateral na PCA robusta e mostramos que a matriz de baixo posto pode ser exatamente recuperada pelo método proposto sob certas condições. Em particular, a nossa garantia sugere que uma quantidade substancial de matrizes de baixo posto, que não podem ser recuperadas pela PCA robusta padrão, se tornam novamente recuperáveis pelo nosso método proposto. O resultado justifica teoricamente a eficácia das características na PCA robusta. Além disso, realizamos experiências sintéticas bem como uma aplicação real em classificação de imagens ruidosas para mostrar que o nosso método também melhora o desempenho na prática ao explorar informação lateral.", "ner": [[{"text": "problema de análise de componentes principais robusta -LRB- PCA robusta -RRB-", "type": "Método"}, {"text": "aplicações de aprendizagem automática", "type": "Tarefa"}, {"text": "matriz de dados", "type": "Outros Termos Científicos"}, {"text": "parte de baixo posto", "type": "Outros Termos Científicos"}, {"text": "resíduo esparso", "type": "Outros Termos Científicos"}], [{"text": "abordagens", "type": "Genérico"}, {"text": "estrutura de baixo posto mais esparsa", "type": "Outros Termos Científicos"}, {"text": "informação lateral", "type": "Outros Termos Científicos"}, {"text": "informações", "type": "Genérico"}, {"text": "PCA robusta", "type": "Método"}], [{"text": "PCA robusta", "type": "Método"}, {"text": "informação lateral", "type": "Outros Termos Científicos"}, {"text": "estrutura prévia", "type": "Outros Termos Científicos"}, {"text": "características das entidades", "type": "Outros Termos Científicos"}, {"text": "recuperação", "type": "Tarefa"}], [{"text": "problema convexo", "type": "Tarefa"}, {"text": "informação lateral", "type": "Outros Termos Científicos"}, {"text": "PCA robusta", "type": "Método"}, {"text": "matriz de baixo posto", "type": "Outros Termos Científicos"}, {"text": "método", "type": "Genérico"}], [{"text": "matrizes de baixo posto", "type": "Outros Termos Científicos"}, {"text": "PCA robusta", "type": "Método"}, {"text": "método", "type": "Genérico"}], [{"text": "características", "type": "Outros Termos Científicos"}, {"text": "PCA robusta", "type": "Método"}], [{"text": "classificação de imagens ruidosas", "type": "Tarefa"}, {"text": "método", "type": "Genérico"}, {"text": "informação lateral", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "problema de análise de componentes principais robusta -LRB- PCA robusta -RRB-", "tail": "aplicações de aprendizagem automática", "relation": "Usado-para"}, {"head": "parte de baixo posto", "tail": "matriz de dados", "relation": "Parte-de"}, {"head": "parte de baixo posto", "tail": "resíduo esparso", "relation": "Conjunção"}, {"head": "resíduo esparso", "tail": "matriz de dados", "relation": "Parte-de"}], [{"head": "estrutura de baixo posto mais esparsa", "tail": "abordagens", "relation": "Usado-para"}, {"head": "informações", "tail": "PCA robusta", "relation": "Usado-para"}], [{"head": "informação lateral", "tail": "PCA robusta", "relation": "Usado-para"}, {"head": "estrutura prévia", "tail": "características das entidades", "relation": "Conjunção"}, {"head": "estrutura prévia", "tail": "recuperação", "relation": "Usado-para"}, {"head": "características das entidades", "tail": "recuperação", "relation": "Usado-para"}], [{"head": "problema convexo", "tail": "informação lateral", "relation": "Usado-para"}, {"head": "informação lateral", "tail": "PCA robusta", "relation": "Parte-de"}, {"head": "método", "tail": "matriz de baixo posto", "relation": "Usado-para"}], [{"head": "método", "tail": "matrizes de baixo posto", "relation": "Usado-para"}], [{"head": "características", "tail": "PCA robusta", "relation": "Característica-de"}], [{"head": "classificação de imagens ruidosas", "tail": "método", "relation": "Avaliado-para"}, {"head": "informação lateral", "tail": "método", "relation": "Usado-para"}]], "clusters": [["informação lateral", "informações"], ["problema de análise de componentes principais robusta -LRB- PCA robusta -RRB-", "PCA robusta", "PCA robusta", "PCA robusta", "PCA robusta", "PCA robusta"], ["método", "método", "método"]]}
{"doc_id": "C88-1044", "text": "Este artigo apresenta condições necessárias e suficientes para o uso de expressões demonstrativas em inglês e discute implicações para os algoritmos actuais de processamento do discurso. Examinamos uma vasta gama de textos para mostrar como a distribuição de formas e funções demonstrativas depende do género. Esta investigação faz parte de um estudo mais alargado sobre expressões anafóricas, cujos resultados serão incorporados num sistema de geração de linguagem natural.", "ner": [[{"text": "expressões demonstrativas", "type": "Outros Termos Científicos"}, {"text": "inglês", "type": "Material"}, {"text": "implicações", "type": "Genérico"}, {"text": "algoritmos actuais de processamento do discurso", "type": "Método"}], [{"text": "formas e funções demonstrativas", "type": "Outros Termos Científicos"}], [{"text": "expressões anafóricas", "type": "Outros Termos Científicos"}, {"text": "sistema de geração de linguagem natural", "type": "Método"}]], "relations": [[{"head": "expressões demonstrativas", "tail": "inglês", "relation": "Característica-de"}, {"head": "implicações", "tail": "algoritmos actuais de processamento do discurso", "relation": "Usado-para"}], [], [{"head": "expressões anafóricas", "tail": "sistema de geração de linguagem natural", "relation": "Usado-para"}]], "clusters": []}
{"doc_id": "INTERSPEECH_2008_20_abs", "text": "No estudo da comunicação de fala expressiva, é comummente aceite que a emoção percecionada pelo ouvinte é uma boa aproximação da emoção pretendida transmitida pelo orador. Este artigo analisa a validade desta suposição comparando as discrepâncias entre as avaliações feitas por ouvintes ingénuos e pelos oradores que geraram os dados. A análise baseia-se na hipótese de que as pessoas são melhores descodificadoras das suas próprias emoções. Portanto, as autoavaliações estarão mais próximas das emoções pretendidas. Utilizando a base de dados IEMOCAP, são comparadas avaliações emocionais discretas -LRB- categóricas -RRB- e contínuas -LRB- de atributos -RRB- avaliadas pelos atores e pelos ouvintes ingénuos. Os resultados indicam que existe uma discrepância entre expressão e perceção da emoção. Os oradores na base de dados atribuíram as suas próprias emoções a categorias emocionais mais específicas, o que conduziu a valores mais extremos no espaço de ativação-valência.", "ner": [[{"text": "comunicação de fala expressiva", "type": "Tarefa"}], [], [], [], [{"text": "base de dados IEMOCAP", "type": "Material"}, {"text": "avaliações emocionais discretas -LRB- categóricas -RRB- e contínuas -LRB- de atributos -RRB-", "type": "Tarefa"}], [{"text": "expressão e perceção da emoção", "type": "Outros Termos Científicos"}], [{"text": "base de dados", "type": "Genérico"}, {"text": "espaço de ativação-valência", "type": "Outros Termos Científicos"}]], "relations": [[], [], [], [], [{"head": "base de dados IEMOCAP", "tail": "avaliações emocionais discretas -LRB- categóricas -RRB- e contínuas -LRB- de atributos -RRB-", "relation": "Usado-para"}], [], []], "clusters": [["base de dados IEMOCAP", "base de dados"]]}
{"doc_id": "ICASSP_2016_11_abs", "text": "O problema da separação cega de misturas instantâneas indeterminadas de sinais independentes é abordado através de um método que se baseia na não estacionaridade dos sinais originais. Assume-se que os sinais são por troços estacionários com variâncias variáveis em diferentes épocas. Em comparação com trabalhos anteriores, neste artigo assume-se que os sinais não são i.i.d. em cada época, mas obedecem a um modelo autorregressivo de primeira ordem. Mostrou-se que este modelo é mais adequado para a separação cega de sinais de fala natural. É proposto um método de separação que é quase estatisticamente eficiente (aproximando-se do correspondente limite inferior de Cramér-Rao), caso os sinais separados obedeçam ao modelo assumido. No caso de sinais de fala natural, mostra-se que o método tem uma precisão de separação melhor do que os métodos de última geração.", "ner": [[{"text": "separação cega de misturas instantâneas indeterminadas de sinais independentes", "type": "Tarefa"}, {"text": "método", "type": "Genérico"}, {"text": "não estacionaridade", "type": "Outros Termos Científicos"}, {"text": "sinais originais", "type": "Outros Termos Científicos"}], [{"text": "sinais", "type": "Genérico"}], [{"text": "sinais", "type": "Genérico"}, {"text": "modelo autorregressivo de primeira ordem", "type": "Método"}], [{"text": "modelo", "type": "Genérico"}, {"text": "separação cega de sinais de fala natural.", "type": "Tarefa"}], [{"text": "método de separação", "type": "Método"}, {"text": "limite inferior de Cramér-Rao)", "type": "Outros Termos Científicos"}, {"text": "modelo assumido", "type": "Genérico"}], [{"text": "sinais de fala natural", "type": "Outros Termos Científicos"}, {"text": "método", "type": "Genérico"}, {"text": "precisão de separação", "type": "Métrica"}, {"text": "métodos", "type": "Genérico"}]], "relations": [[{"head": "método", "tail": "separação cega de misturas instantâneas indeterminadas de sinais independentes", "relation": "Usado-para"}, {"head": "não estacionaridade", "tail": "método", "relation": "Usado-para"}], [], [{"head": "modelo autorregressivo de primeira ordem", "tail": "sinais", "relation": "Usado-para"}], [{"head": "modelo", "tail": "separação cega de sinais de fala natural.", "relation": "Usado-para"}], [{"head": "limite inferior de Cramér-Rao)", "tail": "método de separação", "relation": "Característica-de"}], [{"head": "método", "tail": "sinais de fala natural", "relation": "Usado-para"}, {"head": "método", "tail": "métodos", "relation": "Comparado-com"}, {"head": "precisão de separação", "tail": "método", "relation": "Avaliado-para"}, {"head": "precisão de separação", "tail": "métodos", "relation": "Avaliado-para"}, {"head": "métodos", "tail": "sinais de fala natural", "relation": "Usado-para"}]], "clusters": [["modelo autorregressivo de primeira ordem", "modelo", "modelo assumido"], ["sinais originais", "sinais", "sinais"], ["método de separação", "método"]]}
{"doc_id": "N06-1037", "text": "Este artigo propõe usar um kernel de convolução sobre árvores de análise sintática para modelar informação de estrutura sintáctica para extração de relações. O nosso estudo revela que as características de estrutura sintáctica incorporadas numa árvore de análise sintática são muito eficazes para a extração de relações e que estas características podem ser bem capturadas pelo kernel de árvore de convolução. A avaliação no corpus ACE 2003 mostra que o kernel de convolução sobre árvores de análise sintática pode alcançar um desempenho comparável com os anteriores melhores métodos baseados em características reportados nos 24 subtipos de relações ACE. Mostra também que o nosso método supera significativamente os dois anteriores kernels de árvores de dependências nos 5 tipos principais de relações ACE.", "ner": [[{"text": "kernel de convolução sobre árvores de análise sintática", "type": "Método"}, {"text": "informação de estrutura sintáctica", "type": "Outros Termos Científicos"}, {"text": "extração de relações", "type": "Tarefa"}], [{"text": "características de estrutura sintáctica", "type": "Outros Termos Científicos"}, {"text": "árvore de análise sintática", "type": "Outros Termos Científicos"}, {"text": "extração de relações", "type": "Tarefa"}, {"text": "características", "type": "Genérico"}, {"text": "kernel de árvore de convolução", "type": "Método"}], [{"text": "corpus ACE 2003", "type": "Material"}, {"text": "kernel de convolução sobre árvores de análise sintática", "type": "Método"}, {"text": "métodos baseados em características", "type": "Método"}], [{"text": "método", "type": "Genérico"}, {"text": "kernels de árvores de dependências", "type": "Método"}]], "relations": [[{"head": "kernel de convolução sobre árvores de análise sintática", "tail": "informação de estrutura sintáctica", "relation": "Usado-para"}, {"head": "informação de estrutura sintáctica", "tail": "extração de relações", "relation": "Usado-para"}], [{"head": "características de estrutura sintáctica", "tail": "árvore de análise sintática", "relation": "Característica-de"}, {"head": "características de estrutura sintáctica", "tail": "extração de relações", "relation": "Usado-para"}, {"head": "kernel de árvore de convolução", "tail": "características", "relation": "Usado-para"}], [{"head": "corpus ACE 2003", "tail": "kernel de convolução sobre árvores de análise sintática", "relation": "Avaliado-para"}, {"head": "métodos baseados em características", "tail": "kernel de convolução sobre árvores de análise sintática", "relation": "Comparado-com"}], [{"head": "método", "tail": "kernels de árvores de dependências", "relation": "Comparado-com"}]], "clusters": [["kernel de convolução sobre árvores de análise sintática", "kernel de árvore de convolução", "kernel de convolução sobre árvores de análise sintática", "método"], ["características de estrutura sintáctica", "características"]]}
{"doc_id": "P05-2013", "text": "Este artigo apresenta os resultados da indução automática de um léxico de Gramática Categorial Combinatória -LRB- CCG -RRB- a partir de uma árvore de dependências do turco. O facto de o turco ser uma língua aglutinante de ordem livre das palavras representa um desafio para as teorias da linguagem. Explorámos possíveis formas de obter um léxico compacto, consistente com os princípios da CCG, a partir de uma árvore de dependências que é uma ordem de magnitude mais pequena do que o Penn WSJ.", "ner": [[{"text": "indução automática de um léxico de Gramática Categorial Combinatória -LRB- CCG -RRB-", "type": "Tarefa"}, {"text": "léxico de Gramática Categorial Combinatória -LRB- CCG -RRB-", "type": "Outros Termos Científicos"}, {"text": "árvore de dependências do turco", "type": "Material"}], [{"text": "turco", "type": "Material"}, {"text": "língua aglutinante de ordem livre das palavras", "type": "Material"}, {"text": "teorias da linguagem", "type": "Método"}], [{"text": "léxico compacto", "type": "Outros Termos Científicos"}, {"text": "princípios da CCG", "type": "Método"}, {"text": "árvore de dependências", "type": "Genérico"}, {"text": "Penn WSJ", "type": "Material"}]], "relations": [[{"head": "léxico de Gramática Categorial Combinatória -LRB- CCG -RRB-", "tail": "árvore de dependências do turco", "relation": "Parte-de"}], [{"head": "turco", "tail": "língua aglutinante de ordem livre das palavras", "relation": "Hipónimo-de"}], [{"head": "léxico compacto", "tail": "árvore de dependências", "relation": "Parte-de"}, {"head": "árvore de dependências", "tail": "Penn WSJ", "relation": "Comparado-com"}]], "clusters": []}
{"doc_id": "C04-1128", "text": "Embora a extração de frases , como abordagem à sumarização , tenha demonstrado funcionar em documentos de certos géneros , devido à natureza conversacional da comunicação por email , em que os enunciados são feitos em relação a um produzido anteriormente , a extração de frases pode não capturar os segmentos necessários do diálogo que tornariam um resumo coerente . Neste artigo , apresentamos o nosso trabalho sobre a deteção de pares pergunta-resposta numa conversa de email para a tarefa de sumarização de emails . Mostramos que várias caraterísticas baseadas na estrutura de threads de email podem ser usadas para melhorar a similaridade lexical de segmentos do discurso para o emparelhamento pergunta-resposta .", "ner": [[{"text": "extração de frases", "type": "Método"}, {"text": "sumarização", "type": "Tarefa"}, {"text": "comunicação por email", "type": "Material"}, {"text": "extração de frases", "type": "Método"}], [{"text": "deteção de pares pergunta-resposta", "type": "Tarefa"}, {"text": "conversa de email", "type": "Material"}, {"text": "sumarização de emails", "type": "Tarefa"}], [{"text": "caraterísticas", "type": "Outros Termos Científicos"}, {"text": "estrutura de threads de email", "type": "Outros Termos Científicos"}, {"text": "similaridade lexical", "type": "Outros Termos Científicos"}, {"text": "segmentos do discurso", "type": "Outros Termos Científicos"}, {"text": "emparelhamento pergunta-resposta", "type": "Tarefa"}]], "relations": [[{"head": "extração de frases", "tail": "sumarização", "relation": "Usado-para"}], [{"head": "deteção de pares pergunta-resposta", "tail": "sumarização de emails", "relation": "Usado-para"}, {"head": "conversa de email", "tail": "deteção de pares pergunta-resposta", "relation": "Usado-para"}], [{"head": "caraterísticas", "tail": "similaridade lexical", "relation": "Usado-para"}, {"head": "caraterísticas", "tail": "emparelhamento pergunta-resposta", "relation": "Usado-para"}, {"head": "estrutura de threads de email", "tail": "caraterísticas", "relation": "Usado-para"}, {"head": "similaridade lexical", "tail": "segmentos do discurso", "relation": "Característica-de"}]], "clusters": [["extração de frases", "extração de frases"]]}
{"doc_id": "CVPR_2006_10_abs", "text": "Neste artigo discutimos a deteção de objetos quando é dado apenas um pequeno número de exemplos de treino. Especificamente, mostramos como incorporar um simples prior sobre a distribuição de imagens naturais em máquinas de vectores de suporte. As SVM são conhecidas por serem robustas ao sobreajustamento; no entanto, alguns exemplos de treino normalmente não representam bem a estrutura da classe. Assim, os detetores resultantes não são robustos e dependem fortemente da escolha dos exemplos de treino. Incorporamos o prior sobre imagens naturais exigindo que o hiperplano separador não só produza uma margem larga, mas também que o correspondente semiespaço positivo tenha uma probabilidade baixa de conter imagens naturais (o fundo). As nossas experiências em conjuntos de dados reais mostram que o detetor resultante é mais robusto à escolha dos exemplos de treino e melhora substancialmente as SVM lineares e com kernel quando treinado com 10 exemplos positivos e 10 negativos.", "ner": [[{"text": "deteção de objetos", "type": "Tarefa"}], [{"text": "prior sobre a distribuição de imagens naturais", "type": "Outros Termos Científicos"}, {"text": "máquinas de vectores de suporte", "type": "Método"}], [{"text": "SVM", "type": "Método"}, {"text": "sobreajustamento", "type": "Outros Termos Científicos"}], [{"text": "detetores", "type": "Método"}], [{"text": "prior sobre imagens naturais", "type": "Outros Termos Científicos"}, {"text": "hiperplano", "type": "Outros Termos Científicos"}], [{"text": "conjuntos de dados reais", "type": "Material"}, {"text": "detetor", "type": "Método"}, {"text": "SVM lineares e com kernel", "type": "Método"}]], "relations": [[], [{"head": "prior sobre a distribuição de imagens naturais", "tail": "máquinas de vectores de suporte", "relation": "Usado-para"}], [{"head": "SVM", "tail": "sobreajustamento", "relation": "Usado-para"}], [], [], [{"head": "conjuntos de dados reais", "tail": "detetor", "relation": "Avaliado-para"}, {"head": "detetor", "tail": "SVM lineares e com kernel", "relation": "Comparado-com"}]], "clusters": [["detetores", "detetor"], ["máquinas de vectores de suporte", "SVM"]]}
{"doc_id": "NIPS_2002_11_abs", "text": "Embora o estudo de agrupamento esteja centrado em torno de um objetivo intuitivamente convincente, tem sido muito difícil desenvolver um enquadramento unificado para raciocinar sobre ele a um nível técnico, e abordagens profundamente diversas ao agrupamento abundam na comunidade de investigação. Aqui sugerimos uma perspetiva formal sobre a dificuldade em encontrar tal unificação, na forma de um teorema de impossibilidade: para um conjunto de três propriedades simples, mostramos que não existe qualquer função de agrupamento que satisfaça todas as três. Relaxações destas propriedades expõem alguns dos interessantes (e inevitáveis) compromissos em jogo em técnicas de agrupamento bem estudadas, como single-linkage, sum-of-pairs, k-means e k-median.", "ner": [[{"text": "agrupamento", "type": "Tarefa"}, {"text": "enquadramento unificado", "type": "Método"}, {"text": "raciocinar", "type": "Tarefa"}], [{"text": "unificação", "type": "Método"}, {"text": "teorema de impossibilidade", "type": "Método"}, {"text": "função de agrupamento", "type": "Outros Termos Científicos"}], [{"text": "técnicas de agrupamento bem estudadas", "type": "Método"}, {"text": "single-linkage", "type": "Método"}, {"text": "sum-of-pairs", "type": "Método"}, {"text": "k-means", "type": "Método"}, {"text": "k-median", "type": "Método"}]], "relations": [[{"head": "enquadramento unificado", "tail": "raciocinar", "relation": "Usado-para"}], [], [{"head": "single-linkage", "tail": "técnicas de agrupamento bem estudadas", "relation": "Hipónimo-de"}, {"head": "single-linkage", "tail": "sum-of-pairs", "relation": "Conjunção"}, {"head": "sum-of-pairs", "tail": "técnicas de agrupamento bem estudadas", "relation": "Hipónimo-de"}, {"head": "sum-of-pairs", "tail": "k-means", "relation": "Conjunção"}, {"head": "k-means", "tail": "técnicas de agrupamento bem estudadas", "relation": "Hipónimo-de"}, {"head": "k-means", "tail": "k-median", "relation": "Conjunção"}, {"head": "k-median", "tail": "técnicas de agrupamento bem estudadas", "relation": "Hipónimo-de"}]], "clusters": [["enquadramento unificado", "unificação"]]}
{"doc_id": "P06-3007", "text": "Investigamos abordagens de sumarização extrativa multi-documento independentes e relevantes baseadas em eventos. Neste artigo, eventos são definidos como termos de evento e elementos de evento associados. Com a abordagem independente, identificamos conteúdos importantes pela frequência dos eventos. Com a abordagem relevante, identificamos conteúdos importantes através do algoritmo PageRank no mapa de eventos construído a partir dos documentos. Os resultados experimentais são encorajadores.", "ner": [[{"text": "abordagens de sumarização extrativa multi-documento independentes e relevantes baseadas em eventos", "type": "Método"}], [], [{"text": "abordagem independente", "type": "Método"}], [{"text": "abordagem relevante", "type": "Método"}, {"text": "algoritmo PageRank", "type": "Método"}, {"text": "mapa de eventos", "type": "Outros Termos Científicos"}, {"text": "documentos", "type": "Material"}], []], "relations": [[], [], [], [{"head": "algoritmo PageRank", "tail": "abordagem relevante", "relation": "Usado-para"}, {"head": "mapa de eventos", "tail": "algoritmo PageRank", "relation": "Usado-para"}, {"head": "documentos", "tail": "mapa de eventos", "relation": "Usado-para"}], []], "clusters": []}
{"doc_id": "ICCV_2013_25_abs", "text": "Apresentamos um método de varrimento que recupera uma correspondência densa sub-pixel câmara–projetor sem requerer qualquer calibração fotométrica nem conhecimento preliminar da sua geometria relativa. A precisão sub-pixel é obtida considerando vários cruzamentos por zero definidos pela diferença entre pares de padrões não estruturados. Usamos padrões de ruído branco passa-banda de nível de cinzento que aumentam a robustez à iluminação indireta e às descontinuidades da cena. Resultados simulados e experimentais mostram que o nosso método recupera a geometria da cena com elevada precisão sub-pixel e que consegue lidar com muitos desafios dos sistemas de reconstrução ativa. Comparamos os nossos resultados com métodos de estado da arte, tais como deslocamento de fase micro e deslocamento de fase modulado.", "ner": [[{"text": "método de varrimento", "type": "Método"}, {"text": "correspondência densa sub-pixel câmara–projetor", "type": "Outros Termos Científicos"}, {"text": "calibração fotométrica", "type": "Outros Termos Científicos"}, {"text": "geometria relativa", "type": "Outros Termos Científicos"}], [{"text": "precisão sub-pixel", "type": "Métrica"}, {"text": "cruzamentos por zero", "type": "Outros Termos Científicos"}, {"text": "padrões não estruturados", "type": "Outros Termos Científicos"}], [{"text": "padrões de ruído branco passa-banda de nível de cinzento", "type": "Outros Termos Científicos"}, {"text": "robustez", "type": "Métrica"}, {"text": "iluminação indireta", "type": "Outros Termos Científicos"}, {"text": "descontinuidades da cena", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "geometria da cena", "type": "Outros Termos Científicos"}, {"text": "precisão sub-pixel", "type": "Métrica"}, {"text": "ele", "type": "Genérico"}, {"text": "sistemas de reconstrução ativa", "type": "Tarefa"}], [{"text": "métodos de estado da arte", "type": "Genérico"}, {"text": "deslocamento de fase micro", "type": "Método"}, {"text": "deslocamento de fase modulado", "type": "Método"}]], "relations": [[{"head": "método de varrimento", "tail": "correspondência densa sub-pixel câmara–projetor", "relation": "Usado-para"}], [{"head": "cruzamentos por zero", "tail": "precisão sub-pixel", "relation": "Usado-para"}], [{"head": "robustez", "tail": "padrões de ruído branco passa-banda de nível de cinzento", "relation": "Avaliado-para"}, {"head": "iluminação indireta", "tail": "robustez", "relation": "Característica-de"}, {"head": "iluminação indireta", "tail": "descontinuidades da cena", "relation": "Conjunção"}, {"head": "descontinuidades da cena", "tail": "robustez", "relation": "Característica-de"}], [{"head": "método", "tail": "geometria da cena", "relation": "Usado-para"}, {"head": "precisão sub-pixel", "tail": "geometria da cena", "relation": "Característica-de"}, {"head": "ele", "tail": "sistemas de reconstrução ativa", "relation": "Usado-para"}], [{"head": "deslocamento de fase micro", "tail": "métodos de estado da arte", "relation": "Hipónimo-de"}, {"head": "deslocamento de fase micro", "tail": "deslocamento de fase modulado", "relation": "Conjunção"}, {"head": "deslocamento de fase modulado", "tail": "métodos de estado da arte", "relation": "Hipónimo-de"}]], "clusters": [["método de varrimento", "método", "ele"]]}
{"doc_id": "P05-1076", "text": "Este artigo descreve um novo sistema para adquirir molduras de subcategorização adjetival -LRB- scfs -RRB- e informação de frequência associada a partir de dados de corpus em inglês. O sistema incorpora um classificador em árvore de decisão para 30 tipos de scf que testa a presença de relações gramaticais -LRB- grs -RRB- na saída de um analisador estatístico robusto. Ele utiliza uma poderosa linguagem de correspondência de padrões para classificar grs em molduras de forma hierárquica, de um modo que espelha léxicos baseados em herança. As experiências mostram que o sistema é capaz de detetar tipos de scf com 70 % de precisão e 66 % de revocação. É também introduzida uma nova ferramenta para anotação linguística de scfs em dados de corpus, que pode aliviar consideravelmente o processo de obtenção de dados de treino e teste para aquisição de subcategorização.", "ner": [[{"text": "sistema", "type": "Genérico"}, {"text": "adquirir molduras de subcategorização adjetival -LRB- scfs -RRB-", "type": "Tarefa"}, {"text": "molduras de subcategorização adjetival -LRB- scfs -RRB-", "type": "Outros Termos Científicos"}, {"text": "dados de corpus em inglês", "type": "Material"}], [{"text": "sistema", "type": "Genérico"}, {"text": "classificador em árvore de decisão", "type": "Método"}, {"text": "relações gramaticais -LRB- grs -RRB-", "type": "Outros Termos Científicos"}, {"text": "analisador estatístico robusto", "type": "Método"}], [{"text": "Ele", "type": "Genérico"}, {"text": "linguagem de correspondência de padrões", "type": "Outros Termos Científicos"}, {"text": "grs", "type": "Outros Termos Científicos"}, {"text": "léxicos baseados em herança", "type": "Outros Termos Científicos"}], [{"text": "sistema", "type": "Genérico"}, {"text": "precisão", "type": "Métrica"}, {"text": "revocação", "type": "Métrica"}], [{"text": "ferramenta", "type": "Genérico"}, {"text": "anotação linguística de scfs", "type": "Tarefa"}, {"text": "scfs", "type": "Outros Termos Científicos"}, {"text": "dados de treino e teste", "type": "Material"}, {"text": "aquisição de subcategorização", "type": "Tarefa"}]], "relations": [[{"head": "sistema", "tail": "adquirir molduras de subcategorização adjetival -LRB- scfs -RRB-", "relation": "Usado-para"}], [{"head": "classificador em árvore de decisão", "tail": "sistema", "relation": "Parte-de"}, {"head": "classificador em árvore de decisão", "tail": "relações gramaticais -LRB- grs -RRB-", "relation": "Usado-para"}], [{"head": "linguagem de correspondência de padrões", "tail": "Ele", "relation": "Usado-para"}, {"head": "linguagem de correspondência de padrões", "tail": "grs", "relation": "Usado-para"}], [{"head": "precisão", "tail": "sistema", "relation": "Avaliado-para"}, {"head": "precisão", "tail": "revocação", "relation": "Conjunção"}, {"head": "revocação", "tail": "sistema", "relation": "Avaliado-para"}], [{"head": "ferramenta", "tail": "anotação linguística de scfs", "relation": "Usado-para"}, {"head": "dados de treino e teste", "tail": "aquisição de subcategorização", "relation": "Usado-para"}]], "clusters": [["sistema", "sistema", "Ele", "sistema"], ["relações gramaticais -LRB- grs -RRB-", "grs"], ["adquirir molduras de subcategorização adjetival -LRB- scfs -RRB-", "aquisição de subcategorização"], ["molduras de subcategorização adjetival -LRB- scfs -RRB-", "scfs"]]}
{"doc_id": "C04-1103", "text": "A transliteração/retrotransliteração automática desempenha um papel importante em muitas aplicações multilingues de fala e linguagem. Neste artigo, é apresentado um novo enquadramento para transliteração/retrotransliteração automática que nos permite efetuar mapeamento ortográfico direto -LRB- DOM -RRB- entre duas línguas diferentes. Sob este enquadramento, é ainda proposto um modelo conjunto de transliteração fonte-canal, também chamado modelo de transliteração por n-gramas -LRB- n-gram TM -RRB-, para modelar o processo de transliteração. Avaliamos os métodos propostos através de várias experiências de transliteração/retrotransliteração para pares de línguas Inglês/Chinês e Inglês/Japonês. O nosso estudo revela que o método proposto não só reduz um esforço extensivo de desenvolvimento de sistema, como também melhora significativamente a exatidão da transliteração.", "ner": [[{"text": "transliteração/retrotransliteração automática", "type": "Tarefa"}, {"text": "aplicações multilingues de fala e linguagem", "type": "Tarefa"}], [{"text": "enquadramento", "type": "Genérico"}, {"text": "transliteração/retrotransliteração automática", "type": "Tarefa"}, {"text": "mapeamento ortográfico direto -LRB- DOM -RRB-", "type": "Método"}], [{"text": "enquadramento", "type": "Genérico"}, {"text": "modelo conjunto de transliteração fonte-canal", "type": "Método"}, {"text": "modelo de transliteração por n-gramas -LRB- n-gram TM -RRB-", "type": "Método"}, {"text": "processo de transliteração", "type": "Método"}], [{"text": "métodos", "type": "Genérico"}, {"text": "transliteração/retrotransliteração", "type": "Tarefa"}, {"text": "pares de línguas Inglês/Chinês e Inglês/Japonês", "type": "Material"}], [{"text": "método", "type": "Genérico"}, {"text": "exatidão da transliteração", "type": "Métrica"}]], "relations": [[{"head": "transliteração/retrotransliteração automática", "tail": "aplicações multilingues de fala e linguagem", "relation": "Usado-para"}], [{"head": "enquadramento", "tail": "transliteração/retrotransliteração automática", "relation": "Usado-para"}, {"head": "transliteração/retrotransliteração automática", "tail": "mapeamento ortográfico direto -LRB- DOM -RRB-", "relation": "Usado-para"}], [{"head": "enquadramento", "tail": "modelo conjunto de transliteração fonte-canal", "relation": "Usado-para"}, {"head": "modelo de transliteração por n-gramas -LRB- n-gram TM -RRB-", "tail": "processo de transliteração", "relation": "Usado-para"}], [{"head": "transliteração/retrotransliteração", "tail": "métodos", "relation": "Avaliado-para"}, {"head": "transliteração/retrotransliteração", "tail": "pares de línguas Inglês/Chinês e Inglês/Japonês", "relation": "Usado-para"}], [{"head": "exatidão da transliteração", "tail": "método", "relation": "Avaliado-para"}]], "clusters": [["modelo conjunto de transliteração fonte-canal", "modelo de transliteração por n-gramas -LRB- n-gram TM -RRB-", "métodos", "método"], ["enquadramento", "enquadramento"], ["transliteração/retrotransliteração automática", "transliteração/retrotransliteração automática", "transliteração/retrotransliteração"]]}
{"doc_id": "NIPS_2002_18_abs", "text": "Um modelo bio-inspirado para um processador de matriz programável analógico -LRB- APAP -RRB-, baseado em estudos sobre a retina de vertebrados, permitiu a realização de dinâmicas espácio-temporais programáveis complexas em VLSI. Este modelo imita a forma como as imagens são processadas na via visual, oferecendo uma alternativa viável para a implementação de aplicações de visão inicial em tecnologias padrão. Um chip protótipo foi concebido e fabricado num processo CMOS padrão de 0,5 µm. A capacidade de computação por área e o consumo de energia estão entre os mais elevados reportados para um único chip. Os desafios de conceção, compromissos e alguns resultados experimentais são apresentados neste artigo.", "ner": [[{"text": "modelo bio-inspirado", "type": "Método"}, {"text": "processador de matriz programável analógico -LRB- APAP -RRB-", "type": "Tarefa"}, {"text": "retina de vertebrados", "type": "Outros Termos Científicos"}, {"text": "dinâmicas espácio-temporais programáveis complexas", "type": "Outros Termos Científicos"}, {"text": "VLSI", "type": "Tarefa"}], [{"text": "modelo", "type": "Genérico"}, {"text": "imagens", "type": "Material"}, {"text": "via visual", "type": "Método"}, {"text": "aplicações de visão inicial", "type": "Tarefa"}], [{"text": "chip protótipo", "type": "Outros Termos Científicos"}, {"text": "processo CMOS", "type": "Outros Termos Científicos"}], [{"text": "capacidade de computação por área", "type": "Métrica"}, {"text": "consumo de energia", "type": "Métrica"}], []], "relations": [[{"head": "modelo bio-inspirado", "tail": "processador de matriz programável analógico -LRB- APAP -RRB-", "relation": "Usado-para"}, {"head": "modelo bio-inspirado", "tail": "dinâmicas espácio-temporais programáveis complexas", "relation": "Usado-para"}, {"head": "retina de vertebrados", "tail": "modelo bio-inspirado", "relation": "Usado-para"}, {"head": "dinâmicas espácio-temporais programáveis complexas", "tail": "VLSI", "relation": "Característica-de"}], [{"head": "via visual", "tail": "imagens", "relation": "Usado-para"}], [], [{"head": "capacidade de computação por área", "tail": "consumo de energia", "relation": "Conjunção"}], []], "clusters": [["modelo bio-inspirado", "modelo"]]}
{"doc_id": "C86-1081", "text": "Determinantes desempenham um papel importante na transmissão do significado de um enunciado, mas têm sido frequentemente negligenciados, talvez porque parecia mais importante conceber métodos para apreender o significado global de uma frase, mesmo que não de forma precisa. Outro problema com os determinantes é a sua ambiguidade inerente. Neste artigo propomos um formalismo lógico que, entre outras coisas, é adequado para representar determinantes sem impor uma interpretação particular quando o seu significado ainda não é claro.", "ner": [[{"text": "Determinantes", "type": "Método"}], [{"text": "determinantes", "type": "Método"}, {"text": "ambiguidade", "type": "Outros Termos Científicos"}], [{"text": "formalismo lógico", "type": "Método"}, {"text": "determinantes", "type": "Tarefa"}]], "relations": [[], [{"head": "ambiguidade", "tail": "determinantes", "relation": "Característica-de"}], [{"head": "formalismo lógico", "tail": "determinantes", "relation": "Usado-para"}]], "clusters": [["Determinantes", "determinantes", "determinantes"]]}
{"doc_id": "P03-1070", "text": "Investigamos os meios verbais e não verbais para o alinhamento conceptual, e propomos um desenho de agentes conversacionais incorporados que recorre a ambos os tipos de sinais para estabelecer terreno comum na interação humano-computador. Analisámos o olhar, os acenos de cabeça e o foco atencional no contexto de uma tarefa de dar direções. A distribuição dos comportamentos não verbais diferia consoante o tipo de movimento de diálogo que estava a ser alinhado, e o padrão geral reflectia uma monitorização da ausência de feedback negativo. Com base nestes resultados, apresentamos um ECA que utiliza atos de alinhamento conceptual verbais e não verbais para atualizar o estado do diálogo.", "ner": [[{"text": "meios verbais e não verbais", "type": "Método"}, {"text": "alinhamento conceptual", "type": "Tarefa"}, {"text": "desenho", "type": "Genérico"}, {"text": "agentes conversacionais incorporados", "type": "Método"}, {"text": "terreno comum", "type": "Tarefa"}, {"text": "interação humano-computador", "type": "Tarefa"}], [{"text": "olhar", "type": "Outros Termos Científicos"}, {"text": "acenos de cabeça", "type": "Outros Termos Científicos"}, {"text": "foco atencional", "type": "Outros Termos Científicos"}, {"text": "tarefa de dar direções", "type": "Tarefa"}], [{"text": "comportamentos não verbais", "type": "Outros Termos Científicos"}, {"text": "movimento de diálogo", "type": "Outros Termos Científicos"}, {"text": "feedback negativo", "type": "Outros Termos Científicos"}], [{"text": "ECA", "type": "Método"}, {"text": "atos de alinhamento conceptual verbais e não verbais", "type": "Outros Termos Científicos"}, {"text": "estado do diálogo", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "meios verbais e não verbais", "tail": "alinhamento conceptual", "relation": "Usado-para"}, {"head": "desenho", "tail": "agentes conversacionais incorporados", "relation": "Usado-para"}, {"head": "terreno comum", "tail": "interação humano-computador", "relation": "Usado-para"}], [{"head": "olhar", "tail": "acenos de cabeça", "relation": "Conjunção"}, {"head": "olhar", "tail": "tarefa de dar direções", "relation": "Parte-de"}, {"head": "acenos de cabeça", "tail": "foco atencional", "relation": "Conjunção"}, {"head": "acenos de cabeça", "tail": "tarefa de dar direções", "relation": "Parte-de"}, {"head": "foco atencional", "tail": "tarefa de dar direções", "relation": "Parte-de"}], [], [{"head": "atos de alinhamento conceptual verbais e não verbais", "tail": "ECA", "relation": "Usado-para"}, {"head": "atos de alinhamento conceptual verbais e não verbais", "tail": "estado do diálogo", "relation": "Usado-para"}]], "clusters": []}
{"doc_id": "P05-1056", "text": "A deteção de fronteiras de frases na fala é importante para enriquecer o output de reconhecimento de fala, tornando-o mais fácil de ler para os humanos e de processar para os módulos subsequentes. Em trabalho anterior, desenvolvemos classificadores de modelo de Markov escondido -LRB- HMM -RRB- e de máxima entropia -LRB- Maxent -RRB- que integram fontes de conhecimento textuais e prosódicas para detetar fronteiras de frases. Neste artigo, avaliamos o uso de um campo aleatório condicional -LRB- CRF -RRB- para esta tarefa e relacionamos os resultados obtidos com este modelo com o nosso trabalho anterior. Avaliamos em dois corpora -LRB- fala telefónica conversacional e fala de notícias difundidas -RRB-, tanto em transcrições humanas como em output de reconhecimento de fala. Em geral, o nosso modelo CRF apresenta uma taxa de erro mais baixa do que os modelos HMM e Max-ent na tarefa NIST de deteção de fronteiras de frases na fala, embora seja interessante notar que os melhores resultados são obtidos através de votação a três entre os classificadores. Isto provavelmente ocorre porque cada modelo tem diferentes pontos fortes e fracos para modelar as fontes de conhecimento.", "ner": [[{"text": "deteção de fronteiras de frases", "type": "Tarefa"}, {"text": "fala", "type": "Material"}, {"text": "output de reconhecimento de fala", "type": "Outros Termos Científicos"}, {"text": "o", "type": "Genérico"}], [{"text": "classificadores de modelo de Markov escondido -LRB- HMM -RRB- e de máxima entropia -LRB- Maxent -RRB-", "type": "Método"}, {"text": "fontes de conhecimento textuais e prosódicas", "type": "Material"}, {"text": "detetar fronteiras de frases", "type": "Tarefa"}], [{"text": "campo aleatório condicional -LRB- CRF -RRB-", "type": "Método"}, {"text": "tarefa", "type": "Genérico"}, {"text": "modelo", "type": "Genérico"}], [{"text": "corpora", "type": "Genérico"}, {"text": "fala telefónica conversacional", "type": "Material"}, {"text": "fala de notícias difundidas", "type": "Material"}, {"text": "transcrições humanas", "type": "Outros Termos Científicos"}, {"text": "output de reconhecimento de fala", "type": "Outros Termos Científicos"}], [{"text": "modelo CRF", "type": "Método"}, {"text": "taxa de erro", "type": "Métrica"}, {"text": "modelos HMM e Max-ent", "type": "Método"}, {"text": "tarefa NIST de deteção de fronteiras de frases", "type": "Material"}, {"text": "fala", "type": "Material"}, {"text": "votação a três", "type": "Método"}, {"text": "classificadores", "type": "Método"}], [{"text": "modelo", "type": "Genérico"}, {"text": "fontes de conhecimento", "type": "Material"}]], "relations": [[{"head": "deteção de fronteiras de frases", "tail": "output de reconhecimento de fala", "relation": "Usado-para"}, {"head": "fala", "tail": "deteção de fronteiras de frases", "relation": "Usado-para"}], [{"head": "classificadores de modelo de Markov escondido -LRB- HMM -RRB- e de máxima entropia -LRB- Maxent -RRB-", "tail": "detetar fronteiras de frases", "relation": "Usado-para"}, {"head": "fontes de conhecimento textuais e prosódicas", "tail": "classificadores de modelo de Markov escondido -LRB- HMM -RRB- e de máxima entropia -LRB- Maxent -RRB-", "relation": "Usado-para"}], [{"head": "campo aleatório condicional -LRB- CRF -RRB-", "tail": "tarefa", "relation": "Usado-para"}], [{"head": "corpora", "tail": "transcrições humanas", "relation": "Avaliado-para"}, {"head": "corpora", "tail": "output de reconhecimento de fala", "relation": "Avaliado-para"}, {"head": "fala telefónica conversacional", "tail": "corpora", "relation": "Hipónimo-de"}, {"head": "fala telefónica conversacional", "tail": "fala de notícias difundidas", "relation": "Conjunção"}, {"head": "fala de notícias difundidas", "tail": "corpora", "relation": "Hipónimo-de"}, {"head": "transcrições humanas", "tail": "output de reconhecimento de fala", "relation": "Conjunção"}], [{"head": "modelo CRF", "tail": "modelos HMM e Max-ent", "relation": "Comparado-com"}, {"head": "taxa de erro", "tail": "modelo CRF", "relation": "Avaliado-para"}, {"head": "taxa de erro", "tail": "modelos HMM e Max-ent", "relation": "Avaliado-para"}, {"head": "tarefa NIST de deteção de fronteiras de frases", "tail": "modelo CRF", "relation": "Avaliado-para"}, {"head": "tarefa NIST de deteção de fronteiras de frases", "tail": "modelos HMM e Max-ent", "relation": "Avaliado-para"}, {"head": "fala", "tail": "tarefa NIST de deteção de fronteiras de frases", "relation": "Característica-de"}, {"head": "classificadores", "tail": "votação a três", "relation": "Usado-para"}], [{"head": "modelo", "tail": "fontes de conhecimento", "relation": "Usado-para"}]], "clusters": [["campo aleatório condicional -LRB- CRF -RRB-", "modelo", "modelo CRF"], ["deteção de fronteiras de frases", "detetar fronteiras de frases", "tarefa"], ["output de reconhecimento de fala", "o"]]}
{"doc_id": "CVPR_2011_11_abs", "text": "Propomos uma nova abordagem para associar objetos através de múltiplas câmaras PTZ que pode ser usada para realizar a transferência de câmara em cenários de vigilância de grandes áreas. Enquanto abordagens anteriores se baseavam em informação geométrica, de aparência ou baseada em correlação para estabelecer correspondências entre câmaras estáticas, cada uma delas tem limitações bem conhecidas e não é extensível a contextos de grandes áreas com câmaras PTZ. Na nossa abordagem, a câmara escrava apenas segue passivamente o alvo (por registo frouxo com a câmara mestre) e faz autoarranque a partir das suas próprias imagens de entrada, contornando assim de forma eficaz os problemas enfrentados por abordagens anteriores e evitando a necessidade de realizar qualquer transferência de modelo. Para este fim, também propomos uma nova formulação de Aprendizagem por Instâncias Múltiplas (MIL) para o problema, baseada na função softmax logística de características de região baseadas em covariância, num enquadramento de estimação MAP. Demonstramos a nossa abordagem com múltiplas sequências de câmaras PTZ em contextos de vigilância no exterior típicos e mostramos uma comparação com abordagens de última geração.", "ner": [[{"text": "abordagem", "type": "Genérico"}, {"text": "câmaras PTZ", "type": "Outros Termos Científicos"}, {"text": "transferência de câmara em cenários de vigilância de grandes áreas", "type": "Tarefa"}], [{"text": "abordagens", "type": "Genérico"}, {"text": "informação geométrica, de aparência ou baseada em correlação", "type": "Outros Termos Científicos"}, {"text": "câmaras estáticas", "type": "Outros Termos Científicos"}, {"text": "contextos de grandes áreas", "type": "Outros Termos Científicos"}, {"text": "câmaras PTZ", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "câmara escrava", "type": "Outros Termos Científicos"}, {"text": "abordagens", "type": "Genérico"}, {"text": "transferência de modelo", "type": "Outros Termos Científicos"}], [{"text": "formulação de Aprendizagem por Instâncias Múltiplas (MIL)", "type": "Método"}, {"text": "função softmax logística de características de região baseadas em covariância", "type": "Outros Termos Científicos"}, {"text": "enquadramento de estimação MAP", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "múltiplas sequências de câmaras PTZ", "type": "Outros Termos Científicos"}, {"text": "contextos de vigilância no exterior", "type": "Outros Termos Científicos"}, {"text": "abordagens de última geração", "type": "Genérico"}]], "relations": [[{"head": "abordagem", "tail": "transferência de câmara em cenários de vigilância de grandes áreas", "relation": "Usado-para"}], [{"head": "informação geométrica, de aparência ou baseada em correlação", "tail": "abordagens", "relation": "Usado-para"}], [], [{"head": "função softmax logística de características de região baseadas em covariância", "tail": "formulação de Aprendizagem por Instâncias Múltiplas (MIL)", "relation": "Usado-para"}, {"head": "enquadramento de estimação MAP", "tail": "formulação de Aprendizagem por Instâncias Múltiplas (MIL)", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "contextos de vigilância no exterior", "relation": "Usado-para"}, {"head": "abordagem", "tail": "abordagens de última geração", "relation": "Comparado-com"}, {"head": "múltiplas sequências de câmaras PTZ", "tail": "abordagem", "relation": "Usado-para"}]], "clusters": [["abordagens", "abordagens"], ["abordagem", "abordagem", "abordagem"]]}
{"doc_id": "ICML_2016_10_abs", "text": "Este artigo resolve um problema de regressão especializado para obter probabilidades de amostragem para registos em bases de dados. O objetivo é amostrar um pequeno conjunto de registos sobre o qual a avaliação de consultas agregadas possa ser feita de forma simultaneamente eficiente e precisa. Apresentamos uma solução fundamentada e demonstrável para este problema; é isenta de parâmetros e não requer conhecimento prévio sobre os dados. Ao contrário dos problemas de regressão padrão, a perda é inversamente proporcional aos valores de regressão-alvo. Além disso, existe sempre uma solução de custo zero, que apenas pode ser excluída por restrições orçamentais rígidas. É também necessária uma forma única de regularização. Apresentamos um simples e eficiente algoritmo de Minimização Empírica do Risco regularizada (ERM), juntamente com um resultado teórico de generalização. Os nossos extensivos resultados experimentais melhoram significativamente quer em relação à amostragem uniforme quer em relação à amostragem estratificada, que são de facto os padrões da indústria.", "ner": [[{"text": "problema de regressão especializado", "type": "Tarefa"}, {"text": "probabilidades de amostragem", "type": "Outros Termos Científicos"}, {"text": "registos", "type": "Material"}, {"text": "bases de dados", "type": "Material"}], [{"text": "registos", "type": "Material"}, {"text": "consultas agregadas", "type": "Outros Termos Científicos"}], [{"text": "solução fundamentada e demonstrável", "type": "Método"}, {"text": "problema", "type": "Genérico"}, {"text": "ela", "type": "Genérico"}], [{"text": "problemas de regressão", "type": "Tarefa"}, {"text": "perda", "type": "Outros Termos Científicos"}, {"text": "valores de regressão-alvo", "type": "Outros Termos Científicos"}], [{"text": "solução de custo zero", "type": "Método"}, {"text": "restrições orçamentais rígidas", "type": "Outros Termos Científicos"}], [{"text": "regularização", "type": "Outros Termos Científicos"}], [{"text": "algoritmo de Minimização Empírica do Risco regularizada (ERM)", "type": "Método"}], [{"text": "amostragem uniforme", "type": "Método"}, {"text": "amostragem estratificada", "type": "Método"}]], "relations": [[{"head": "problema de regressão especializado", "tail": "probabilidades de amostragem", "relation": "Usado-para"}, {"head": "probabilidades de amostragem", "tail": "registos", "relation": "Usado-para"}, {"head": "registos", "tail": "bases de dados", "relation": "Parte-de"}], [{"head": "consultas agregadas", "tail": "registos", "relation": "Avaliado-para"}], [{"head": "solução fundamentada e demonstrável", "tail": "problema", "relation": "Usado-para"}], [], [{"head": "restrições orçamentais rígidas", "tail": "solução de custo zero", "relation": "Usado-para"}], [], [], [{"head": "amostragem uniforme", "tail": "amostragem estratificada", "relation": "Conjunção"}]], "clusters": [["problema de regressão especializado", "problema"], ["solução fundamentada e demonstrável", "ela"], ["registos", "registos"]]}
{"doc_id": "C04-1011", "text": "Consideramos o problema de calcular a distância de Kullback-Leibler , também chamada a entropia relativa , entre uma gramática probabilística livre de contexto e um autómato finito probabilístico . Mostramos que existe uma solução em forma fechada -LRB- analítica -RRB- para uma parte da distância de Kullback-Leibler , nomeadamente a entropia cruzada . Discutimos várias aplicações do resultado ao problema da aproximação distribucional de gramáticas probabilísticas livres de contexto por meio de autómatos finitos probabilísticos .", "ner": [[{"text": "distância de Kullback-Leibler", "type": "Método"}, {"text": "entropia relativa", "type": "Método"}, {"text": "gramática probabilística livre de contexto", "type": "Método"}, {"text": "autómato finito probabilístico", "type": "Outros Termos Científicos"}], [{"text": "solução em forma fechada -LRB- analítica -RRB-", "type": "Método"}, {"text": "distância de Kullback-Leibler", "type": "Método"}, {"text": "entropia cruzada", "type": "Método"}], [{"text": "aproximação distribucional", "type": "Tarefa"}, {"text": "gramáticas probabilísticas livres de contexto", "type": "Método"}, {"text": "autómatos finitos probabilísticos", "type": "Método"}]], "relations": [[{"head": "gramática probabilística livre de contexto", "tail": "autómato finito probabilístico", "relation": "Comparado-com"}], [{"head": "solução em forma fechada -LRB- analítica -RRB-", "tail": "distância de Kullback-Leibler", "relation": "Usado-para"}, {"head": "solução em forma fechada -LRB- analítica -RRB-", "tail": "entropia cruzada", "relation": "Usado-para"}, {"head": "entropia cruzada", "tail": "distância de Kullback-Leibler", "relation": "Parte-de"}], [{"head": "aproximação distribucional", "tail": "gramáticas probabilísticas livres de contexto", "relation": "Característica-de"}, {"head": "autómatos finitos probabilísticos", "tail": "aproximação distribucional", "relation": "Usado-para"}]], "clusters": [["gramática probabilística livre de contexto", "gramáticas probabilísticas livres de contexto"], ["distância de Kullback-Leibler", "entropia relativa", "distância de Kullback-Leibler"], ["autómato finito probabilístico", "autómatos finitos probabilísticos"]]}
{"doc_id": "ECCV_2006_13_abs", "text": "Apesar de mais de duas décadas de investigação intensa, a invariância à iluminação e a invariância à pose continuam a ser um aspeto extremamente desafiante do reconhecimento facial para a maioria das aplicações práticas. O objetivo deste trabalho é reconhecer rostos utilizando sequências de vídeo tanto para treino como para a entrada de reconhecimento, num cenário realista e não condicionado em que a iluminação, a pose e o padrão de movimento do utilizador apresentam grande variabilidade e em que as imagens faciais têm baixa resolução. Em particular, existem três áreas de novidade: (i) mostramos como um modelo fotométrico da formação de imagem pode ser combinado com um modelo estatístico da variação genérica da aparência facial, aprendido offline, para generalizar na presença de alterações extremas de iluminação; (ii) usamos a suavidade da estrutura de variedades de aparência geodesicamente local e uma verosimilhança robusta de mesma identidade para obter invariância a poses de cabeça não vistas; e (iii) introduzimos um algoritmo de 'reiluminação' de sequências de vídeo para alcançar robustez aos padrões de movimento facial em vídeo. Descrevemos um sistema de reconhecimento totalmente automático baseado no método proposto e uma avaliação extensa em 171 indivíduos e mais de 1300 sequências de vídeo com extrema variação do movimento da cabeça, iluminação e pose. Neste conjunto de dados desafiante, o nosso sistema demonstrou consistentemente uma taxa de reconhecimento quase perfeita (acima de 99,7 % em todas as três bases de dados), superando significativamente software comercial e métodos do estado da arte na literatura.", "ner": [[{"text": "iluminação", "type": "Tarefa"}, {"text": "invariância à pose", "type": "Tarefa"}, {"text": "reconhecimento facial", "type": "Tarefa"}], [{"text": "sequências de vídeo", "type": "Material"}, {"text": "iluminação", "type": "Outros Termos Científicos"}, {"text": "pose", "type": "Outros Termos Científicos"}, {"text": "padrão de movimento do utilizador", "type": "Outros Termos Científicos"}, {"text": "imagens faciais", "type": "Material"}, {"text": "resolução", "type": "Métrica"}], [{"text": "modelo fotométrico", "type": "Método"}, {"text": "formação de imagem", "type": "Tarefa"}, {"text": "modelo estatístico", "type": "Método"}, {"text": "variação genérica da aparência facial", "type": "Tarefa"}, {"text": "alterações extremas de iluminação", "type": "Outros Termos Científicos"}, {"text": "suavidade", "type": "Outros Termos Científicos"}, {"text": "estrutura de variedades de aparência geodesicamente local", "type": "Outros Termos Científicos"}, {"text": "verosimilhança robusta de mesma identidade", "type": "Método"}, {"text": "poses de cabeça não vistas", "type": "Outros Termos Científicos"}, {"text": "algoritmo de 'reiluminação' de sequências de vídeo", "type": "Método"}, {"text": "robustez", "type": "Métrica"}, {"text": "padrões de movimento facial", "type": "Outros Termos Científicos"}, {"text": "vídeo", "type": "Material"}], [{"text": "sistema de reconhecimento totalmente automático", "type": "Método"}, {"text": "método", "type": "Genérico"}, {"text": "sequências de vídeo", "type": "Material"}, {"text": "iluminação", "type": "Outros Termos Científicos"}, {"text": "pose", "type": "Outros Termos Científicos"}, {"text": "variação do movimento da cabeça", "type": "Outros Termos Científicos"}], [{"text": "conjunto de dados", "type": "Genérico"}, {"text": "sistema", "type": "Genérico"}, {"text": "taxa de reconhecimento", "type": "Métrica"}, {"text": "bases de dados", "type": "Material"}, {"text": "software comercial", "type": "Método"}, {"text": "métodos", "type": "Genérico"}]], "relations": [[{"head": "iluminação", "tail": "invariância à pose", "relation": "Conjunção"}, {"head": "iluminação", "tail": "reconhecimento facial", "relation": "Parte-de"}, {"head": "invariância à pose", "tail": "reconhecimento facial", "relation": "Parte-de"}], [{"head": "iluminação", "tail": "pose", "relation": "Conjunção"}, {"head": "pose", "tail": "padrão de movimento do utilizador", "relation": "Conjunção"}, {"head": "resolução", "tail": "imagens faciais", "relation": "Característica-de"}], [{"head": "modelo fotométrico", "tail": "formação de imagem", "relation": "Usado-para"}, {"head": "modelo fotométrico", "tail": "modelo estatístico", "relation": "Conjunção"}, {"head": "modelo estatístico", "tail": "variação genérica da aparência facial", "relation": "Usado-para"}, {"head": "modelo estatístico", "tail": "alterações extremas de iluminação", "relation": "Usado-para"}, {"head": "suavidade", "tail": "estrutura de variedades de aparência geodesicamente local", "relation": "Característica-de"}, {"head": "estrutura de variedades de aparência geodesicamente local", "tail": "verosimilhança robusta de mesma identidade", "relation": "Conjunção"}, {"head": "robustez", "tail": "algoritmo de 'reiluminação' de sequências de vídeo", "relation": "Avaliado-para"}, {"head": "padrões de movimento facial", "tail": "robustez", "relation": "Característica-de"}, {"head": "padrões de movimento facial", "tail": "vídeo", "relation": "Parte-de"}], [{"head": "método", "tail": "sistema de reconhecimento totalmente automático", "relation": "Usado-para"}, {"head": "sequências de vídeo", "tail": "sistema de reconhecimento totalmente automático", "relation": "Avaliado-para"}, {"head": "iluminação", "tail": "sequências de vídeo", "relation": "Característica-de"}, {"head": "iluminação", "tail": "pose", "relation": "Conjunção"}, {"head": "pose", "tail": "sequências de vídeo", "relation": "Característica-de"}, {"head": "pose", "tail": "variação do movimento da cabeça", "relation": "Conjunção"}, {"head": "variação do movimento da cabeça", "tail": "sequências de vídeo", "relation": "Característica-de"}], [{"head": "conjunto de dados", "tail": "sistema", "relation": "Avaliado-para"}, {"head": "sistema", "tail": "software comercial", "relation": "Comparado-com"}, {"head": "sistema", "tail": "métodos", "relation": "Comparado-com"}, {"head": "taxa de reconhecimento", "tail": "sistema", "relation": "Avaliado-para"}, {"head": "software comercial", "tail": "métodos", "relation": "Conjunção"}]], "clusters": [["sequências de vídeo", "conjunto de dados"], ["sistema de reconhecimento totalmente automático", "sistema"]]}
{"doc_id": "N04-1022", "text": "Apresentamos a descodificação Minimum Bayes-Risk -LRB- MBR -RRB- para tradução automática estatística. Esta abordagem estatística visa minimizar a perda esperada de erros de tradução sob funções de perda que medem o desempenho da tradução. Descrevemos uma hierarquia de funções de perda que incorporam diferentes níveis de informação linguística a partir de cadeias de palavras, alinhamentos palavra-a-palavra de um sistema de TA e estrutura sintática a partir de árvores de análise sintática das frases na língua de origem e na língua de chegada. Relatamos o desempenho dos descodificadores MBR numa tarefa de tradução de chinês para inglês. Os nossos resultados mostram que a descodificação MBR pode ser usada para ajustar o desempenho da TA estatística para funções de perda específicas.", "ner": [[{"text": "descodificação Minimum Bayes-Risk -LRB- MBR -RRB-", "type": "Método"}, {"text": "tradução automática estatística", "type": "Tarefa"}], [{"text": "abordagem estatística", "type": "Método"}, {"text": "perda esperada", "type": "Outros Termos Científicos"}, {"text": "erros de tradução", "type": "Outros Termos Científicos"}, {"text": "funções de perda", "type": "Outros Termos Científicos"}, {"text": "tradução", "type": "Tarefa"}], [{"text": "funções de perda", "type": "Outros Termos Científicos"}, {"text": "informação linguística", "type": "Outros Termos Científicos"}, {"text": "alinhamentos palavra-a-palavra", "type": "Outros Termos Científicos"}, {"text": "sistema de TA", "type": "Método"}, {"text": "estrutura sintática", "type": "Outros Termos Científicos"}, {"text": "árvores de análise sintática", "type": "Outros Termos Científicos"}], [{"text": "descodificadores MBR", "type": "Método"}, {"text": "tarefa de tradução de chinês para inglês", "type": "Tarefa"}], [{"text": "descodificação MBR", "type": "Método"}, {"text": "TA estatística", "type": "Método"}, {"text": "funções de perda", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "descodificação Minimum Bayes-Risk -LRB- MBR -RRB-", "tail": "tradução automática estatística", "relation": "Usado-para"}], [{"head": "funções de perda", "tail": "tradução", "relation": "Avaliado-para"}], [{"head": "informação linguística", "tail": "funções de perda", "relation": "Usado-para"}, {"head": "alinhamentos palavra-a-palavra", "tail": "funções de perda", "relation": "Usado-para"}, {"head": "alinhamentos palavra-a-palavra", "tail": "sistema de TA", "relation": "Parte-de"}, {"head": "estrutura sintática", "tail": "funções de perda", "relation": "Usado-para"}, {"head": "árvores de análise sintática", "tail": "estrutura sintática", "relation": "Parte-de"}], [{"head": "descodificadores MBR", "tail": "tarefa de tradução de chinês para inglês", "relation": "Usado-para"}], [{"head": "descodificação MBR", "tail": "TA estatística", "relation": "Usado-para"}, {"head": "descodificação MBR", "tail": "funções de perda", "relation": "Usado-para"}]], "clusters": [["descodificação Minimum Bayes-Risk -LRB- MBR -RRB-", "abordagem estatística", "descodificadores MBR", "descodificação MBR"]]}
{"doc_id": "E89-1016", "text": "Este artigo apresenta uma discussão crítica das várias abordagens que têm sido utilizadas na avaliação de sistemas de Linguagem Natural. Concluímos que abordagens anteriores têm negligenciado a avaliação de sistemas no contexto da sua utilização, por exemplo, na resolução de uma tarefa que requer recuperação de dados. Isto levanta questões sobre a validade de tais abordagens. Na segunda parte do artigo, apresentamos um estudo de laboratório utilizando a técnica do Feiticeiro de Oz para identificar requisitos de LN para a realização desta tarefa. Avaliamos as exigências que diálogos de tarefa recolhidos utilizando esta técnica impõem a um protótipo de sistema de Linguagem Natural. Identificamos três requisitos importantes que surgiram a partir da tarefa que demos aos nossos sujeitos: operadores específicos da tarefa de acesso a bases de dados, referência contextual complexa e referência à estrutura da fonte de informação. Discutimos como estes poderão ser satisfeitos por futuros sistemas de Linguagem Natural.", "ner": [[{"text": "abordagens", "type": "Genérico"}, {"text": "avaliação de sistemas de Linguagem Natural", "type": "Tarefa"}, {"text": "sistemas de Linguagem Natural", "type": "Método"}], [{"text": "abordagens", "type": "Genérico"}, {"text": "sistemas", "type": "Genérico"}, {"text": "tarefa", "type": "Genérico"}, {"text": "recuperação de dados", "type": "Tarefa"}], [{"text": "abordagens", "type": "Genérico"}], [{"text": "técnica do Feiticeiro de Oz", "type": "Método"}, {"text": "requisitos de LN", "type": "Outros Termos Científicos"}, {"text": "tarefa", "type": "Genérico"}], [{"text": "diálogos de tarefa", "type": "Material"}, {"text": "técnica", "type": "Genérico"}, {"text": "protótipo de sistema de Linguagem Natural", "type": "Método"}], [{"text": "tarefa", "type": "Genérico"}, {"text": "tarefa", "type": "Genérico"}, {"text": "acesso a bases de dados", "type": "Tarefa"}, {"text": "referência contextual", "type": "Outros Termos Científicos"}], [{"text": "sistemas de Linguagem Natural", "type": "Método"}]], "relations": [[{"head": "abordagens", "tail": "avaliação de sistemas de Linguagem Natural", "relation": "Usado-para"}], [{"head": "abordagens", "tail": "sistemas", "relation": "Avaliado-para"}, {"head": "sistemas", "tail": "tarefa", "relation": "Usado-para"}, {"head": "recuperação de dados", "tail": "tarefa", "relation": "Parte-de"}], [], [{"head": "técnica do Feiticeiro de Oz", "tail": "requisitos de LN", "relation": "Usado-para"}, {"head": "técnica do Feiticeiro de Oz", "tail": "tarefa", "relation": "Usado-para"}], [{"head": "diálogos de tarefa", "tail": "protótipo de sistema de Linguagem Natural", "relation": "Usado-para"}, {"head": "técnica", "tail": "diálogos de tarefa", "relation": "Usado-para"}], [], []], "clusters": [["abordagens", "abordagens"], ["técnica do Feiticeiro de Oz", "técnica"], ["tarefa", "tarefa", "tarefa"], ["sistemas de Linguagem Natural", "sistemas"], ["protótipo de sistema de Linguagem Natural", "sistemas de Linguagem Natural"], ["tarefa", "acesso a bases de dados"]]}
{"doc_id": "E06-1022", "text": "Apresentamos resultados sobre identificação do destinatário em reuniões presenciais com quatro participantes, usando classificadores Bayesian Network e classificadores Naive Bayes. Em primeiro lugar, investigamos quão bem o destinatário de um ato de diálogo pode ser previsto com base em traços de olhar, traços de enunciação e traços de contexto conversacional. Em seguida, exploramos se a informação sobre o contexto da reunião pode ajudar o desempenho dos classificadores. Ambos os classificadores apresentam o melhor desempenho quando o contexto conversacional e os traços de enunciação são combinados com a informação de olhar do orador. Os classificadores mostram pouco ganho com a informação sobre o contexto da reunião.", "ner": [[{"text": "identificação do destinatário em reuniões presenciais com quatro participantes", "type": "Tarefa"}, {"text": "Bayesian Network", "type": "Método"}, {"text": "classificadores Naive Bayes", "type": "Método"}], [{"text": "destinatário de um ato de diálogo", "type": "Outros Termos Científicos"}, {"text": "olhar", "type": "Outros Termos Científicos"}, {"text": "enunciação", "type": "Outros Termos Científicos"}, {"text": "traços de contexto conversacional", "type": "Outros Termos Científicos"}], [{"text": "contexto da reunião", "type": "Outros Termos Científicos"}, {"text": "classificadores", "type": "Método"}], [{"text": "classificadores", "type": "Método"}, {"text": "contexto conversacional", "type": "Outros Termos Científicos"}, {"text": "traços de enunciação", "type": "Outros Termos Científicos"}, {"text": "informação de olhar do orador", "type": "Outros Termos Científicos"}], [{"text": "classificadores", "type": "Método"}, {"text": "contexto da reunião", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "Bayesian Network", "tail": "identificação do destinatário em reuniões presenciais com quatro participantes", "relation": "Usado-para"}, {"head": "classificadores Naive Bayes", "tail": "identificação do destinatário em reuniões presenciais com quatro participantes", "relation": "Usado-para"}, {"head": "classificadores Naive Bayes", "tail": "Bayesian Network", "relation": "Conjunção"}], [{"head": "olhar", "tail": "destinatário de um ato de diálogo", "relation": "Usado-para"}, {"head": "olhar", "tail": "enunciação", "relation": "Conjunção"}, {"head": "enunciação", "tail": "destinatário de um ato de diálogo", "relation": "Usado-para"}, {"head": "enunciação", "tail": "traços de contexto conversacional", "relation": "Conjunção"}, {"head": "traços de contexto conversacional", "tail": "destinatário de um ato de diálogo", "relation": "Usado-para"}], [], [{"head": "contexto conversacional", "tail": "classificadores", "relation": "Usado-para"}, {"head": "contexto conversacional", "tail": "traços de enunciação", "relation": "Conjunção"}, {"head": "traços de enunciação", "tail": "classificadores", "relation": "Usado-para"}, {"head": "informação de olhar do orador", "tail": "classificadores", "relation": "Usado-para"}, {"head": "informação de olhar do orador", "tail": "traços de enunciação", "relation": "Conjunção"}], []], "clusters": [["classificadores", "classificadores", "classificadores"]]}
{"doc_id": "I05-5004", "text": "Com o objetivo de uma análise aprofundada de classes composicionais de paráfrases, examinámos uma estrutura orientada a classes para a recolha de exemplos de paráfrase, na qual paráfrases frásicas são recolhidas para cada classe de paráfrase separadamente por meio de geração automática de candidatos e juízo manual. As nossas experiências preliminares na construção de um corpus de paráfrases têm, até agora, produzido resultados promissores, que avaliámos em termos de relação custo‑eficácia, exaustividade e fiabilidade.", "ner": [[{"text": "classes composicionais de paráfrases", "type": "Tarefa"}, {"text": "estrutura orientada a classes", "type": "Método"}, {"text": "exemplos de paráfrase", "type": "Material"}, {"text": "paráfrases frásicas", "type": "Material"}, {"text": "geração automática de candidatos", "type": "Método"}, {"text": "juízo manual", "type": "Método"}], [{"text": "corpus de paráfrases", "type": "Material"}]], "relations": [[{"head": "estrutura orientada a classes", "tail": "classes composicionais de paráfrases", "relation": "Usado-para"}, {"head": "estrutura orientada a classes", "tail": "exemplos de paráfrase", "relation": "Usado-para"}, {"head": "geração automática de candidatos", "tail": "paráfrases frásicas", "relation": "Usado-para"}, {"head": "geração automática de candidatos", "tail": "juízo manual", "relation": "Conjunção"}, {"head": "juízo manual", "tail": "paráfrases frásicas", "relation": "Usado-para"}], []], "clusters": [["exemplos de paráfrase", "paráfrases frásicas"]]}
{"doc_id": "H01-1042", "text": "O objetivo desta investigação é testar a eficácia da aplicação de técnicas automáticas de avaliação, originalmente concebidas para a avaliação de aprendentes de línguas humanas, à saída de sistemas de tradução automática (MT). Acreditamos que estas técnicas de avaliação fornecerão informação tanto sobre o processo de aprendizagem de línguas humanas, o processo de tradução e o desenvolvimento de sistemas de tradução automática. Esta, a primeira experiência de uma série de experiências, analisa a inteligibilidade da saída de MT. Uma experiência de aprendizagem de línguas mostrou que os avaliadores conseguem diferenciar redações de língua materna de redações em língua não materna com menos de 100 palavras. Ainda mais reveladores foram os fatores em que os avaliadores basearam as suas decisões. Testámos isto para ver se critérios semelhantes poderiam ser obtidos duplicando a experiência usando saída de tradução automática. Aos sujeitos foi dado um conjunto de até seis excertos de texto noticioso traduzido. Alguns dos excertos eram traduções humanas especializadas, outros eram saídas de tradução automática. Foi dado aos sujeitos três minutos por excerto para determinar se acreditavam que o exemplo de saída era uma tradução humana especializada ou uma tradução automática. Além disso, foi-lhes pedido que assinalassem a palavra em que tomaram essa decisão. Os resultados desta experiência, juntamente com uma análise preliminar dos fatores envolvidos no processo de tomada de decisão, serão aqui apresentados.", "ner": [[{"text": "técnicas automáticas de avaliação", "type": "Método"}, {"text": "avaliação de aprendentes de línguas humanas", "type": "Tarefa"}, {"text": "sistemas de tradução automática (MT)", "type": "Método"}], [{"text": "técnicas de avaliação", "type": "Genérico"}, {"text": "processo de aprendizagem de línguas humanas", "type": "Tarefa"}, {"text": "processo de tradução", "type": "Tarefa"}, {"text": "sistemas de tradução automática", "type": "Tarefa"}], [], [{"text": "aprendizagem de línguas", "type": "Tarefa"}, {"text": "avaliadores", "type": "Genérico"}, {"text": "redações em língua não materna", "type": "Material"}], [{"text": "avaliadores", "type": "Genérico"}], [{"text": "saída de tradução automática", "type": "Outros Termos Científicos"}], [{"text": "texto noticioso traduzido", "type": "Material"}], [{"text": "traduções humanas especializadas", "type": "Outros Termos Científicos"}, {"text": "saídas de tradução automática", "type": "Outros Termos Científicos"}], [{"text": "tradução humana especializada", "type": "Outros Termos Científicos"}, {"text": "tradução automática", "type": "Outros Termos Científicos"}], [], []], "relations": [[{"head": "técnicas automáticas de avaliação", "tail": "avaliação de aprendentes de línguas humanas", "relation": "Usado-para"}], [{"head": "técnicas de avaliação", "tail": "processo de aprendizagem de línguas humanas", "relation": "Usado-para"}, {"head": "técnicas de avaliação", "tail": "processo de tradução", "relation": "Usado-para"}, {"head": "técnicas de avaliação", "tail": "sistemas de tradução automática", "relation": "Usado-para"}, {"head": "processo de aprendizagem de línguas humanas", "tail": "processo de tradução", "relation": "Conjunção"}, {"head": "processo de tradução", "tail": "sistemas de tradução automática", "relation": "Conjunção"}], [], [{"head": "aprendizagem de línguas", "tail": "avaliadores", "relation": "Avaliado-para"}], [], [], [], [{"head": "saídas de tradução automática", "tail": "traduções humanas especializadas", "relation": "Conjunção"}], [{"head": "tradução humana especializada", "tail": "tradução automática", "relation": "Comparado-com"}], [], []], "clusters": [["técnicas automáticas de avaliação", "técnicas de avaliação", "avaliadores", "avaliadores"], ["sistemas de tradução automática (MT)", "sistemas de tradução automática"]]}
{"doc_id": "C04-1035", "text": "Este artigo apresenta uma abordagem de aprendizagem automática para a desambiguação de fatias nuas em diálogo. Extraímos um conjunto de princípios heurísticos a partir de uma amostra baseada em corpus e formulamo-los como cláusulas de Horn probabilísticas. Em seguida, usamos os predicados de tais cláusulas para criar um conjunto de características independentes do domínio para anotar um conjunto de dados de entrada e executamos dois algoritmos de aprendizagem automática diferentes: SLIPPER, um algoritmo de aprendizagem baseado em regras, e TiMBL, um sistema baseado em memória. Ambos os aprendentes têm um bom desempenho, apresentando taxas de sucesso semelhantes de aproximadamente 90%. Os resultados mostram que as características em termos das quais formulamos os nossos princípios heurísticos têm um poder preditivo significativo e que regras que se assemelham de perto às nossas cláusulas de Horn podem ser aprendidas automaticamente a partir destas características.", "ner": [[{"text": "abordagem de aprendizagem automática", "type": "Método"}, {"text": "desambiguação de fatias nuas", "type": "Tarefa"}, {"text": "diálogo", "type": "Material"}], [{"text": "princípios heurísticos", "type": "Método"}, {"text": "amostra baseada em corpus", "type": "Material"}, {"text": "cláusulas de Horn probabilísticas", "type": "Outros Termos Científicos"}], [{"text": "cláusulas", "type": "Outros Termos Científicos"}, {"text": "características independentes do domínio", "type": "Outros Termos Científicos"}, {"text": "algoritmos de aprendizagem automática", "type": "Método"}, {"text": "SLIPPER", "type": "Genérico"}, {"text": "algoritmo de aprendizagem baseado em regras", "type": "Método"}, {"text": "TiMBL", "type": "Genérico"}, {"text": "sistema baseado em memória", "type": "Método"}], [{"text": "taxas de sucesso", "type": "Métrica"}], [{"text": "características", "type": "Outros Termos Científicos"}, {"text": "princípios heurísticos", "type": "Método"}, {"text": "regras", "type": "Outros Termos Científicos"}, {"text": "cláusulas de Horn", "type": "Outros Termos Científicos"}, {"text": "características", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "abordagem de aprendizagem automática", "tail": "desambiguação de fatias nuas", "relation": "Usado-para"}, {"head": "diálogo", "tail": "desambiguação de fatias nuas", "relation": "Usado-para"}], [{"head": "amostra baseada em corpus", "tail": "princípios heurísticos", "relation": "Usado-para"}, {"head": "cláusulas de Horn probabilísticas", "tail": "princípios heurísticos", "relation": "Característica-de"}], [{"head": "SLIPPER", "tail": "algoritmo de aprendizagem baseado em regras", "relation": "Hipónimo-de"}, {"head": "algoritmo de aprendizagem baseado em regras", "tail": "algoritmos de aprendizagem automática", "relation": "Parte-de"}, {"head": "algoritmo de aprendizagem baseado em regras", "tail": "sistema baseado em memória", "relation": "Comparado-com"}, {"head": "TiMBL", "tail": "sistema baseado em memória", "relation": "Hipónimo-de"}, {"head": "sistema baseado em memória", "tail": "algoritmos de aprendizagem automática", "relation": "Parte-de"}], [], [{"head": "características", "tail": "princípios heurísticos", "relation": "Característica-de"}]], "clusters": [["abordagem de aprendizagem automática", "algoritmos de aprendizagem automática"], ["cláusulas de Horn probabilísticas", "cláusulas", "cláusulas de Horn"], ["princípios heurísticos", "princípios heurísticos"], ["características", "características"]]}
{"doc_id": "C04-1036", "text": "Sugerimos um novo objetivo e critério de avaliação para medidas de similaridade de palavras. O novo critério -- substituibilidade implicando significado -- adequa-se às necessidades de aplicações de PLN orientadas para a semântica e pode ser avaliado diretamente -LRB- independentemente de uma aplicação -RRB- com um bom nível de concordância humana. Motivados por este critério semântico, analisamos a qualidade empírica de vetores de características distribucionais de palavras e o seu impacto nos resultados de similaridade de palavras, propondo uma medida objetiva para avaliar a qualidade de vetores de características. Por fim, é apresentada uma nova função de ponderação e seleção de características, que produz vetores de características superiores e um melhor desempenho na similaridade de palavras.", "ner": [[{"text": "critério de avaliação", "type": "Métrica"}, {"text": "medidas de similaridade de palavras", "type": "Métrica"}], [{"text": "critério", "type": "Genérico"}, {"text": "substituibilidade implicando significado", "type": "Métrica"}, {"text": "aplicações de PLN orientadas para a semântica", "type": "Tarefa"}, {"text": "concordância humana", "type": "Métrica"}], [{"text": "critério semântico", "type": "Métrica"}, {"text": "vetores de características distribucionais de palavras", "type": "Outros Termos Científicos"}, {"text": "similaridade de palavras", "type": "Tarefa"}, {"text": "medida", "type": "Genérico"}, {"text": "qualidade de vetores de características", "type": "Métrica"}], [{"text": "função de ponderação e seleção de características", "type": "Método"}, {"text": "vetores de características", "type": "Outros Termos Científicos"}, {"text": "similaridade de palavras", "type": "Tarefa"}]], "relations": [[{"head": "critério de avaliação", "tail": "medidas de similaridade de palavras", "relation": "Usado-para"}], [{"head": "substituibilidade implicando significado", "tail": "aplicações de PLN orientadas para a semântica", "relation": "Usado-para"}, {"head": "concordância humana", "tail": "substituibilidade implicando significado", "relation": "Avaliado-para"}], [{"head": "critério semântico", "tail": "vetores de características distribucionais de palavras", "relation": "Avaliado-para"}, {"head": "vetores de características distribucionais de palavras", "tail": "similaridade de palavras", "relation": "Usado-para"}, {"head": "medida", "tail": "qualidade de vetores de características", "relation": "Avaliado-para"}], [{"head": "função de ponderação e seleção de características", "tail": "vetores de características", "relation": "Usado-para"}, {"head": "função de ponderação e seleção de características", "tail": "similaridade de palavras", "relation": "Usado-para"}, {"head": "vetores de características", "tail": "similaridade de palavras", "relation": "Conjunção"}]], "clusters": [["critério de avaliação", "critério", "substituibilidade implicando significado", "critério semântico"]]}
{"doc_id": "CVPR_2011_10_abs", "text": "Os reflexos em sequências de imagens consistem em várias camadas sobrepostas umas às outras. Este fenómeno faz com que muitas técnicas de processamento de imagem falhem, pois assumem a presença de apenas uma camada em cada ponto analisado, por exemplo, estimação de movimento e reconhecimento de objetos. Este trabalho apresenta uma técnica automatizada para detetar reflexos em sequências de imagens, analisando trajetórias de movimento de pontos de características. Modela o reflexo como regiões que contêm duas camadas diferentes a moverem-se uma sobre a outra. Apresentamos um detetor robusto baseado na combinação de um conjunto de detetores fracos. Usamos priors inovadores, geramos mapas de deteção esparsos e densos e os nossos resultados mostram uma elevada taxa de deteção com rejeição de movimento patológico e oclusão.", "ner": [[{"text": "Reflexos", "type": "Outros Termos Científicos"}, {"text": "reflexos em sequências de imagens", "type": "Outros Termos Científicos"}, {"text": "sequências de imagens", "type": "Material"}], [{"text": "técnicas de processamento de imagem", "type": "Método"}, {"text": "estimação de movimento", "type": "Tarefa"}, {"text": "reconhecimento de objetos", "type": "Tarefa"}], [{"text": "técnica", "type": "Genérico"}, {"text": "detetar reflexos em sequências de imagens", "type": "Tarefa"}, {"text": "trajetórias de movimento", "type": "Outros Termos Científicos"}, {"text": "pontos de características", "type": "Outros Termos Científicos"}], [{"text": "Modela", "type": "Genérico"}, {"text": "reflexo", "type": "Outros Termos Científicos"}], [{"text": "detetor", "type": "Genérico"}, {"text": "detetores", "type": "Genérico"}], [{"text": "priors", "type": "Outros Termos Científicos"}, {"text": "mapas de deteção esparsos e densos", "type": "Outros Termos Científicos"}, {"text": "taxa de deteção", "type": "Métrica"}, {"text": "movimento patológico", "type": "Outros Termos Científicos"}, {"text": "oclusão", "type": "Outros Termos Científicos"}]], "relations": [[], [{"head": "estimação de movimento", "tail": "reconhecimento de objetos", "relation": "Conjunção"}], [{"head": "técnica", "tail": "detetar reflexos em sequências de imagens", "relation": "Usado-para"}, {"head": "trajetórias de movimento", "tail": "técnica", "relation": "Usado-para"}, {"head": "pontos de características", "tail": "trajetórias de movimento", "relation": "Característica-de"}], [{"head": "Modela", "tail": "reflexo", "relation": "Usado-para"}], [{"head": "detetores", "tail": "detetor", "relation": "Usado-para"}], [{"head": "priors", "tail": "mapas de deteção esparsos e densos", "relation": "Usado-para"}, {"head": "movimento patológico", "tail": "oclusão", "relation": "Conjunção"}]], "clusters": [["técnica", "Modela", "detetor"]]}
{"doc_id": "ECCV_2012_30_abs", "text": "Este artigo considera o problema de reconstruir o movimento de uma árvore articulada 3D a partir de correspondências de pontos 2D sujeitas a algum prior temporal. Até agora, o movimento suave tem sido encorajado usando uma base de trajetórias, produzindo um problema combinatório difícil com complexidade temporal que cresce exponencialmente com o número de frames. Estratégias de branch and bound tentaram anteriormente conter esta complexidade mantendo ao mesmo tempo a optimalidade global. No entanto, elas não fornecem qualquer garantia de serem mais eficientes do que uma pesquisa exaustiva. Inspirados por trabalho recente que reconstrói trajetórias gerais usando filtros passa‑alto compactos, desenvolvemos uma abordagem de programação dinâmica que escala linearmente com o número de frames, explorando a natureza intrinsecamente local das interações de filtros. A extensão para projeção afim permite a reconstrução sem estimar câmaras.", "ner": [[{"text": "reconstruir o movimento de uma árvore articulada 3D", "type": "Tarefa"}, {"text": "correspondências de pontos 2D", "type": "Outros Termos Científicos"}, {"text": "prior temporal", "type": "Outros Termos Científicos"}], [{"text": "movimento suave", "type": "Outros Termos Científicos"}, {"text": "base de trajetórias", "type": "Outros Termos Científicos"}, {"text": "problema combinatório difícil", "type": "Tarefa"}, {"text": "complexidade temporal", "type": "Métrica"}], [{"text": "Estratégias de branch and bound", "type": "Método"}, {"text": "complexidade", "type": "Genérico"}, {"text": "optimalidade global", "type": "Outros Termos Científicos"}], [{"text": "elas", "type": "Genérico"}, {"text": "pesquisa exaustiva", "type": "Método"}], [{"text": "filtros passa‑alto compactos", "type": "Método"}, {"text": "abordagem de programação dinâmica", "type": "Método"}, {"text": "interações de filtros", "type": "Outros Termos Científicos"}], [{"text": "projeção afim", "type": "Método"}, {"text": "reconstrução", "type": "Tarefa"}, {"text": "estimar câmaras", "type": "Método"}]], "relations": [[{"head": "correspondências de pontos 2D", "tail": "reconstruir o movimento de uma árvore articulada 3D", "relation": "Usado-para"}], [{"head": "base de trajetórias", "tail": "movimento suave", "relation": "Usado-para"}, {"head": "complexidade temporal", "tail": "problema combinatório difícil", "relation": "Avaliado-para"}], [{"head": "Estratégias de branch and bound", "tail": "complexidade", "relation": "Usado-para"}, {"head": "optimalidade global", "tail": "Estratégias de branch and bound", "relation": "Característica-de"}], [{"head": "elas", "tail": "pesquisa exaustiva", "relation": "Comparado-com"}], [], [{"head": "projeção afim", "tail": "reconstrução", "relation": "Usado-para"}]], "clusters": [["Estratégias de branch and bound", "elas"], ["complexidade temporal", "complexidade"], ["reconstruir o movimento de uma árvore articulada 3D", "reconstrução"]]}
{"doc_id": "P08-1105", "text": "A recuperação de publicações de blog por tópico é a tarefa de ordenar publicações de blog em função da sua relevância para um dado tópico. Para melhorar a recuperação de publicações de blog por tópico, incorporamos indicadores textuais de credibilidade no processo de recuperação. Consideramos dois grupos de indicadores: ao nível da publicação -LRB- determinados usando apenas informação sobre publicações de blog individuais -RRB- e ao nível do blog -LRB- determinados usando informação proveniente dos blogs subjacentes -RRB-. Descrevemos como estimar estes indicadores e como integrá-los numa abordagem de recuperação baseada em modelos de linguagem. Experiências no conjunto de teste da faixa de Blog do TREC mostram que ambos os grupos de indicadores de credibilidade melhoram significativamente a eficácia da recuperação; o melhor desempenho é obtido quando os combinamos.", "ner": [[{"text": "recuperação de publicações de blog por tópico", "type": "Tarefa"}, {"text": "ordenar publicações de blog", "type": "Tarefa"}, {"text": "publicações de blog", "type": "Material"}, {"text": "relevância", "type": "Métrica"}], [{"text": "recuperação de publicações de blog por tópico", "type": "Tarefa"}, {"text": "indicadores textuais de credibilidade", "type": "Outros Termos Científicos"}, {"text": "processo de recuperação", "type": "Método"}], [{"text": "indicadores", "type": "Genérico"}, {"text": "publicações de blog", "type": "Material"}, {"text": "blogs", "type": "Material"}], [{"text": "indicadores", "type": "Genérico"}, {"text": "estes", "type": "Genérico"}, {"text": "abordagem de recuperação", "type": "Método"}, {"text": "modelos de linguagem", "type": "Método"}], [{"text": "conjunto de teste da faixa de Blog do TREC", "type": "Material"}, {"text": "indicadores de credibilidade", "type": "Outros Termos Científicos"}, {"text": "eficácia da recuperação", "type": "Métrica"}]], "relations": [[{"head": "recuperação de publicações de blog por tópico", "tail": "ordenar publicações de blog", "relation": "Hipónimo-de"}, {"head": "relevância", "tail": "publicações de blog", "relation": "Característica-de"}], [{"head": "indicadores textuais de credibilidade", "tail": "recuperação de publicações de blog por tópico", "relation": "Usado-para"}, {"head": "indicadores textuais de credibilidade", "tail": "processo de recuperação", "relation": "Parte-de"}], [], [{"head": "estes", "tail": "abordagem de recuperação", "relation": "Parte-de"}, {"head": "modelos de linguagem", "tail": "estes", "relation": "Usado-para"}], [{"head": "conjunto de teste da faixa de Blog do TREC", "tail": "indicadores de credibilidade", "relation": "Avaliado-para"}, {"head": "eficácia da recuperação", "tail": "indicadores de credibilidade", "relation": "Avaliado-para"}]], "clusters": [["indicadores textuais de credibilidade", "indicadores", "indicadores", "estes", "indicadores de credibilidade"], ["recuperação de publicações de blog por tópico", "recuperação de publicações de blog por tópico"]]}
{"doc_id": "ICML_2006_119_abs", "text": "Investigamos o problema de aprender a prever as jogadas no jogo de tabuleiro Go a partir de registos de jogo de jogadores peritos. Em particular, obtemos uma distribuição de probabilidade sobre as jogadas legais para jogo profissional numa dada posição. Esta distribuição tem inúmeras aplicações em Go computacional, incluindo servir como um jogador de Go autónomo eficiente. Seria também eficaz como seletor de jogadas e como ordenador de jogadas para pesquisa em árvore de jogo e como ferramenta de treino para jogadores de Go. O nosso método tem dois componentes principais: a) um esquema de extração de padrões para recolher de forma eficiente padrões de dado tamanho e forma a partir de registos de jogos de peritos e b) um algoritmo de aprendizagem bayesiano (em duas variantes) que aprende uma distribuição sobre os valores de uma jogada dada uma posição no tabuleiro com base no contexto de padrão local. O sistema é treinado em 181 000 jogos de peritos e apresenta um excelente desempenho de previsão, como indicado pela sua capacidade de prever perfeitamente as jogadas feitas por jogadores de Go profissionais em 34% das posições de teste.", "ner": [[{"text": "jogo de tabuleiro Go", "type": "Tarefa"}, {"text": "registos de jogo de jogadores peritos", "type": "Material"}], [{"text": "distribuição de probabilidade", "type": "Outros Termos Científicos"}], [{"text": "distribuição", "type": "Genérico"}, {"text": "Go computacional", "type": "Outros Termos Científicos"}, {"text": "jogador de Go autónomo", "type": "Outros Termos Científicos"}], [{"text": "Esta distribuição", "type": "Genérico"}, {"text": "seletor de jogadas", "type": "Método"}, {"text": "ordenador de jogadas", "type": "Método"}, {"text": "pesquisa em árvore de jogo", "type": "Método"}, {"text": "ferramenta de treino", "type": "Tarefa"}, {"text": "jogadores de Go", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "esquema de extração de padrões", "type": "Método"}, {"text": "algoritmo de aprendizagem bayesiano", "type": "Método"}, {"text": "contexto de padrão local", "type": "Outros Termos Científicos"}], [{"text": "sistema", "type": "Genérico"}, {"text": "jogos de peritos", "type": "Material"}]], "relations": [[{"head": "registos de jogo de jogadores peritos", "tail": "jogo de tabuleiro Go", "relation": "Usado-para"}], [], [{"head": "distribuição", "tail": "Go computacional", "relation": "Usado-para"}], [{"head": "Esta distribuição", "tail": "seletor de jogadas", "relation": "Usado-para"}, {"head": "Esta distribuição", "tail": "ordenador de jogadas", "relation": "Usado-para"}, {"head": "Esta distribuição", "tail": "ferramenta de treino", "relation": "Usado-para"}, {"head": "seletor de jogadas", "tail": "ordenador de jogadas", "relation": "Conjunção"}, {"head": "seletor de jogadas", "tail": "pesquisa em árvore de jogo", "relation": "Usado-para"}, {"head": "ordenador de jogadas", "tail": "pesquisa em árvore de jogo", "relation": "Usado-para"}, {"head": "ferramenta de treino", "tail": "jogadores de Go", "relation": "Usado-para"}], [{"head": "esquema de extração de padrões", "tail": "método", "relation": "Parte-de"}, {"head": "esquema de extração de padrões", "tail": "algoritmo de aprendizagem bayesiano", "relation": "Conjunção"}, {"head": "algoritmo de aprendizagem bayesiano", "tail": "método", "relation": "Parte-de"}], [{"head": "jogos de peritos", "tail": "sistema", "relation": "Usado-para"}]], "clusters": [["Esta distribuição", "método", "sistema"], ["distribuição de probabilidade", "distribuição"]]}
{"doc_id": "P04-2005", "text": "Apresentamos uma abordagem inovadora para adquirir automaticamente assinaturas de tópico em inglês. Dado um determinado conceito ou aceção de palavra, uma assinatura de tópico é um conjunto de palavras que tendem a coocorrer com ele. As assinaturas de tópico podem ser úteis em várias aplicações de Processamento de Língua Natural -LRB- PLN -RRB-, tais como Desambiguação de Sentido de Palavra -LRB- DSP -RRB- e Sumarização de Texto. O nosso método tira partido da forma diferente como as aceções de palavra são lexicalizadas em inglês e em chinês, e também explora a grande quantidade de texto chinês disponível em corpora e na Web. Avaliámos as assinaturas de tópico numa tarefa de DSP, onde treinámos um algoritmo de coocorrência vetorial de segunda ordem em conjuntos de dados de DSP padrão, com resultados promissores.", "ner": [[{"text": "abordagem", "type": "Genérico"}, {"text": "adquirir automaticamente assinaturas de tópico em inglês", "type": "Tarefa"}], [{"text": "conceito", "type": "Outros Termos Científicos"}, {"text": "aceção de palavra", "type": "Outros Termos Científicos"}, {"text": "assinatura de tópico", "type": "Outros Termos Científicos"}], [{"text": "Assinaturas de tópico", "type": "Outros Termos Científicos"}, {"text": "aplicações de Processamento de Língua Natural -LRB- PLN -RRB-", "type": "Tarefa"}, {"text": "Desambiguação de Sentido de Palavra -LRB- DSP -RRB-", "type": "Tarefa"}, {"text": "Sumarização de Texto", "type": "Tarefa"}], [{"text": "método", "type": "Genérico"}, {"text": "aceções de palavra", "type": "Outros Termos Científicos"}, {"text": "inglês", "type": "Material"}, {"text": "chinês", "type": "Material"}, {"text": "texto chinês", "type": "Material"}, {"text": "corpora", "type": "Genérico"}, {"text": "Web", "type": "Material"}], [{"text": "assinaturas de tópico", "type": "Outros Termos Científicos"}, {"text": "tarefa de DSP", "type": "Tarefa"}, {"text": "algoritmo de coocorrência vetorial de segunda ordem", "type": "Método"}, {"text": "conjuntos de dados de DSP", "type": "Material"}]], "relations": [[{"head": "abordagem", "tail": "adquirir automaticamente assinaturas de tópico em inglês", "relation": "Usado-para"}], [], [{"head": "Assinaturas de tópico", "tail": "aplicações de Processamento de Língua Natural -LRB- PLN -RRB-", "relation": "Usado-para"}, {"head": "Assinaturas de tópico", "tail": "Desambiguação de Sentido de Palavra -LRB- DSP -RRB-", "relation": "Usado-para"}, {"head": "Assinaturas de tópico", "tail": "Sumarização de Texto", "relation": "Usado-para"}, {"head": "Desambiguação de Sentido de Palavra -LRB- DSP -RRB-", "tail": "aplicações de Processamento de Língua Natural -LRB- PLN -RRB-", "relation": "Hipónimo-de"}, {"head": "Desambiguação de Sentido de Palavra -LRB- DSP -RRB-", "tail": "Sumarização de Texto", "relation": "Conjunção"}, {"head": "Sumarização de Texto", "tail": "aplicações de Processamento de Língua Natural -LRB- PLN -RRB-", "relation": "Hipónimo-de"}], [{"head": "texto chinês", "tail": "corpora", "relation": "Parte-de"}, {"head": "texto chinês", "tail": "Web", "relation": "Parte-de"}, {"head": "corpora", "tail": "Web", "relation": "Conjunção"}], [{"head": "tarefa de DSP", "tail": "assinaturas de tópico", "relation": "Avaliado-para"}, {"head": "conjuntos de dados de DSP", "tail": "algoritmo de coocorrência vetorial de segunda ordem", "relation": "Usado-para"}]], "clusters": [["Desambiguação de Sentido de Palavra -LRB- DSP -RRB-", "tarefa de DSP"], ["abordagem", "método"]]}
{"doc_id": "NIPS_2016_560_abs", "text": "A triangularização conjunta de matrizes é frequentemente usada para estimar a estrutura conjunta de autovalores de um conjunto M de matrizes, com aplicações em processamento de sinal e aprendizagem automática. Consideramos o problema de triangularização conjunta aproximada de matrizes quando as matrizes em M são conjuntamente diagonalizáveis e reais, mas observamos apenas um conjunto M ' de versões com ruído das matrizes em M. O nosso principal resultado é um limite superior de primeira ordem para a distância entre qualquer triangularizador conjunto aproximado das matrizes em M ' e qualquer triangularizador conjunto exato das matrizes em M. O limite depende apenas das matrizes observáveis em M ' e do nível de ruído. Em particular, não depende de propriedades específicas de otimização do triangularizador, como a sua proximidade a pontos críticos, que são típicas dos limites existentes na literatura. Tanto quanto sabemos, este é o primeiro limite a posteriori para decomposição conjunta de matrizes. Demonstramos o limite em dados sintéticos para os quais a verdade de base é conhecida.", "ner": [[{"text": "triangularização conjunta de matrizes", "type": "Tarefa"}, {"text": "estrutura conjunta de autovalores", "type": "Outros Termos Científicos"}, {"text": "processamento de sinal", "type": "Tarefa"}, {"text": "aprendizagem automática", "type": "Tarefa"}], [{"text": "triangularização conjunta aproximada de matrizes", "type": "Tarefa"}], [{"text": "limite superior de primeira ordem", "type": "Outros Termos Científicos"}, {"text": "triangularizador conjunto aproximado", "type": "Método"}, {"text": "triangularizador conjunto exato", "type": "Método"}], [{"text": "limite", "type": "Genérico"}], [{"text": "triangularizador", "type": "Método"}], [{"text": "limite a posteriori", "type": "Outros Termos Científicos"}, {"text": "decomposição conjunta de matrizes", "type": "Tarefa"}], [{"text": "dados sintéticos", "type": "Material"}]], "relations": [[{"head": "triangularização conjunta de matrizes", "tail": "estrutura conjunta de autovalores", "relation": "Usado-para"}, {"head": "estrutura conjunta de autovalores", "tail": "processamento de sinal", "relation": "Usado-para"}, {"head": "estrutura conjunta de autovalores", "tail": "aprendizagem automática", "relation": "Usado-para"}, {"head": "processamento de sinal", "tail": "aprendizagem automática", "relation": "Conjunção"}], [], [{"head": "triangularizador conjunto aproximado", "tail": "triangularizador conjunto exato", "relation": "Conjunção"}], [], [], [{"head": "limite a posteriori", "tail": "decomposição conjunta de matrizes", "relation": "Usado-para"}], []], "clusters": [["limite superior de primeira ordem", "limite"]]}
{"doc_id": "P06-1053", "text": "A literatura psicolinguística fornece evidência de priming sintáctico, isto é, a tendência para repetir estruturas. Este artigo descreve um método para incorporar priming num analisador probabilístico incremental. São comparados três modelos, que envolvem o priming de regras entre frases, dentro de frases e dentro de estruturas coordenadas. Estes modelos simulam a vantagem em tempo de leitura para estruturas paralelas encontrada em dados humanos e também produzem um pequeno aumento na precisão global da análise sintáctica.", "ner": [[{"text": "literatura psicolinguística", "type": "Outros Termos Científicos"}, {"text": "priming sintáctico", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "priming", "type": "Outros Termos Científicos"}, {"text": "analisador probabilístico incremental", "type": "Método"}], [{"text": "priming", "type": "Outros Termos Científicos"}, {"text": "regras", "type": "Outros Termos Científicos"}, {"text": "estruturas coordenadas", "type": "Outros Termos Científicos"}], [{"text": "estruturas paralelas", "type": "Outros Termos Científicos"}, {"text": "dados humanos", "type": "Material"}, {"text": "precisão global da análise sintáctica", "type": "Métrica"}]], "relations": [[{"head": "literatura psicolinguística", "tail": "priming sintáctico", "relation": "Usado-para"}], [{"head": "método", "tail": "priming", "relation": "Usado-para"}, {"head": "priming", "tail": "analisador probabilístico incremental", "relation": "Usado-para"}], [], [{"head": "estruturas paralelas", "tail": "dados humanos", "relation": "Parte-de"}]], "clusters": [["priming sintáctico", "priming"]]}
{"doc_id": "CVPR_2016_413_abs", "text": "Medidas de confiança aprendidas ganham importância crescente para a remoção de outliers e melhoria da qualidade em visão estéreo. No entanto, adquirir os dados de treino necessários é tipicamente uma tarefa tediosa e demorada que envolve interação manual, dispositivos de deteção ativos e/ou cenas sintéticas. Para ultrapassar este problema, propomos uma nova forma flexível e escalável de gerar dados de treino que apenas requer um conjunto de imagens estéreo como entrada. A ideia-chave da nossa abordagem é usar diferentes pontos de vista para raciocinar sobre contradições e consistências entre múltiplos mapas de profundidade gerados com o mesmo algoritmo estéreo. Isto permite-nos gerar uma enorme quantidade de dados de treino de forma totalmente automatizada. Entre outras experiências, demonstramos o potencial da nossa abordagem ao aumentar o desempenho de três medidas de confiança aprendidas no conjunto de dados KITTI2012, simplesmente treinando-as numa grande quantidade de dados de treino gerados automaticamente em vez de numa quantidade limitada de dados de referência a laser.", "ner": [[{"text": "Medidas de confiança aprendidas", "type": "Método"}, {"text": "remoção de outliers", "type": "Tarefa"}, {"text": "melhoria da qualidade", "type": "Tarefa"}, {"text": "visão estéreo", "type": "Tarefa"}], [{"text": "tarefa", "type": "Genérico"}, {"text": "interação manual", "type": "Outros Termos Científicos"}, {"text": "dispositivos de deteção ativos", "type": "Outros Termos Científicos"}, {"text": "cenas sintéticas", "type": "Outros Termos Científicos"}], [{"text": "problema", "type": "Genérico"}, {"text": "imagens estéreo", "type": "Material"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "pontos de vista", "type": "Outros Termos Científicos"}, {"text": "múltiplos mapas de profundidade", "type": "Outros Termos Científicos"}, {"text": "algoritmo estéreo", "type": "Método"}], [], [{"text": "abordagem", "type": "Genérico"}, {"text": "medidas de confiança aprendidas", "type": "Método"}, {"text": "conjunto de dados KITTI2012", "type": "Material"}, {"text": "as", "type": "Genérico"}, {"text": "dados de treino gerados automaticamente", "type": "Material"}, {"text": "dados de referência a laser", "type": "Material"}]], "relations": [[{"head": "Medidas de confiança aprendidas", "tail": "remoção de outliers", "relation": "Usado-para"}, {"head": "Medidas de confiança aprendidas", "tail": "melhoria da qualidade", "relation": "Usado-para"}, {"head": "remoção de outliers", "tail": "melhoria da qualidade", "relation": "Conjunção"}, {"head": "remoção de outliers", "tail": "visão estéreo", "relation": "Parte-de"}, {"head": "melhoria da qualidade", "tail": "visão estéreo", "relation": "Parte-de"}], [{"head": "interação manual", "tail": "tarefa", "relation": "Usado-para"}, {"head": "interação manual", "tail": "dispositivos de deteção ativos", "relation": "Conjunção"}, {"head": "dispositivos de deteção ativos", "tail": "tarefa", "relation": "Usado-para"}, {"head": "dispositivos de deteção ativos", "tail": "cenas sintéticas", "relation": "Conjunção"}, {"head": "cenas sintéticas", "tail": "tarefa", "relation": "Usado-para"}], [], [{"head": "pontos de vista", "tail": "abordagem", "relation": "Usado-para"}], [], [{"head": "abordagem", "tail": "medidas de confiança aprendidas", "relation": "Usado-para"}, {"head": "conjunto de dados KITTI2012", "tail": "medidas de confiança aprendidas", "relation": "Avaliado-para"}, {"head": "dados de treino gerados automaticamente", "tail": "as", "relation": "Usado-para"}, {"head": "dados de referência a laser", "tail": "dados de treino gerados automaticamente", "relation": "Comparado-com"}]], "clusters": [["tarefa", "problema"], ["Medidas de confiança aprendidas", "medidas de confiança aprendidas", "as"], ["abordagem", "algoritmo estéreo", "abordagem"]]}
{"doc_id": "ICML_1995_38_abs", "text": "Uma área importante de aprendizagem em agentes autónomos é a capacidade de aprender modelos de ações específicos de domínio a serem usados por sistemas de planeamento. Neste artigo, apresentamos métodos pelos quais um agente aprende modelos de ações a partir da sua própria experiência e da sua observação de um perito no domínio. Estes métodos diferem de trabalhos anteriores na área de duas maneiras: o uso de um formalismo de modelo de ação que é mais adequado às necessidades de um agente reativo e a implementação bem-sucedida de mecanismos de tratamento de ruído. Instâncias de treino são geradas a partir de experiência e observação, e uma variante do GOLEM é usada para aprender modelos de ações a partir destas instâncias. O sistema de aprendizagem integrado foi validado experimentalmente em domínios de escritório e de construção simulada.", "ner": [[{"text": "aprendizagem em agentes autónomos", "type": "Tarefa"}, {"text": "modelos de ações específicos de domínio", "type": "Método"}, {"text": "sistemas de planeamento", "type": "Tarefa"}], [{"text": "métodos", "type": "Genérico"}, {"text": "modelos de ações", "type": "Método"}, {"text": "perito no domínio", "type": "Outros Termos Científicos"}], [{"text": "métodos", "type": "Métrica"}, {"text": "formalismo de modelo de ação", "type": "Método"}, {"text": "agente reativo", "type": "Método"}, {"text": "mecanismos de tratamento de ruído", "type": "Método"}], [{"text": "GOLEM", "type": "Método"}, {"text": "modelos de ações", "type": "Método"}], [{"text": "sistema de aprendizagem integrado", "type": "Método"}, {"text": "construção simulada", "type": "Tarefa"}, {"text": "domínios de escritório", "type": "Tarefa"}]], "relations": [[{"head": "aprendizagem em agentes autónomos", "tail": "modelos de ações específicos de domínio", "relation": "Usado-para"}, {"head": "sistemas de planeamento", "tail": "modelos de ações específicos de domínio", "relation": "Usado-para"}], [], [{"head": "formalismo de modelo de ação", "tail": "métodos", "relation": "Usado-para"}, {"head": "formalismo de modelo de ação", "tail": "agente reativo", "relation": "Usado-para"}, {"head": "mecanismos de tratamento de ruído", "tail": "métodos", "relation": "Usado-para"}], [{"head": "GOLEM", "tail": "modelos de ações", "relation": "Usado-para"}], [{"head": "construção simulada", "tail": "sistema de aprendizagem integrado", "relation": "Avaliado-para"}, {"head": "construção simulada", "tail": "domínios de escritório", "relation": "Conjunção"}, {"head": "domínios de escritório", "tail": "sistema de aprendizagem integrado", "relation": "Avaliado-para"}]], "clusters": [["métodos", "métodos", "sistema de aprendizagem integrado"], ["modelos de ações específicos de domínio", "modelos de ações", "modelos de ações"]]}
{"doc_id": "P06-4007", "text": "Este artigo descreve o FERRET, um sistema interativo de pergunta-resposta -LRB- P/R -RRB- concebido para responder aos desafios de integrar aplicações automáticas de P/R em ambientes do mundo real. O FERRET utiliza uma abordagem inovadora de P/R conhecida como questionamento preditivo, que procura identificar as perguntas -LRB- e respostas -RRB- de que os utilizadores necessitam, analisando a forma como um utilizador interage com um sistema enquanto reúne informação relacionada com um determinado cenário.", "ner": [[{"text": "FERRET", "type": "Método"}, {"text": "sistema interativo de pergunta-resposta -LRB- P/R -RRB-", "type": "Método"}, {"text": "integrar aplicações automáticas de P/R em ambientes do mundo real", "type": "Tarefa"}], [{"text": "FERRET", "type": "Método"}, {"text": "abordagem", "type": "Genérico"}, {"text": "P/R", "type": "Método"}, {"text": "questionamento preditivo", "type": "Método"}]], "relations": [[{"head": "FERRET", "tail": "sistema interativo de pergunta-resposta -LRB- P/R -RRB-", "relation": "Hipónimo-de"}, {"head": "FERRET", "tail": "integrar aplicações automáticas de P/R em ambientes do mundo real", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "FERRET", "relation": "Usado-para"}, {"head": "abordagem", "tail": "P/R", "relation": "Usado-para"}]], "clusters": [["sistema interativo de pergunta-resposta -LRB- P/R -RRB-", "P/R"], ["abordagem", "questionamento preditivo"], ["FERRET", "FERRET"]]}
{"doc_id": "E99-1015", "text": "Para construir robustos sistemas automáticos de elaboração de resumos, é necessário dispor de melhores recursos de treino do que os atualmente disponíveis. Neste artigo, introduzimos um esquema de anotação para artigos científicos que pode ser utilizado para construir esse tipo de recurso de forma consistente. As sete categorias do esquema baseiam-se em movimentos retóricos de argumentação. Os nossos resultados experimentais mostram que o esquema é estável, reprodutível e intuitivo de utilizar.", "ner": [[{"text": "sistemas automáticos de elaboração de resumos", "type": "Tarefa"}, {"text": "recursos de treino", "type": "Material"}], [{"text": "esquema de anotação", "type": "Método"}, {"text": "artigos científicos", "type": "Material"}, {"text": "recurso", "type": "Genérico"}], [{"text": "esquema", "type": "Genérico"}, {"text": "movimentos retóricos de argumentação", "type": "Método"}], [{"text": "esquema", "type": "Genérico"}]], "relations": [[{"head": "recursos de treino", "tail": "sistemas automáticos de elaboração de resumos", "relation": "Usado-para"}], [{"head": "esquema de anotação", "tail": "artigos científicos", "relation": "Usado-para"}, {"head": "esquema de anotação", "tail": "recurso", "relation": "Usado-para"}], [{"head": "movimentos retóricos de argumentação", "tail": "esquema", "relation": "Usado-para"}], []], "clusters": [["esquema de anotação", "esquema", "esquema"], ["recursos de treino", "recurso"]]}
{"doc_id": "CVPR_2004_18_abs", "text": "A segmentação automatizada de imagens em partes semanticamente significativas requer informação de forma, uma vez que a análise de características de baixo nível por si só muitas vezes não consegue atingir este objetivo. Introduzimos um novo método de segmentação de imagens com restrições de forma, que se baseia em misturas de distribuições de características para cor e textura, bem como em conhecimento probabilístico de forma. A abordagem combinada é formulada no enquadramento da estatística Bayesiana para dar resposta ao requisito de robustez na compreensão de imagens. Evidência experimental mostra que são inferidos segmentos semanticamente significativos, mesmo quando os próprios dados de imagem dão origem a segmentações ambíguas.", "ner": [[{"text": "segmentação automatizada", "type": "Tarefa"}, {"text": "imagens", "type": "Material"}, {"text": "informação de forma", "type": "Outros Termos Científicos"}, {"text": "análise de características de baixo nível", "type": "Método"}], [{"text": "método", "type": "Método"}, {"text": "segmentação de imagens com restrições de forma", "type": "Tarefa"}, {"text": "misturas de distribuições de características", "type": "Outros Termos Científicos"}, {"text": "cor", "type": "Outros Termos Científicos"}, {"text": "textura", "type": "Outros Termos Científicos"}, {"text": "conhecimento probabilístico de forma", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "estatística Bayesiana", "type": "Método"}, {"text": "requisito de robustez na compreensão de imagens", "type": "Tarefa"}], [{"text": "dados de imagem", "type": "Material"}]], "relations": [[{"head": "imagens", "tail": "segmentação automatizada", "relation": "Usado-para"}], [{"head": "método", "tail": "segmentação de imagens com restrições de forma", "relation": "Usado-para"}, {"head": "misturas de distribuições de características", "tail": "método", "relation": "Usado-para"}, {"head": "misturas de distribuições de características", "tail": "cor", "relation": "Usado-para"}, {"head": "misturas de distribuições de características", "tail": "textura", "relation": "Usado-para"}, {"head": "misturas de distribuições de características", "tail": "conhecimento probabilístico de forma", "relation": "Usado-para"}, {"head": "cor", "tail": "textura", "relation": "Conjunção"}, {"head": "textura", "tail": "conhecimento probabilístico de forma", "relation": "Conjunção"}], [{"head": "abordagem", "tail": "requisito de robustez na compreensão de imagens", "relation": "Usado-para"}, {"head": "estatística Bayesiana", "tail": "abordagem", "relation": "Usado-para"}], []], "clusters": [["método", "abordagem"]]}
{"doc_id": "J86-4002", "text": "O objetivo deste trabalho é o enriquecimento das interações humano-máquina num ambiente de linguagem natural. Como um locutor e um ouvinte não podem ter a garantia de partilhar as mesmas crenças, contextos, perceções, experiências ou objetivos, em cada ponto de uma conversação surgem dificuldades e erros quando o ouvinte interpreta o enunciado do locutor. Esses erros podem conduzir a vários tipos de mal-entendidos entre o locutor e o ouvinte, incluindo falhas de referência ou falhas em compreender a intenção do locutor. Chamamos a estes mal-entendidos falhas de comunicação. Tais erros podem abrandar e, possivelmente, levar à rutura da comunicação. O nosso objetivo é reconhecer e isolar essas falhas de comunicação e contorná-las. Este artigo destaca uma classe particular de falha de comunicação — problemas de referência — descrevendo um estudo de caso e técnicas para evitar falhas de referência. Pretendemos ilustrar um enquadramento menos restritivo do que os anteriores, permitindo ao locutor maior liberdade na formulação de um enunciado sobre uma tarefa e na escolha do veículo conversacional para o transmitir. O artigo também promove uma nova perspetiva sobre referência extensional.", "ner": [[{"text": "interações humano-máquina", "type": "Tarefa"}, {"text": "ambiente de linguagem natural", "type": "Outros Termos Científicos"}], [], [{"text": "falhas de referência", "type": "Outros Termos Científicos"}, {"text": "intenção do locutor", "type": "Outros Termos Científicos"}], [{"text": "falhas de comunicação", "type": "Tarefa"}], [], [{"text": "falhas de comunicação", "type": "Tarefa"}, {"text": "as", "type": "Genérico"}], [{"text": "falha de comunicação", "type": "Tarefa"}, {"text": "problemas de referência", "type": "Tarefa"}, {"text": "técnicas", "type": "Genérico"}, {"text": "falhas de referência", "type": "Tarefa"}], [], [{"text": "referência extensional", "type": "Tarefa"}]], "relations": [[{"head": "ambiente de linguagem natural", "tail": "interações humano-máquina", "relation": "Característica-de"}], [], [], [], [], [], [{"head": "problemas de referência", "tail": "falha de comunicação", "relation": "Hipónimo-de"}, {"head": "técnicas", "tail": "falhas de referência", "relation": "Usado-para"}], [], []], "clusters": [["falha de comunicação", "falhas de comunicação", "as", "falha de comunicação"]]}
{"doc_id": "P06-1013", "text": "Os métodos de combinação são uma forma eficaz de melhorar o desempenho do sistema. Este artigo analisa os benefícios da combinação de sistemas para DES não supervisionada. Investigamos várias estratégias de combinação baseadas em votação e em árbitro sobre um conjunto diversificado de sistemas de DES não supervisionada. Os nossos métodos de combinação baseiam-se em sentidos predominantes que são derivados automaticamente de texto bruto. Experiências utilizando os conjuntos de dados SemCor e Senseval-3 demonstram que os nossos conjuntos produzem resultados significativamente melhores quando comparados com o estado da arte.", "ner": [[{"text": "métodos de combinação", "type": "Método"}], [{"text": "combinação de sistemas", "type": "Método"}, {"text": "DES não supervisionada", "type": "Tarefa"}], [{"text": "estratégias de combinação baseadas em votação e em árbitro", "type": "Método"}, {"text": "sistemas de DES não supervisionada", "type": "Método"}], [{"text": "métodos de combinação", "type": "Método"}, {"text": "sentidos predominantes", "type": "Outros Termos Científicos"}, {"text": "texto bruto", "type": "Material"}], [{"text": "conjuntos de dados SemCor e Senseval-3", "type": "Material"}, {"text": "conjuntos", "type": "Genérico"}, {"text": "estado da arte", "type": "Genérico"}]], "relations": [[], [{"head": "combinação de sistemas", "tail": "DES não supervisionada", "relation": "Usado-para"}], [{"head": "estratégias de combinação baseadas em votação e em árbitro", "tail": "sistemas de DES não supervisionada", "relation": "Usado-para"}], [{"head": "sentidos predominantes", "tail": "métodos de combinação", "relation": "Usado-para"}, {"head": "texto bruto", "tail": "sentidos predominantes", "relation": "Usado-para"}], [{"head": "conjuntos de dados SemCor e Senseval-3", "tail": "conjuntos", "relation": "Avaliado-para"}, {"head": "conjuntos de dados SemCor e Senseval-3", "tail": "estado da arte", "relation": "Avaliado-para"}]], "clusters": [["métodos de combinação", "conjuntos", "estado da arte"]]}
{"doc_id": "P05-1046", "text": "A aplicabilidade de muitas das atuais técnicas de extração de informação é severamente limitada pela necessidade de dados de treino supervisionados. Demonstramos que, para certas tarefas de extração com estrutura de campos, como anúncios classificados e citações bibliográficas, pequenas quantidades de conhecimento prévio podem ser usadas para aprender modelos eficazes de forma predominantemente não supervisionada. Embora modelos de Markov escondidos -LRB- HMMs -RRB- forneçam um modelo gerativo adequado para texto com estrutura de campos, a aprendizagem não supervisionada de HMM geral falha em aprender uma estrutura útil em qualquer um dos nossos domínios. No entanto, pode‑se melhorar dramaticamente a qualidade da estrutura aprendida explorando conhecimento prévio simples das soluções desejadas. Em ambos os domínios, descobrimos que métodos não supervisionados podem atingir exatidões com 400 exemplos não rotulados comparáveis às atingidas por métodos supervisionados em 50 exemplos rotulados, e que métodos semi-supervisionados podem fazer bom uso de pequenas quantidades de dados rotulados.", "ner": [[{"text": "técnicas de extração de informação", "type": "Método"}, {"text": "dados de treino supervisionados", "type": "Material"}], [{"text": "tarefas de extração com estrutura de campos", "type": "Tarefa"}, {"text": "anúncios classificados", "type": "Material"}, {"text": "citações bibliográficas", "type": "Material"}, {"text": "conhecimento prévio", "type": "Outros Termos Científicos"}], [{"text": "modelos de Markov escondidos -LRB- HMMs -RRB-", "type": "Método"}, {"text": "modelo gerativo", "type": "Método"}, {"text": "texto com estrutura de campos", "type": "Material"}, {"text": "aprendizagem não supervisionada de HMM", "type": "Método"}], [{"text": "conhecimento prévio", "type": "Outros Termos Científicos"}], [{"text": "métodos não supervisionados", "type": "Método"}, {"text": "exatidões", "type": "Métrica"}, {"text": "exemplos não rotulados", "type": "Material"}, {"text": "métodos supervisionados", "type": "Método"}, {"text": "exemplos rotulados", "type": "Material"}, {"text": "métodos semi-supervisionados", "type": "Método"}, {"text": "dados rotulados", "type": "Material"}]], "relations": [[{"head": "dados de treino supervisionados", "tail": "técnicas de extração de informação", "relation": "Usado-para"}], [{"head": "anúncios classificados", "tail": "tarefas de extração com estrutura de campos", "relation": "Hipónimo-de"}, {"head": "anúncios classificados", "tail": "citações bibliográficas", "relation": "Conjunção"}, {"head": "citações bibliográficas", "tail": "tarefas de extração com estrutura de campos", "relation": "Hipónimo-de"}, {"head": "conhecimento prévio", "tail": "tarefas de extração com estrutura de campos", "relation": "Usado-para"}], [{"head": "modelos de Markov escondidos -LRB- HMMs -RRB-", "tail": "modelo gerativo", "relation": "Usado-para"}, {"head": "modelo gerativo", "tail": "texto com estrutura de campos", "relation": "Usado-para"}], [], [{"head": "métodos não supervisionados", "tail": "métodos supervisionados", "relation": "Comparado-com"}, {"head": "exatidões", "tail": "métodos não supervisionados", "relation": "Avaliado-para"}, {"head": "exatidões", "tail": "métodos supervisionados", "relation": "Avaliado-para"}, {"head": "exemplos não rotulados", "tail": "métodos não supervisionados", "relation": "Usado-para"}, {"head": "exemplos rotulados", "tail": "métodos supervisionados", "relation": "Usado-para"}, {"head": "dados rotulados", "tail": "métodos semi-supervisionados", "relation": "Usado-para"}]], "clusters": []}
{"doc_id": "J82-3002", "text": "Este artigo apresenta uma descrição geral de um protótipo de sistema de resposta a perguntas em linguagem natural, chamado Chat-80. O Chat-80 foi concebido para ser simultaneamente eficiente e facilmente adaptável a uma variedade de aplicações. O sistema é implementado inteiramente em Prolog, uma linguagem de programação baseada em lógica. Com a ajuda de um formalismo de gramática baseado em lógica, chamado gramáticas de extraposição, o Chat-80 traduz perguntas em inglês para o subconjunto Prolog da lógica. A expressão lógica resultante é então transformada por um algoritmo de planificação em Prolog eficiente, cf. optimização de consultas numa base de dados relacional. Finalmente, a forma Prolog é executada para produzir a resposta.", "ner": [[{"text": "sistema de resposta a perguntas em linguagem natural", "type": "Método"}, {"text": "Chat-80", "type": "Método"}], [{"text": "Chat-80", "type": "Método"}], [{"text": "sistema", "type": "Genérico"}, {"text": "Prolog", "type": "Outros Termos Científicos"}, {"text": "linguagem de programação", "type": "Outros Termos Científicos"}, {"text": "lógica", "type": "Outros Termos Científicos"}], [{"text": "formalismo de gramática baseado em lógica", "type": "Método"}, {"text": "gramáticas de extraposição", "type": "Método"}, {"text": "Chat-80", "type": "Método"}, {"text": "subconjunto Prolog da lógica", "type": "Outros Termos Científicos"}], [{"text": "expressão lógica", "type": "Outros Termos Científicos"}, {"text": "algoritmo de planificação", "type": "Método"}, {"text": "Prolog", "type": "Outros Termos Científicos"}, {"text": "optimização de consultas", "type": "Método"}, {"text": "base de dados relacional", "type": "Material"}], [{"text": "forma Prolog", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "Chat-80", "tail": "sistema de resposta a perguntas em linguagem natural", "relation": "Hipónimo-de"}], [], [{"head": "Prolog", "tail": "sistema", "relation": "Usado-para"}, {"head": "Prolog", "tail": "linguagem de programação", "relation": "Hipónimo-de"}, {"head": "lógica", "tail": "linguagem de programação", "relation": "Usado-para"}], [{"head": "gramáticas de extraposição", "tail": "formalismo de gramática baseado em lógica", "relation": "Hipónimo-de"}, {"head": "gramáticas de extraposição", "tail": "Chat-80", "relation": "Usado-para"}], [{"head": "algoritmo de planificação", "tail": "expressão lógica", "relation": "Usado-para"}, {"head": "base de dados relacional", "tail": "optimização de consultas", "relation": "Usado-para"}], []], "clusters": [["Chat-80", "Chat-80", "sistema", "Chat-80"]]}
{"doc_id": "ECCV_2016_99_abs", "text": "O reconhecimento de ações humanas a partir de dados de esqueleto 3D bem segmentados tem sido intensivamente estudado e tem atraído uma atenção crescente. A deteção online de ações dá um passo em frente e é mais desafiante, pois identifica o tipo de ação e localiza as posições da ação em tempo real a partir do fluxo não cortado. Neste artigo, estudamos o problema da deteção online de ações a partir de dados de esqueleto em fluxo. Propomos uma Rede Neural Recorrente de Classificação-Regressão Conjunta de ponta a ponta e multi-tarefa para explorar melhor o tipo de ação e a informação de localização temporal. Ao empregar um objetivo de otimização conjunto de classificação e regressão, esta rede é capaz de localizar automaticamente os pontos de início e fim das ações com maior precisão. Especificamente, ao tirar partido dos méritos da sub-rede profunda de Memória de Longo e Curto Prazo (LSTM), o modelo proposto capta automaticamente as complexas dinâmicas temporais de longo alcance, o que evita naturalmente o típico desenho de janela deslizante e, assim, garante uma elevada eficiência computacional. Além disso, a subtarefa de otimização de regressão fornece a capacidade de prever a ação antes da sua ocorrência. Para avaliar o nosso modelo proposto, construímos um grande conjunto de dados de vídeo em fluxo com anotações. Os resultados experimentais sobre o nosso conjunto de dados e o conjunto de dados G3D público demonstram ambos um desempenho muito promissor do nosso esquema.", "ner": [[{"text": "reconhecimento de ações humanas", "type": "Tarefa"}, {"text": "dados de esqueleto 3D bem segmentados", "type": "Material"}], [{"text": "deteção online de ações", "type": "Tarefa"}, {"text": "tipo de ação", "type": "Outros Termos Científicos"}, {"text": "posições da ação", "type": "Outros Termos Científicos"}, {"text": "fluxo não cortado", "type": "Material"}], [{"text": "deteção online de ações", "type": "Tarefa"}, {"text": "dados de esqueleto em fluxo", "type": "Material"}], [{"text": "Rede Neural Recorrente de Classificação-Regressão Conjunta de ponta a ponta e multi-tarefa", "type": "Método"}, {"text": "tipo de ação", "type": "Outros Termos Científicos"}, {"text": "informação de localização temporal", "type": "Outros Termos Científicos"}], [{"text": "objetivo de otimização conjunto de classificação e regressão", "type": "Outros Termos Científicos"}, {"text": "rede", "type": "Genérico"}], [{"text": "sub-rede profunda de Memória de Longo e Curto Prazo (LSTM)", "type": "Método"}, {"text": "modelo", "type": "Genérico"}, {"text": "dinâmicas temporais de longo alcance", "type": "Outros Termos Científicos"}, {"text": "desenho de janela deslizante", "type": "Método"}, {"text": "eficiência computacional", "type": "Outros Termos Científicos"}], [{"text": "otimização de regressão", "type": "Tarefa"}], [{"text": "modelo", "type": "Genérico"}, {"text": "conjunto de dados de vídeo em fluxo", "type": "Material"}], [{"text": "conjunto de dados", "type": "Genérico"}, {"text": "conjunto de dados G3D", "type": "Material"}]], "relations": [[{"head": "dados de esqueleto 3D bem segmentados", "tail": "reconhecimento de ações humanas", "relation": "Usado-para"}], [{"head": "deteção online de ações", "tail": "tipo de ação", "relation": "Usado-para"}, {"head": "deteção online de ações", "tail": "posições da ação", "relation": "Usado-para"}, {"head": "tipo de ação", "tail": "posições da ação", "relation": "Conjunção"}, {"head": "fluxo não cortado", "tail": "deteção online de ações", "relation": "Usado-para"}], [{"head": "dados de esqueleto em fluxo", "tail": "deteção online de ações", "relation": "Usado-para"}], [{"head": "Rede Neural Recorrente de Classificação-Regressão Conjunta de ponta a ponta e multi-tarefa", "tail": "tipo de ação", "relation": "Usado-para"}, {"head": "Rede Neural Recorrente de Classificação-Regressão Conjunta de ponta a ponta e multi-tarefa", "tail": "informação de localização temporal", "relation": "Usado-para"}, {"head": "tipo de ação", "tail": "informação de localização temporal", "relation": "Conjunção"}], [{"head": "objetivo de otimização conjunto de classificação e regressão", "tail": "rede", "relation": "Usado-para"}], [{"head": "sub-rede profunda de Memória de Longo e Curto Prazo (LSTM)", "tail": "modelo", "relation": "Usado-para"}, {"head": "dinâmicas temporais de longo alcance", "tail": "modelo", "relation": "Característica-de"}], [], [{"head": "conjunto de dados de vídeo em fluxo", "tail": "modelo", "relation": "Avaliado-para"}], [{"head": "conjunto de dados", "tail": "conjunto de dados G3D", "relation": "Conjunção"}]], "clusters": [["Rede Neural Recorrente de Classificação-Regressão Conjunta de ponta a ponta e multi-tarefa", "rede", "modelo", "modelo"], ["deteção online de ações", "deteção online de ações"], ["conjunto de dados de vídeo em fluxo", "conjunto de dados"]]}
{"doc_id": "I05-5003", "text": "A tarefa de avaliação de tradução automática -LRB- MT -RRB- está intimamente relacionada com a tarefa de classificação de equivalência semântica ao nível da frase. Este artigo investiga a utilidade de aplicar métodos de avaliação de MT padrão -LRB- BLEU, NIST, WER e PER -RRB- à construção de classificadores para prever equivalência semântica e implicação. Introduzimos também um novo método de classificação baseado em PER que explora informação de classe gramatical das palavras que contribuem para as correspondências e não correspondências de palavras na frase. Os nossos resultados mostram que as técnicas de avaliação de MT são capazes de produzir características úteis para a classificação de paráfrases e, em menor grau, para implicação. A nossa técnica proporciona uma melhoria substancial na precisão da classificação de paráfrases em relação a todos os outros modelos usados nas experiências.", "ner": [[{"text": "avaliação de tradução automática -LRB- MT -RRB-", "type": "Tarefa"}, {"text": "classificação de equivalência semântica ao nível da frase", "type": "Tarefa"}], [{"text": "métodos de avaliação de MT", "type": "Métrica"}, {"text": "BLEU", "type": "Métrica"}, {"text": "NIST", "type": "Métrica"}, {"text": "WER", "type": "Métrica"}, {"text": "PER", "type": "Métrica"}, {"text": "classificadores", "type": "Método"}, {"text": "equivalência semântica", "type": "Tarefa"}, {"text": "implicação", "type": "Tarefa"}], [{"text": "método de classificação", "type": "Método"}, {"text": "PER", "type": "Métrica"}, {"text": "informação de classe gramatical", "type": "Outros Termos Científicos"}, {"text": "correspondências e não correspondências de palavras", "type": "Tarefa"}], [{"text": "técnicas de avaliação de MT", "type": "Método"}, {"text": "características", "type": "Outros Termos Científicos"}, {"text": "classificação de paráfrases", "type": "Tarefa"}, {"text": "implicação", "type": "Tarefa"}], [{"text": "técnica", "type": "Genérico"}, {"text": "classificação de paráfrases", "type": "Tarefa"}, {"text": "precisão da classificação de paráfrases", "type": "Métrica"}, {"text": "modelos", "type": "Genérico"}]], "relations": [[{"head": "avaliação de tradução automática -LRB- MT -RRB-", "tail": "classificação de equivalência semântica ao nível da frase", "relation": "Conjunção"}], [{"head": "métodos de avaliação de MT", "tail": "classificadores", "relation": "Usado-para"}, {"head": "BLEU", "tail": "métodos de avaliação de MT", "relation": "Hipónimo-de"}, {"head": "BLEU", "tail": "NIST", "relation": "Conjunção"}, {"head": "NIST", "tail": "métodos de avaliação de MT", "relation": "Hipónimo-de"}, {"head": "NIST", "tail": "WER", "relation": "Conjunção"}, {"head": "WER", "tail": "métodos de avaliação de MT", "relation": "Hipónimo-de"}, {"head": "WER", "tail": "PER", "relation": "Conjunção"}, {"head": "PER", "tail": "métodos de avaliação de MT", "relation": "Hipónimo-de"}, {"head": "classificadores", "tail": "equivalência semântica", "relation": "Usado-para"}, {"head": "classificadores", "tail": "implicação", "relation": "Usado-para"}, {"head": "equivalência semântica", "tail": "implicação", "relation": "Conjunção"}], [{"head": "PER", "tail": "método de classificação", "relation": "Usado-para"}, {"head": "PER", "tail": "informação de classe gramatical", "relation": "Usado-para"}, {"head": "informação de classe gramatical", "tail": "correspondências e não correspondências de palavras", "relation": "Usado-para"}], [{"head": "técnicas de avaliação de MT", "tail": "características", "relation": "Usado-para"}, {"head": "técnicas de avaliação de MT", "tail": "classificação de paráfrases", "relation": "Usado-para"}, {"head": "técnicas de avaliação de MT", "tail": "implicação", "relation": "Usado-para"}, {"head": "classificação de paráfrases", "tail": "implicação", "relation": "Conjunção"}], [{"head": "técnica", "tail": "modelos", "relation": "Comparado-com"}, {"head": "precisão da classificação de paráfrases", "tail": "técnica", "relation": "Avaliado-para"}, {"head": "precisão da classificação de paráfrases", "tail": "modelos", "relation": "Avaliado-para"}]], "clusters": [["classificadores", "método de classificação", "técnica"], ["PER", "PER"], ["métodos de avaliação de MT", "técnicas de avaliação de MT"], ["classificação de paráfrases", "classificação de paráfrases"]]}
{"doc_id": "CVPR_2008_256_abs", "text": "Dado um modelo de objeto e uma medida de similaridade de caixa‑preta entre o modelo e os alvos candidatos, consideramos o seguimento visual de objetos como um problema de otimização numérica. Durante condições normais de seguimento, quando o objeto é visível de frame para frame, é usada a otimização local para seguir o modo local da medida de similaridade num espaço de parâmetros de translação, rotação e escala. No entanto, quando o objeto se torna parcial ou totalmente ocluído, esse seguimento local é propenso a falhar, especialmente quando técnicas de previsão comuns como o filtro de Kalman não fornecem uma boa estimativa dos parâmetros do objeto em frames futuros. Para recuperar destas falhas de seguimento inevitáveis, consideramos a deteção de objetos como um problema de otimização global e resolvemo‑lo através de Adaptive Simulated Annealing -LRB- ASA -RRB-, um método que evita ficar preso em modos locais e é muito mais rápido do que a pesquisa exaustiva. Sendo uma abordagem de Monte Carlo, o ASA amostra estocasticamente o espaço de parâmetros, em contraste com a pesquisa determinística local. Aplicamos análise de clusters ao espaço de parâmetros amostrado para redetetar o objeto e renovar o seguidor local. O nosso seguidor numérico híbrido de procura de modos locais e globais é validado em vídeos aéreos desafiantes com forte oclusão e grandes movimentos de câmara. A nossa abordagem supera seguidores de última geração nos conjuntos de dados de benchmark VIVID.", "ner": [[{"text": "modelo de objeto", "type": "Método"}, {"text": "medida de similaridade de caixa‑preta", "type": "Métrica"}, {"text": "modelo", "type": "Genérico"}, {"text": "seguimento visual de objetos", "type": "Tarefa"}, {"text": "problema de otimização numérica", "type": "Tarefa"}], [{"text": "otimização local", "type": "Método"}, {"text": "modo local da medida de similaridade", "type": "Outros Termos Científicos"}, {"text": "espaço de parâmetros de translação, rotação e escala", "type": "Outros Termos Científicos"}], [{"text": "seguimento local", "type": "Método"}, {"text": "técnicas de previsão", "type": "Método"}, {"text": "filtro de Kalman", "type": "Método"}], [{"text": "deteção de objetos", "type": "Tarefa"}, {"text": "problema de otimização global", "type": "Tarefa"}, {"text": "Adaptive Simulated Annealing -LRB- ASA -RRB-", "type": "Método"}, {"text": "método", "type": "Genérico"}, {"text": "pesquisa exaustiva", "type": "Método"}], [{"text": "abordagem de Monte Carlo", "type": "Método"}, {"text": "ASA", "type": "Método"}, {"text": "espaço de parâmetros", "type": "Outros Termos Científicos"}, {"text": "pesquisa determinística local", "type": "Método"}], [{"text": "análise de clusters", "type": "Método"}, {"text": "espaço de parâmetros amostrado", "type": "Outros Termos Científicos"}, {"text": "seguidor local", "type": "Método"}], [{"text": "seguidor numérico híbrido de procura de modos locais e globais", "type": "Método"}, {"text": "vídeos aéreos", "type": "Material"}, {"text": "forte oclusão", "type": "Outros Termos Científicos"}, {"text": "movimentos de câmara", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "seguidores de última geração", "type": "Genérico"}, {"text": "conjuntos de dados de benchmark VIVID", "type": "Material"}]], "relations": [[{"head": "problema de otimização numérica", "tail": "seguimento visual de objetos", "relation": "Usado-para"}], [{"head": "otimização local", "tail": "modo local da medida de similaridade", "relation": "Usado-para"}, {"head": "espaço de parâmetros de translação, rotação e escala", "tail": "modo local da medida de similaridade", "relation": "Usado-para"}], [{"head": "filtro de Kalman", "tail": "técnicas de previsão", "relation": "Parte-de"}], [{"head": "problema de otimização global", "tail": "deteção de objetos", "relation": "Usado-para"}, {"head": "método", "tail": "pesquisa exaustiva", "relation": "Comparado-com"}], [{"head": "ASA", "tail": "abordagem de Monte Carlo", "relation": "Hipónimo-de"}, {"head": "ASA", "tail": "pesquisa determinística local", "relation": "Comparado-com"}], [{"head": "análise de clusters", "tail": "espaço de parâmetros amostrado", "relation": "Usado-para"}, {"head": "análise de clusters", "tail": "seguidor local", "relation": "Usado-para"}], [{"head": "vídeos aéreos", "tail": "seguidor numérico híbrido de procura de modos locais e globais", "relation": "Avaliado-para"}, {"head": "forte oclusão", "tail": "vídeos aéreos", "relation": "Característica-de"}, {"head": "forte oclusão", "tail": "movimentos de câmara", "relation": "Conjunção"}, {"head": "movimentos de câmara", "tail": "vídeos aéreos", "relation": "Característica-de"}], [{"head": "seguidores de última geração", "tail": "abordagem", "relation": "Comparado-com"}, {"head": "conjuntos de dados de benchmark VIVID", "tail": "abordagem", "relation": "Avaliado-para"}, {"head": "conjuntos de dados de benchmark VIVID", "tail": "seguidores de última geração", "relation": "Avaliado-para"}]], "clusters": [["seguidor numérico híbrido de procura de modos locais e globais", "abordagem"], ["modelo de objeto", "modelo"], ["Adaptive Simulated Annealing -LRB- ASA -RRB-", "método", "ASA"]]}
{"doc_id": "P01-1056", "text": "Técnicas para treinar automaticamente módulos de um gerador de linguagem natural foram recentemente propostas, mas uma preocupação fundamental é saber se a qualidade dos enunciados produzidos com componentes treináveis pode competir com abordagens artesanais baseadas em templates ou em regras. Neste artigo, avaliamos experimentalmente um planificador de frases treinável para um sistema de diálogo falado, solicitando julgamentos humanos subjetivos. Para realizar uma comparação exaustiva, avaliamos também um componente de geração artesanal baseado em templates, dois planificadores de frases baseados em regras e dois planificadores de frases de linha de base. Mostramos que o planificador de frases treinável tem um desempenho melhor do que os sistemas baseados em regras e as linhas de base, e tão bem quanto o sistema artesanal.", "ner": [[{"text": "Técnicas", "type": "Genérico"}, {"text": "treinar automaticamente módulos", "type": "Método"}, {"text": "gerador de linguagem natural", "type": "Método"}, {"text": "qualidade dos enunciados", "type": "Métrica"}, {"text": "enunciados", "type": "Outros Termos Científicos"}, {"text": "componentes treináveis", "type": "Método"}, {"text": "abordagens artesanais baseadas em templates ou em regras", "type": "Método"}], [{"text": "planificador de frases treinável", "type": "Método"}, {"text": "sistema de diálogo falado", "type": "Método"}, {"text": "julgamentos humanos subjetivos", "type": "Outros Termos Científicos"}], [{"text": "componente de geração artesanal baseado em templates", "type": "Método"}, {"text": "planificadores de frases baseados em regras", "type": "Método"}, {"text": "planificadores de frases de linha de base", "type": "Método"}], [{"text": "planificador de frases treinável", "type": "Método"}, {"text": "sistemas baseados em regras", "type": "Método"}, {"text": "linhas de base", "type": "Genérico"}, {"text": "sistema artesanal", "type": "Método"}]], "relations": [[{"head": "Técnicas", "tail": "treinar automaticamente módulos", "relation": "Usado-para"}, {"head": "treinar automaticamente módulos", "tail": "gerador de linguagem natural", "relation": "Parte-de"}, {"head": "enunciados", "tail": "componentes treináveis", "relation": "Avaliado-para"}, {"head": "enunciados", "tail": "abordagens artesanais baseadas em templates ou em regras", "relation": "Avaliado-para"}, {"head": "componentes treináveis", "tail": "abordagens artesanais baseadas em templates ou em regras", "relation": "Comparado-com"}], [{"head": "planificador de frases treinável", "tail": "sistema de diálogo falado", "relation": "Usado-para"}, {"head": "julgamentos humanos subjetivos", "tail": "planificador de frases treinável", "relation": "Avaliado-para"}], [{"head": "componente de geração artesanal baseado em templates", "tail": "planificadores de frases baseados em regras", "relation": "Conjunção"}, {"head": "planificadores de frases baseados em regras", "tail": "planificadores de frases de linha de base", "relation": "Conjunção"}], [{"head": "planificador de frases treinável", "tail": "sistemas baseados em regras", "relation": "Comparado-com"}, {"head": "planificador de frases treinável", "tail": "linhas de base", "relation": "Comparado-com"}, {"head": "planificador de frases treinável", "tail": "sistema artesanal", "relation": "Comparado-com"}, {"head": "sistemas baseados em regras", "tail": "linhas de base", "relation": "Conjunção"}, {"head": "linhas de base", "tail": "sistema artesanal", "relation": "Conjunção"}]], "clusters": [["planificador de frases treinável", "planificador de frases treinável"], ["planificadores de frases baseados em regras", "sistemas baseados em regras"], ["planificadores de frases de linha de base", "linhas de base"], ["componente de geração artesanal baseado em templates", "sistema artesanal"]]}
{"doc_id": "ICCV_2003_151_abs", "text": "É proposto um novo algoritmo para a geração de vistas novas em aplicações de teleconferência um-para-um. Dadas as sequências de vídeo adquiridas por duas câmaras colocadas em ambos os lados de um monitor de computador, o algoritmo proposto sintetiza imagens a partir de uma câmara virtual em posição arbitrária -LRB- tipicamente localizada dentro do monitor -RRB- para facilitar o contacto visual. A nossa técnica baseia-se num algoritmo estéreo, de programação dinâmica, melhorado para a eficiente geração de novas vistas. As duas principais contribuições deste artigo são: i -RRB- um novo tipo de grafo de três planos para programação dinâmica de estéreo denso, que favorece a correta rotulagem de oclusões; ii -RRB- uma derivação geométrica compacta para a síntese de novas vistas por projeção direta da superfície de custo mínimo. Além disso, este artigo apresenta um novo algoritmo para a manutenção temporal de um modelo de fundo para melhorar a renderização de oclusões e reduzir artefactos temporais -LRB- cintilação -RRB-; e um algoritmo de agregação de custos que atua diretamente no nosso espaço tridimensional de custos de correspondência. São apresentados exemplos que demonstram a robustez do novo algoritmo a artefactos espaciais e temporais em longas sequências de vídeo estéreo. Estes incluem demonstrações de síntese de vistas ciclópicas de sequências conversacionais prolongadas. Demonstramos ainda a síntese a partir de uma câmara virtual em tradução livre.", "ner": [[{"text": "algoritmo", "type": "Genérico"}, {"text": "geração de vistas novas", "type": "Tarefa"}, {"text": "aplicações de teleconferência um-para-um", "type": "Tarefa"}], [{"text": "sequências de vídeo", "type": "Material"}, {"text": "câmaras", "type": "Outros Termos Científicos"}, {"text": "monitor de computador", "type": "Outros Termos Científicos"}, {"text": "algoritmo", "type": "Genérico"}, {"text": "imagens", "type": "Material"}, {"text": "câmara virtual", "type": "Outros Termos Científicos"}, {"text": "posição arbitrária", "type": "Outros Termos Científicos"}, {"text": "contacto visual", "type": "Outros Termos Científicos"}], [{"text": "técnica", "type": "Genérico"}, {"text": "algoritmo estéreo, de programação dinâmica", "type": "Método"}, {"text": "geração de novas vistas", "type": "Tarefa"}], [{"text": "grafo de três planos", "type": "Método"}, {"text": "programação dinâmica de estéreo denso", "type": "Método"}, {"text": "rotulagem de oclusões", "type": "Tarefa"}, {"text": "derivação geométrica compacta", "type": "Outros Termos Científicos"}, {"text": "síntese de novas vistas", "type": "Tarefa"}, {"text": "projeção direta da superfície de custo mínimo", "type": "Método"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "manutenção temporal de um modelo de fundo", "type": "Tarefa"}, {"text": "renderização de oclusões", "type": "Tarefa"}, {"text": "artefactos temporais -LRB- cintilação -RRB-", "type": "Outros Termos Científicos"}, {"text": "algoritmo de agregação de custos", "type": "Método"}, {"text": "espaço tridimensional de custos de correspondência", "type": "Outros Termos Científicos"}], [{"text": "robustez", "type": "Métrica"}, {"text": "algoritmo", "type": "Genérico"}, {"text": "artefactos espaciais e temporais", "type": "Outros Termos Científicos"}, {"text": "longas sequências de vídeo estéreo", "type": "Material"}], [{"text": "síntese de vistas ciclópicas de sequências conversacionais prolongadas", "type": "Tarefa"}, {"text": "vistas ciclópicas", "type": "Outros Termos Científicos"}, {"text": "sequências conversacionais prolongadas", "type": "Material"}], [{"text": "síntese", "type": "Tarefa"}, {"text": "câmara virtual em tradução livre", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "algoritmo", "tail": "geração de vistas novas", "relation": "Usado-para"}, {"head": "geração de vistas novas", "tail": "aplicações de teleconferência um-para-um", "relation": "Usado-para"}], [{"head": "câmaras", "tail": "sequências de vídeo", "relation": "Usado-para"}, {"head": "algoritmo", "tail": "contacto visual", "relation": "Usado-para"}, {"head": "câmara virtual", "tail": "imagens", "relation": "Usado-para"}, {"head": "posição arbitrária", "tail": "câmara virtual", "relation": "Característica-de"}], [{"head": "técnica", "tail": "geração de novas vistas", "relation": "Usado-para"}, {"head": "algoritmo estéreo, de programação dinâmica", "tail": "técnica", "relation": "Usado-para"}], [{"head": "grafo de três planos", "tail": "programação dinâmica de estéreo denso", "relation": "Usado-para"}, {"head": "programação dinâmica de estéreo denso", "tail": "rotulagem de oclusões", "relation": "Usado-para"}, {"head": "derivação geométrica compacta", "tail": "síntese de novas vistas", "relation": "Usado-para"}, {"head": "projeção direta da superfície de custo mínimo", "tail": "derivação geométrica compacta", "relation": "Usado-para"}], [{"head": "algoritmo", "tail": "manutenção temporal de um modelo de fundo", "relation": "Usado-para"}, {"head": "algoritmo", "tail": "renderização de oclusões", "relation": "Usado-para"}, {"head": "algoritmo", "tail": "artefactos temporais -LRB- cintilação -RRB-", "relation": "Usado-para"}, {"head": "algoritmo de agregação de custos", "tail": "algoritmo", "relation": "Conjunção"}, {"head": "algoritmo de agregação de custos", "tail": "espaço tridimensional de custos de correspondência", "relation": "Usado-para"}], [{"head": "robustez", "tail": "algoritmo", "relation": "Avaliado-para"}, {"head": "algoritmo", "tail": "artefactos espaciais e temporais", "relation": "Usado-para"}, {"head": "artefactos espaciais e temporais", "tail": "longas sequências de vídeo estéreo", "relation": "Usado-para"}], [], [{"head": "câmara virtual em tradução livre", "tail": "síntese", "relation": "Usado-para"}]], "clusters": [["algoritmo", "algoritmo", "técnica", "algoritmo", "algoritmo"], ["geração de vistas novas", "geração de novas vistas"]]}
{"doc_id": "C90-3063", "text": "A aquisição manual de restrições semânticas em domínios amplos é muito cara. Este artigo apresenta um esquema automático para recolher estatísticas sobre padrões de coocorrência num grande corpus. Em grande medida, estas estatísticas refletem restrições semânticas e, assim, são usadas para desambiguar referências anafóricas e ambiguidades sintáticas. O esquema foi implementado através da recolha de estatísticas sobre a saída de outras ferramentas linguísticas. Foi realizada uma experiência para resolver as referências do pronome 'it' em frases que foram selecionadas aleatoriamente do corpus. Os resultados da experiência mostram que, na maioria dos casos, as estatísticas de coocorrência refletem de facto as restrições semânticas e, assim, fornecem uma base para uma ferramenta de desambiguação útil.", "ner": [[{"text": "aquisição manual de restrições semânticas", "type": "Tarefa"}], [{"text": "padrões de coocorrência", "type": "Outros Termos Científicos"}], [{"text": "restrições semânticas", "type": "Outros Termos Científicos"}, {"text": "referências anafóricas", "type": "Outros Termos Científicos"}, {"text": "ambiguidades sintáticas", "type": "Outros Termos Científicos"}], [{"text": "ferramentas linguísticas", "type": "Método"}], [], [{"text": "estatísticas de coocorrência", "type": "Outros Termos Científicos"}, {"text": "restrições semânticas", "type": "Outros Termos Científicos"}, {"text": "ferramenta de desambiguação", "type": "Método"}]], "relations": [[], [], [{"head": "restrições semânticas", "tail": "referências anafóricas", "relation": "Usado-para"}, {"head": "restrições semânticas", "tail": "ambiguidades sintáticas", "relation": "Usado-para"}, {"head": "referências anafóricas", "tail": "ambiguidades sintáticas", "relation": "Conjunção"}], [], [], [{"head": "estatísticas de coocorrência", "tail": "ferramenta de desambiguação", "relation": "Usado-para"}]], "clusters": []}
{"doc_id": "J05-4003", "text": "Apresentamos um novo método para descobrir frases paralelas em corpora comparáveis e não paralelos. Treinamos um classificador de máxima entropia que, dada uma dupla de frases, consegue determinar de forma fiável se são ou não traduções uma da outra. Usando esta abordagem, extraímos dados paralelos de grandes corpora de jornais não paralelos em chinês, árabe e inglês. Avaliamos a qualidade dos dados extraídos mostrando que estes melhoram o desempenho de um sistema de tradução automática estatística de última geração. Mostramos também que é possível construir um sistema de TA de boa qualidade a partir do zero, começando com um corpus paralelo muito pequeno -LRB- 100 000 palavras -RRB- e explorando um grande corpus não paralelo. Assim, o nosso método pode ser aplicado com grande benefício a pares de línguas para os quais existem apenas recursos escassos.", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "descobrir frases paralelas", "type": "Tarefa"}, {"text": "corpora comparáveis e não paralelos", "type": "Material"}], [{"text": "classificador de máxima entropia", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "dados paralelos", "type": "Material"}, {"text": "grandes corpora de jornais não paralelos em chinês, árabe e inglês", "type": "Material"}], [{"text": "esta", "type": "Genérico"}, {"text": "sistema de tradução automática estatística de última geração", "type": "Método"}], [{"text": "sistema de TA", "type": "Método"}, {"text": "corpus paralelo", "type": "Material"}, {"text": "corpus não paralelo", "type": "Material"}], [{"text": "método", "type": "Genérico"}, {"text": "recursos escassos", "type": "Material"}]], "relations": [[{"head": "método", "tail": "descobrir frases paralelas", "relation": "Usado-para"}, {"head": "corpora comparáveis e não paralelos", "tail": "descobrir frases paralelas", "relation": "Usado-para"}], [], [{"head": "abordagem", "tail": "dados paralelos", "relation": "Usado-para"}, {"head": "dados paralelos", "tail": "grandes corpora de jornais não paralelos em chinês, árabe e inglês", "relation": "Parte-de"}], [{"head": "esta", "tail": "sistema de tradução automática estatística de última geração", "relation": "Usado-para"}], [{"head": "corpus paralelo", "tail": "sistema de TA", "relation": "Usado-para"}, {"head": "corpus paralelo", "tail": "corpus não paralelo", "relation": "Conjunção"}, {"head": "corpus não paralelo", "tail": "sistema de TA", "relation": "Usado-para"}], [{"head": "recursos escassos", "tail": "método", "relation": "Usado-para"}]], "clusters": [["método", "classificador de máxima entropia", "abordagem", "esta", "método"], ["sistema de tradução automática estatística de última geração", "sistema de TA"]]}
{"doc_id": "C00-2123", "text": "Neste artigo, descrevemos um procedimento de pesquisa para tradução automática estatística -LRB- MT -RRB- baseado em programação dinâmica -LRB- DP -RRB-. Partindo de uma solução baseada em DP para o problema do caixeiro-viajante, apresentamos uma técnica inovadora para restringir a possível reordenação de palavras entre a língua de origem e a língua de chegada, de modo a obter um algoritmo de pesquisa eficiente. É apresentada uma restrição de pesquisa especialmente útil para a direção de tradução do alemão para o inglês. Os testes experimentais são realizados na tarefa Verbmobil -LRB- alemão-inglês, vocabulário de 8000 palavras -RRB-, que é uma tarefa de língua falada de domínio limitado.", "ner": [[{"text": "procedimento de pesquisa", "type": "Genérico"}, {"text": "tradução automática estatística -LRB- MT -RRB-", "type": "Tarefa"}, {"text": "programação dinâmica -LRB- DP -RRB-", "type": "Método"}], [{"text": "solução baseada em DP", "type": "Método"}, {"text": "problema do caixeiro-viajante", "type": "Método"}, {"text": "técnica", "type": "Genérico"}, {"text": "reordenação de palavras", "type": "Outros Termos Científicos"}, {"text": "algoritmo de pesquisa", "type": "Método"}], [], [{"text": "tarefa Verbmobil", "type": "Material"}, {"text": "alemão-inglês", "type": "Material"}, {"text": "tarefa de língua falada de domínio limitado", "type": "Tarefa"}]], "relations": [[{"head": "procedimento de pesquisa", "tail": "tradução automática estatística -LRB- MT -RRB-", "relation": "Usado-para"}, {"head": "programação dinâmica -LRB- DP -RRB-", "tail": "tradução automática estatística -LRB- MT -RRB-", "relation": "Usado-para"}], [{"head": "técnica", "tail": "algoritmo de pesquisa", "relation": "Usado-para"}], [], [{"head": "tarefa Verbmobil", "tail": "tarefa de língua falada de domínio limitado", "relation": "Hipónimo-de"}]], "clusters": []}
{"doc_id": "E91-1012", "text": "É apresentada uma implementação puramente funcional de analisadores LR, juntamente com uma prova simples de correcção. É apresentada como uma generalização do analisador de descida recursiva. Para gramáticas não-LR, a complexidade temporal do nosso analisador é cúbica se as funções que constituem o analisador forem implementadas como funções-memo, isto é, funções que memorizam os resultados de invocações anteriores. As funções-memo também facilitam uma forma simples de construir uma representação muito compacta da floresta de derivação. Para gramáticas LR -LRB- 0 -RRB-, o nosso algoritmo está intimamente relacionado com os analisadores de subida recursiva descobertos recentemente por Kruse-man Aretz -LSB- 1 -RSB- e Roberts -LSB- 2 -RSB-. Gramáticas CF estendidas -LRB- gramáticas com expressões regulares no lado direito -RRB- podem ser analisadas com uma simples modificação do analisador LR para gramáticas CF normais.", "ner": [[{"text": "analisadores LR", "type": "Método"}, {"text": "prova simples de correcção", "type": "Método"}], [{"text": "É apresentada", "type": "Genérico"}, {"text": "analisador de descida recursiva", "type": "Método"}], [{"text": "gramáticas não-LR", "type": "Método"}, {"text": "complexidade temporal", "type": "Métrica"}, {"text": "analisador", "type": "Método"}, {"text": "analisador", "type": "Método"}, {"text": "funções-memo", "type": "Método"}], [{"text": "As funções-memo", "type": "Método"}, {"text": "floresta de derivação", "type": "Outros Termos Científicos"}], [{"text": "gramáticas LR -LRB- 0 -RRB-", "type": "Método"}, {"text": "algoritmo", "type": "Genérico"}, {"text": "analisadores de subida recursiva", "type": "Outros Termos Científicos"}], [{"text": "Gramáticas CF estendidas", "type": "Método"}, {"text": "gramáticas", "type": "Método"}, {"text": "expressões regulares", "type": "Outros Termos Científicos"}, {"text": "analisador LR", "type": "Método"}, {"text": "gramáticas CF", "type": "Método"}]], "relations": [[{"head": "prova simples de correcção", "tail": "analisadores LR", "relation": "Conjunção"}], [{"head": "analisador de descida recursiva", "tail": "É apresentada", "relation": "Usado-para"}], [{"head": "complexidade temporal", "tail": "analisador", "relation": "Avaliado-para"}, {"head": "analisador", "tail": "gramáticas não-LR", "relation": "Usado-para"}, {"head": "funções-memo", "tail": "analisador", "relation": "Usado-para"}], [{"head": "As funções-memo", "tail": "floresta de derivação", "relation": "Usado-para"}], [{"head": "algoritmo", "tail": "gramáticas LR -LRB- 0 -RRB-", "relation": "Usado-para"}, {"head": "algoritmo", "tail": "analisadores de subida recursiva", "relation": "Conjunção"}], [{"head": "expressões regulares", "tail": "gramáticas", "relation": "Característica-de"}, {"head": "analisador LR", "tail": "Gramáticas CF estendidas", "relation": "Usado-para"}, {"head": "analisador LR", "tail": "gramáticas CF", "relation": "Usado-para"}]], "clusters": [["analisadores LR", "É apresentada", "analisador", "analisador", "algoritmo", "analisador LR"], ["funções-memo", "As funções-memo"], ["Gramáticas CF estendidas", "gramáticas"]]}
{"doc_id": "J86-3001", "text": "Neste artigo exploramos uma nova teoria da estrutura do discurso que enfatiza o papel do propósito e do processamento no discurso. Nesta teoria, a estrutura do discurso é composta por três componentes distintos mas inter-relacionados: a estrutura da sequência de enunciados (chamada estrutura linguística), uma estrutura de propósitos (chamada estrutura intencional) e o estado de foco de atenção (chamado estado atencional). A estrutura linguística consiste em segmentos do discurso nos quais os enunciados se agregam naturalmente. A estrutura intencional capta os propósitos relevantes para o discurso, expressos em cada um dos segmentos linguísticos, bem como as relações entre eles. O estado atencional é uma abstração do foco de atenção dos participantes à medida que o discurso se desenrola. O estado atencional, sendo dinâmico, regista os objetos, propriedades e relações que são salientes em cada ponto do discurso. A distinção entre estes componentes é essencial para fornecer uma explicação adequada de fenómenos de discurso como expressões de apoio, expressões referenciais e interrupções. A teoria da atenção, intenção e agregação de enunciados é ilustrada no artigo com vários exemplos de discursos. São descritas várias propriedades do discurso e são exploradas explicações para o comportamento de expressões de apoio, expressões referenciais e interrupções. Esta teoria fornece um enquadramento para descrever o processamento de enunciados num discurso. O processamento do discurso requer o reconhecimento de como os enunciados do discurso se agrupam em segmentos, o reconhecimento das intenções expressas no discurso e das relações entre intenções, e o acompanhamento do discurso através do funcionamento dos mecanismos associados ao estado atencional. Esta descrição do processamento especifica, nestas tarefas de reconhecimento, o papel da informação proveniente do discurso e do conhecimento dos participantes sobre o domínio.", "ner": [[{"text": "teoria da estrutura do discurso", "type": "Método"}, {"text": "discurso", "type": "Outros Termos Científicos"}], [{"text": "teoria", "type": "Genérico"}, {"text": "estrutura do discurso", "type": "Outros Termos Científicos"}, {"text": "componentes", "type": "Genérico"}, {"text": "estrutura linguística", "type": "Outros Termos Científicos"}, {"text": "estrutura intencional", "type": "Outros Termos Científicos"}, {"text": "estado atencional", "type": "Outros Termos Científicos"}], [{"text": "estrutura linguística", "type": "Outros Termos Científicos"}, {"text": "discurso", "type": "Outros Termos Científicos"}], [{"text": "estrutura intencional", "type": "Outros Termos Científicos"}, {"text": "propósitos relevantes para o discurso", "type": "Outros Termos Científicos"}], [{"text": "estado atencional", "type": "Outros Termos Científicos"}, {"text": "discurso", "type": "Outros Termos Científicos"}], [{"text": "estado atencional", "type": "Outros Termos Científicos"}, {"text": "discurso", "type": "Outros Termos Científicos"}], [{"text": "fenómenos de discurso", "type": "Outros Termos Científicos"}, {"text": "expressões de apoio", "type": "Outros Termos Científicos"}, {"text": "expressões referenciais", "type": "Outros Termos Científicos"}, {"text": "interrupções", "type": "Outros Termos Científicos"}], [{"text": "teoria da atenção, intenção e agregação de enunciados", "type": "Método"}, {"text": "discursos", "type": "Outros Termos Científicos"}], [{"text": "discurso", "type": "Outros Termos Científicos"}, {"text": "expressões de apoio", "type": "Outros Termos Científicos"}, {"text": "expressões referenciais", "type": "Outros Termos Científicos"}, {"text": "interrupções", "type": "Outros Termos Científicos"}], [{"text": "teoria", "type": "Genérico"}, {"text": "discurso", "type": "Outros Termos Científicos"}], [{"text": "Processamento do discurso", "type": "Método"}, {"text": "discurso", "type": "Outros Termos Científicos"}, {"text": "discurso", "type": "Outros Termos Científicos"}, {"text": "discurso", "type": "Outros Termos Científicos"}, {"text": "estado atencional", "type": "Outros Termos Científicos"}], [{"text": "processamento", "type": "Genérico"}, {"text": "tarefas de reconhecimento", "type": "Tarefa"}, {"text": "discurso", "type": "Outros Termos Científicos"}]], "relations": [[], [{"head": "componentes", "tail": "estrutura do discurso", "relation": "Parte-de"}, {"head": "estrutura linguística", "tail": "componentes", "relation": "Parte-de"}, {"head": "estrutura linguística", "tail": "estrutura intencional", "relation": "Conjunção"}, {"head": "estrutura intencional", "tail": "componentes", "relation": "Parte-de"}, {"head": "estrutura intencional", "tail": "estado atencional", "relation": "Conjunção"}, {"head": "estado atencional", "tail": "componentes", "relation": "Parte-de"}], [], [{"head": "estrutura intencional", "tail": "propósitos relevantes para o discurso", "relation": "Usado-para"}], [], [], [{"head": "expressões de apoio", "tail": "fenómenos de discurso", "relation": "Hipónimo-de"}, {"head": "expressões de apoio", "tail": "expressões referenciais", "relation": "Conjunção"}, {"head": "expressões referenciais", "tail": "fenómenos de discurso", "relation": "Hipónimo-de"}, {"head": "expressões referenciais", "tail": "interrupções", "relation": "Conjunção"}, {"head": "interrupções", "tail": "fenómenos de discurso", "relation": "Hipónimo-de"}], [], [], [], [], []], "clusters": [["estado atencional", "estado atencional", "estado atencional"], ["estrutura linguística", "estrutura linguística"], ["estrutura intencional", "estrutura intencional"], ["teoria da estrutura do discurso", "teoria"], ["Processamento do discurso", "processamento"], ["teoria da atenção, intenção e agregação de enunciados", "teoria"]]}
{"doc_id": "P86-1011", "text": "Examinamos a relação entre os dois formalismos gramaticais: Gramáticas de Adjunção de Árvores e Gramáticas de Cabeça. Investigamos brevemente a equivalência fraca dos dois formalismos. Em seguida, passamos a uma discussão comparando a expressividade linguística dos dois formalismos.", "ner": [[{"text": "formalismos gramaticais", "type": "Método"}, {"text": "Gramáticas de Adjunção de Árvores", "type": "Método"}, {"text": "Gramáticas de Cabeça", "type": "Método"}], [{"text": "formalismos", "type": "Genérico"}], [{"text": "expressividade linguística", "type": "Outros Termos Científicos"}, {"text": "formalismos", "type": "Genérico"}]], "relations": [[{"head": "Gramáticas de Adjunção de Árvores", "tail": "formalismos gramaticais", "relation": "Hipónimo-de"}, {"head": "Gramáticas de Adjunção de Árvores", "tail": "Gramáticas de Cabeça", "relation": "Comparado-com"}, {"head": "Gramáticas de Cabeça", "tail": "formalismos gramaticais", "relation": "Hipónimo-de"}], [], [{"head": "expressividade linguística", "tail": "formalismos", "relation": "Característica-de"}]], "clusters": [["formalismos gramaticais", "formalismos", "formalismos"]]}
{"doc_id": "E95-1033", "text": "Apresentamos uma explicação unificada da anáfora ao nível da frase e ao nível do texto no âmbito de um modelo de gramática baseado em dependências. Os critérios para a resolução de anáforas dentro dos limites da frase reformulam conceitos fundamentais da teoria de ligação de GB, enquanto os critérios para a anáfora ao nível do texto incorporam uma versão adaptada de um modelo de foco ao estilo de Grosz-Sidner.", "ner": [[{"text": "anáfora ao nível da frase e ao nível do texto", "type": "Outros Termos Científicos"}, {"text": "modelo de gramática baseado em dependências", "type": "Método"}], [{"text": "critérios", "type": "Genérico"}, {"text": "resolução de anáforas dentro dos limites da frase", "type": "Tarefa"}, {"text": "teoria de ligação de GB", "type": "Método"}, {"text": "os critérios", "type": "Genérico"}, {"text": "anáfora ao nível do texto", "type": "Outros Termos Científicos"}, {"text": "modelo de foco ao estilo de Grosz-Sidner", "type": "Método"}]], "relations": [[{"head": "modelo de gramática baseado em dependências", "tail": "anáfora ao nível da frase e ao nível do texto", "relation": "Usado-para"}], [{"head": "critérios", "tail": "resolução de anáforas dentro dos limites da frase", "relation": "Usado-para"}, {"head": "teoria de ligação de GB", "tail": "critérios", "relation": "Usado-para"}, {"head": "os critérios", "tail": "anáfora ao nível do texto", "relation": "Usado-para"}, {"head": "modelo de foco ao estilo de Grosz-Sidner", "tail": "os critérios", "relation": "Parte-de"}]], "clusters": [["critérios", "os critérios"]]}
{"doc_id": "W02-1602", "text": "A coedição de um texto em linguagem natural e a sua representação em alguma forma interlingual parece ser a melhor e mais simples forma de partilhar a revisão de texto entre línguas. Por várias razões, os grafos UNL são os melhores candidatos neste contexto. Estamos a desenvolver um protótipo em que, no cenário de partilha mais simples, utilizadores ingénuos interagem diretamente com o texto na sua língua -LRB- L0 -RRB-, e indiretamente com o grafo associado. O grafo modificado é então enviado para o desconversor UNL-L0 e o resultado é mostrado. Se for satisfatório, os erros dever-se-ão provavelmente ao grafo, não ao desconversor, e o grafo é enviado para desconversores noutras línguas. Podem ser apresentadas versões noutras línguas conhecidas pelo utilizador, de forma a que a partilha de melhorias seja visível e encorajadora. À medida que novas versões são adicionadas com etiquetas e atributos apropriados no documento multilingue original, nada se perde, e o trabalho cooperativo sobre um documento torna-se viável. No lado interno, são estabelecidas ligações entre elementos do texto e do grafo usando recursos amplamente disponíveis, tais como um dicionário L0-Inglês ou, melhor, um dicionário L0-UNL, um analisador morfossintático de L0 e uma transformação canónica graph2tree. Estabelecer uma correspondência 'ideal' entre a 'árvore-UNL + L0' e a 'estrutura MS-L0', um reticulado, pode ser feito usando o dicionário e tentando alinhar a árvore e a trajetória selecionada com o menor número possível de ligações cruzadas. Um objetivo central desta investigação é fundir abordagens da tradução automática pivot, da tradução automática interativa e da redação multilingue de textos.", "ner": [[{"text": "coedição", "type": "Tarefa"}, {"text": "texto em linguagem natural", "type": "Material"}, {"text": "revisão de texto", "type": "Outros Termos Científicos"}, {"text": "línguas", "type": "Material"}], [{"text": "grafos UNL", "type": "Outros Termos Científicos"}], [{"text": "grafo", "type": "Outros Termos Científicos"}], [{"text": "grafo", "type": "Outros Termos Científicos"}, {"text": "desconversor UNL-L0", "type": "Método"}], [{"text": "grafo", "type": "Outros Termos Científicos"}, {"text": "desconversor", "type": "Método"}, {"text": "grafo", "type": "Outros Termos Científicos"}, {"text": "desconversores", "type": "Método"}], [], [{"text": "documento multilingue original", "type": "Material"}], [{"text": "ligações", "type": "Outros Termos Científicos"}, {"text": "recursos", "type": "Genérico"}, {"text": "dicionário L0-Inglês ou, melhor, um dicionário L0-UNL", "type": "Material"}, {"text": "analisador morfossintático de L0", "type": "Método"}, {"text": "transformação canónica graph2tree", "type": "Outros Termos Científicos"}], [{"text": "árvore-UNL + L0", "type": "Outros Termos Científicos"}, {"text": "estrutura MS-L0", "type": "Outros Termos Científicos"}, {"text": "reticulado", "type": "Outros Termos Científicos"}, {"text": "dicionário", "type": "Material"}, {"text": "ligações cruzadas", "type": "Outros Termos Científicos"}], [{"text": "tradução automática pivot", "type": "Tarefa"}, {"text": "tradução automática interativa", "type": "Tarefa"}, {"text": "redação multilingue de textos", "type": "Tarefa"}]], "relations": [[{"head": "coedição", "tail": "revisão de texto", "relation": "Usado-para"}, {"head": "texto em linguagem natural", "tail": "coedição", "relation": "Usado-para"}], [], [], [{"head": "grafo", "tail": "desconversor UNL-L0", "relation": "Usado-para"}], [], [], [], [{"head": "recursos", "tail": "ligações", "relation": "Usado-para"}, {"head": "dicionário L0-Inglês ou, melhor, um dicionário L0-UNL", "tail": "recursos", "relation": "Hipónimo-de"}, {"head": "dicionário L0-Inglês ou, melhor, um dicionário L0-UNL", "tail": "analisador morfossintático de L0", "relation": "Conjunção"}, {"head": "analisador morfossintático de L0", "tail": "recursos", "relation": "Hipónimo-de"}, {"head": "analisador morfossintático de L0", "tail": "transformação canónica graph2tree", "relation": "Conjunção"}, {"head": "transformação canónica graph2tree", "tail": "recursos", "relation": "Hipónimo-de"}], [{"head": "árvore-UNL + L0", "tail": "estrutura MS-L0", "relation": "Conjunção"}, {"head": "dicionário", "tail": "reticulado", "relation": "Usado-para"}], [{"head": "tradução automática pivot", "tail": "tradução automática interativa", "relation": "Conjunção"}, {"head": "tradução automática interativa", "tail": "redação multilingue de textos", "relation": "Conjunção"}]], "clusters": [["desconversor UNL-L0", "desconversor", "desconversores"]]}
{"doc_id": "C04-1106", "text": "A realidade das analogias entre palavras não é refutada por ninguém -LRB- por exemplo, eu caminhei está para caminhar como eu ri está para rir, notou eu caminhei : caminhar : : eu ri : rir -RRB-. Mas os linguistas computacionais parecem ser bastante céticos em relação às analogias entre frases: elas não seriam suficientemente numerosas para serem de alguma utilidade. Apresentamos experiências realizadas sobre um corpus multilingue para estimar o número de analogias entre as frases que contém. Damos duas estimativas, uma mais baixa e outra mais elevada. Como uma analogia tem de ser válida ao nível da forma assim como ao nível do significado, baseámo-nos na ideia de que a tradução deve preservar o significado para testar significados semelhantes.", "ner": [[{"text": "analogias entre palavras", "type": "Tarefa"}], [{"text": "analogias entre frases", "type": "Tarefa"}], [{"text": "corpus multilingue", "type": "Material"}, {"text": "analogias", "type": "Outros Termos Científicos"}], [], [{"text": "analogia", "type": "Outros Termos Científicos"}]], "relations": [[], [], [{"head": "corpus multilingue", "tail": "analogias", "relation": "Avaliado-para"}], [], []], "clusters": []}
{"doc_id": "ECCV_2016_204_abs", "text": "O nosso objetivo é aprender uma distância de Mahalanobis minimizando uma perda definida sobre a soma ponderada da precisão em diferentes posições no ranking. A nossa motivação central é que minimizar uma perda de ranking ponderada é um critério natural para muitos problemas em visão por computador, como a reidentificação de pessoas. Propomos uma nova formulação de aprendizagem de métricas chamada Weighted Approximate Rank Component Analysis -LRB- WARCA -RRB-. Em seguida, derivamos um algoritmo de descida de gradiente estocástica escalável para o problema de aprendizagem resultante. Também derivamos uma extensão não linear de WARCA eficiente utilizando o truque do kernel. A incorporação no espaço de kernel desacopla os custos de treino e de predição da dimensão dos dados e permite-nos ligar -LRB- plug in -RRB- medidas de distância arbitrárias que são mais naturais para as características. Abordamos ainda um problema mais geral de degenerescência de posto de matriz e mínimos não isolados na otimização de matrizes de baixo posto, utilizando um novo tipo de regularizador que impõe aproximadamente, de forma muito eficiente, a ortonormalidade da matriz aprendida. Validamos este novo método em nove conjuntos de dados de reidentificação de pessoas, incluindo dois de grande escala, Market-1501 e CUHK03, e mostramos que melhoramos os métodos de estado da arte atuais em todos eles.", "ner": [[{"text": "distância de Mahalanobis", "type": "Tarefa"}, {"text": "perda", "type": "Outros Termos Científicos"}, {"text": "soma ponderada", "type": "Outros Termos Científicos"}, {"text": "precisão", "type": "Métrica"}, {"text": "posições no ranking", "type": "Outros Termos Científicos"}], [{"text": "perda de ranking ponderada", "type": "Outros Termos Científicos"}, {"text": "visão por computador", "type": "Tarefa"}, {"text": "reidentificação de pessoas", "type": "Tarefa"}], [{"text": "formulação de aprendizagem de métricas", "type": "Método"}, {"text": "Weighted Approximate Rank Component Analysis -LRB- WARCA -RRB-", "type": "Método"}], [{"text": "algoritmo de descida de gradiente estocástica", "type": "Método"}, {"text": "problema de aprendizagem", "type": "Genérico"}], [{"text": "extensão não linear de WARCA", "type": "Método"}, {"text": "WARCA", "type": "Método"}, {"text": "truque do kernel", "type": "Método"}], [{"text": "incorporação no espaço de kernel", "type": "Outros Termos Científicos"}, {"text": "custos de treino e de predição", "type": "Outros Termos Científicos"}, {"text": "dimensão dos dados", "type": "Outros Termos Científicos"}, {"text": "medidas de distância arbitrárias", "type": "Método"}, {"text": "características", "type": "Outros Termos Científicos"}], [{"text": "degenerescência de posto de matriz", "type": "Outros Termos Científicos"}, {"text": "mínimos não isolados", "type": "Outros Termos Científicos"}, {"text": "otimização de matrizes de baixo posto", "type": "Tarefa"}, {"text": "regularizador", "type": "Método"}, {"text": "ortonormalidade", "type": "Outros Termos Científicos"}, {"text": "matriz aprendida", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "conjuntos de dados de reidentificação de pessoas", "type": "Material"}, {"text": "Market-1501", "type": "Material"}, {"text": "CUHK03", "type": "Material"}, {"text": "todos eles", "type": "Genérico"}]], "relations": [[{"head": "perda", "tail": "distância de Mahalanobis", "relation": "Usado-para"}, {"head": "soma ponderada", "tail": "precisão", "relation": "Característica-de"}], [{"head": "perda de ranking ponderada", "tail": "visão por computador", "relation": "Usado-para"}, {"head": "perda de ranking ponderada", "tail": "reidentificação de pessoas", "relation": "Usado-para"}, {"head": "reidentificação de pessoas", "tail": "visão por computador", "relation": "Hipónimo-de"}], [{"head": "Weighted Approximate Rank Component Analysis -LRB- WARCA -RRB-", "tail": "formulação de aprendizagem de métricas", "relation": "Hipónimo-de"}], [{"head": "algoritmo de descida de gradiente estocástica", "tail": "problema de aprendizagem", "relation": "Usado-para"}], [{"head": "truque do kernel", "tail": "extensão não linear de WARCA", "relation": "Usado-para"}], [{"head": "incorporação no espaço de kernel", "tail": "medidas de distância arbitrárias", "relation": "Usado-para"}], [{"head": "degenerescência de posto de matriz", "tail": "mínimos não isolados", "relation": "Conjunção"}, {"head": "degenerescência de posto de matriz", "tail": "otimização de matrizes de baixo posto", "relation": "Característica-de"}, {"head": "mínimos não isolados", "tail": "otimização de matrizes de baixo posto", "relation": "Característica-de"}, {"head": "regularizador", "tail": "otimização de matrizes de baixo posto", "relation": "Usado-para"}, {"head": "regularizador", "tail": "ortonormalidade", "relation": "Usado-para"}, {"head": "ortonormalidade", "tail": "matriz aprendida", "relation": "Característica-de"}], [{"head": "conjuntos de dados de reidentificação de pessoas", "tail": "método", "relation": "Avaliado-para"}, {"head": "Market-1501 e CUHK03", "tail": "conjuntos de dados de reidentificação de pessoas", "relation": "Hipónimo-de"}, {"head": "CUHK03", "tail": "Market-1501", "relation": "Conjunção"}]], "clusters": [["perda", "perda de ranking ponderada"], ["Weighted Approximate Rank Component Analysis -LRB- WARCA -RRB-", "WARCA"], ["conjuntos de dados de reidentificação de pessoas", "todos eles"], ["extensão não linear de WARCA", "método"]]}
{"doc_id": "INTERSPEECH_2006_21_abs", "text": "Neste artigo, discutimos métodos de adaptação de modelos de linguagem dados uma lista de palavras e um corpus bruto. Nesta situação, o método geral é segmentar automaticamente o corpus bruto utilizando uma lista de palavras, corrigir manualmente as frases de saída e construir um modelo a partir do corpus segmentado. Contudo, neste método de correção de erros frase a frase, o anotador depara-se com posições gramaticalmente complicadas e isso resulta numa diminuição da produtividade. Neste artigo, propomos concentrar a correção nas posições em que as palavras da lista aparecem, tomando uma palavra como unidade de correção. Este método permite-nos evitar estes problemas e passar diretamente à captura do comportamento estatístico de palavras específicas na aplicação. Nas experiências, utilizámos uma variedade de métodos para preparar um corpus segmentado e comparámos os modelos de linguagem pelas suas exatidões de reconhecimento de fala. Os resultados mostraram as vantagens do nosso método.", "ner": [[{"text": "métodos de adaptação de modelos de linguagem", "type": "Método"}, {"text": "lista de palavras", "type": "Outros Termos Científicos"}, {"text": "corpus bruto", "type": "Material"}], [{"text": "método", "type": "Genérico"}, {"text": "corpus bruto", "type": "Material"}, {"text": "lista de palavras", "type": "Outros Termos Científicos"}, {"text": "modelo", "type": "Genérico"}, {"text": "corpus segmentado", "type": "Material"}], [{"text": "método de correção de erros frase a frase", "type": "Método"}], [], [{"text": "método", "type": "Genérico"}], [{"text": "métodos", "type": "Genérico"}, {"text": "preparar um corpus segmentado", "type": "Tarefa"}, {"text": "modelos de linguagem", "type": "Método"}, {"text": "exatidões de reconhecimento de fala", "type": "Métrica"}], [{"text": "método", "type": "Genérico"}]], "relations": [[{"head": "lista de palavras", "tail": "métodos de adaptação de modelos de linguagem", "relation": "Usado-para"}, {"head": "lista de palavras", "tail": "corpus bruto", "relation": "Conjunção"}, {"head": "corpus bruto", "tail": "métodos de adaptação de modelos de linguagem", "relation": "Usado-para"}], [{"head": "método", "tail": "corpus bruto", "relation": "Usado-para"}, {"head": "lista de palavras", "tail": "método", "relation": "Usado-para"}, {"head": "corpus segmentado", "tail": "modelo", "relation": "Usado-para"}], [], [], [], [{"head": "métodos", "tail": "preparar um corpus segmentado", "relation": "Usado-para"}, {"head": "exatidões de reconhecimento de fala", "tail": "modelos de linguagem", "relation": "Avaliado-para"}], []], "clusters": [["métodos de adaptação de modelos de linguagem", "método", "método"]]}
{"doc_id": "NIPS_2015_18_abs", "text": "Muitos problemas de modelação práticos envolvem dados discretos que são melhor representados como amostras de distribuições multinomiais ou categoriais. Por exemplo, nucleótidos numa sequência de ADN, nomes de crianças num determinado estado e ano, e documentos de texto são todos frequentemente modelados com distribuições multinomiais. Em todos estes casos, esperamos alguma forma de dependência entre as amostras: o nucleótido numa dada posição na cadeia de ADN pode depender dos nucleótidos precedentes, os nomes de crianças são altamente correlacionados de ano para ano, e os tópicos em texto podem ser correlacionados e dinâmicos. Estas dependências não são naturalmente capturadas pela típica formulação de Dirichlet-multinomial. Aqui, tiramos partido de uma representação logística de quebra de pau e de inovações recentes em aumento Pólya-gamma para reformular a distribuição multinomial em termos de variáveis latentes com verosimilhanças gaussianas conjuntas, permitindo-nos tirar partido de um conjunto de técnicas de inferência bayesiana para modelos gaussianos com sobrecarga mínima.", "ner": [[{"text": "problemas de modelação", "type": "Tarefa"}, {"text": "dados discretos", "type": "Material"}, {"text": "distribuições multinomiais ou categoriais", "type": "Método"}], [{"text": "nucleótidos numa sequência de ADN", "type": "Material"}, {"text": "documentos de texto", "type": "Material"}, {"text": "distribuições multinomiais", "type": "Método"}], [{"text": "nucleótido", "type": "Outros Termos Científicos"}, {"text": "cadeia de ADN", "type": "Outros Termos Científicos"}, {"text": "nucleótidos precedentes", "type": "Outros Termos Científicos"}], [{"text": "formulação de Dirichlet-multinomial", "type": "Método"}], [{"text": "representação logística de quebra de pau", "type": "Método"}, {"text": "aumento Pólya-gamma", "type": "Tarefa"}, {"text": "distribuição multinomial", "type": "Método"}, {"text": "variáveis latentes", "type": "Outros Termos Científicos"}, {"text": "verosimilhanças gaussianas conjuntas", "type": "Outros Termos Científicos"}, {"text": "técnicas de inferência bayesiana", "type": "Método"}, {"text": "modelos gaussianos", "type": "Método"}, {"text": "sobrecarga mínima", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "dados discretos", "tail": "problemas de modelação", "relation": "Usado-para"}, {"head": "distribuições multinomiais ou categoriais", "tail": "problemas de modelação", "relation": "Usado-para"}], [{"head": "distribuições multinomiais", "tail": "nucleótidos numa sequência de ADN", "relation": "Usado-para"}, {"head": "distribuições multinomiais", "tail": "documentos de texto", "relation": "Usado-para"}], [], [], [{"head": "representação logística de quebra de pau", "tail": "distribuição multinomial", "relation": "Usado-para"}, {"head": "aumento Pólya-gamma", "tail": "distribuição multinomial", "relation": "Usado-para"}, {"head": "variáveis latentes", "tail": "distribuição multinomial", "relation": "Parte-de"}, {"head": "verosimilhanças gaussianas conjuntas", "tail": "variáveis latentes", "relation": "Característica-de"}, {"head": "técnicas de inferência bayesiana", "tail": "modelos gaussianos", "relation": "Usado-para"}, {"head": "sobrecarga mínima", "tail": "modelos gaussianos", "relation": "Característica-de"}]], "clusters": [["distribuições multinomiais", "distribuição multinomial"]]}
{"doc_id": "CVPR_1994_10_abs", "text": "MINPRAN, um novo operador robusto, encontra bons ajustes em conjuntos de dados onde mais de 50 % dos pontos são outliers. Ao contrário de outras técnicas que lidam com grandes percentagens de outliers, o MINPRAN não depende de um limite de erro conhecido para os bons dados. Em vez disso, assume que os maus dados estão distribuídos aleatoriamente -LRB- uniformemente -RRB- dentro da gama dinâmica do sensor. Com base nisto, o MINPRAN usa amostragem aleatória para procurar o ajuste e o número de inliers ao ajuste que são menos prováveis de ter ocorrido aleatoriamente. Executa-se em tempo O -LRB- N 2 + SN log N -RRB-, onde S é o número de amostras aleatórias e N é o número de pontos de dados. Demonstramos analiticamente que o MINPRAN distingue bons ajustes de ajustes a dados aleatórios, e que o MINPRAN encontra ajustes precisos e quase o número correto de inliers, independentemente da percentagem de verdadeiros inliers. As propriedades do MINPRAN são confirmadas experimentalmente em dados sintéticos e comparam favoravelmente com a mediana dos quadrados mínimos. Trabalhos relacionados aplicam o MINPRAN a dados complexos de alcance e dados de intensidade 23 -RSB-.", "ner": [[{"text": "MINPRAN", "type": "Método"}, {"text": "novo operador robusto", "type": "Método"}], [{"text": "técnicas", "type": "Genérico"}, {"text": "grandes percentagens de outliers", "type": "Métrica"}, {"text": "MINPRAN", "type": "Método"}, {"text": "limite de erro", "type": "Outros Termos Científicos"}], [{"text": "isso", "type": "Genérico"}, {"text": "gama dinâmica do sensor", "type": "Outros Termos Científicos"}], [{"text": "MINPRAN", "type": "Método"}, {"text": "amostragem aleatória", "type": "Método"}], [{"text": "Executa-se", "type": "Genérico"}], [{"text": "MINPRAN", "type": "Método"}, {"text": "MINPRAN", "type": "Método"}, {"text": "percentagem de verdadeiros inliers", "type": "Métrica"}], [{"text": "MINPRAN", "type": "Método"}, {"text": "dados sintéticos", "type": "Material"}, {"text": "mediana dos quadrados mínimos", "type": "Método"}], [{"text": "MINPRAN", "type": "Método"}, {"text": "dados complexos de alcance", "type": "Outros Termos Científicos"}, {"text": "dados de intensidade", "type": "Material"}]], "relations": [[{"head": "MINPRAN", "tail": "novo operador robusto", "relation": "Hipónimo-de"}], [{"head": "técnicas", "tail": "grandes percentagens de outliers", "relation": "Usado-para"}, {"head": "técnicas", "tail": "MINPRAN", "relation": "Comparado-com"}], [], [{"head": "amostragem aleatória", "tail": "MINPRAN", "relation": "Usado-para"}], [], [], [{"head": "dados sintéticos", "tail": "MINPRAN", "relation": "Avaliado-para"}, {"head": "mediana dos quadrados mínimos", "tail": "MINPRAN", "relation": "Comparado-com"}], [{"head": "MINPRAN", "tail": "dados complexos de alcance", "relation": "Usado-para"}, {"head": "MINPRAN", "tail": "dados de intensidade", "relation": "Usado-para"}]], "clusters": [["MINPRAN", "MINPRAN", "isso", "MINPRAN", "Executa-se", "MINPRAN", "MINPRAN", "MINPRAN", "MINPRAN"]]}
{"doc_id": "P83-1004", "text": "Os formalismos metagramaticais que combinam regras de estrutura frásica livres de contexto e metarregras -LRB- gramáticas MPS -RRB- permitem uma formulação concisa de generalizações sobre a sintaxe das línguas naturais. As gramáticas MPS não restringidas, infelizmente, não são computacionalmente seguras. Avaliamos várias propostas para as restringir, baseando a nossa avaliação na tratabilidade computacional e adequação explicativa. Mostramos que nenhuma delas satisfaz ambos os critérios e sugerimos novas direções para a investigação em formalismos metagramaticais alternativos.", "ner": [[{"text": "formalismos metagramaticais", "type": "Método"}, {"text": "regras de estrutura frásica livres de contexto", "type": "Outros Termos Científicos"}, {"text": "metarregras -LRB- gramáticas MPS -RRB-", "type": "Outros Termos Científicos"}, {"text": "sintaxe das línguas naturais", "type": "Outros Termos Científicos"}], [{"text": "gramáticas MPS não restringidas", "type": "Método"}], [{"text": "elas", "type": "Genérico"}, {"text": "tratabilidade computacional e adequação explicativa", "type": "Métrica"}], [{"text": "elas", "type": "Genérico"}, {"text": "critérios", "type": "Genérico"}, {"text": "formalismos metagramaticais", "type": "Método"}]], "relations": [[{"head": "regras de estrutura frásica livres de contexto", "tail": "formalismos metagramaticais", "relation": "Parte-de"}, {"head": "regras de estrutura frásica livres de contexto", "tail": "metarregras -LRB- gramáticas MPS -RRB-", "relation": "Conjunção"}, {"head": "metarregras -LRB- gramáticas MPS -RRB-", "tail": "formalismos metagramaticais", "relation": "Parte-de"}], [], [{"head": "tratabilidade computacional e adequação explicativa", "tail": "elas", "relation": "Avaliado-para"}], []], "clusters": [["gramáticas MPS não restringidas", "elas", "elas"], ["tratabilidade computacional e adequação explicativa", "critérios"]]}
{"doc_id": "C90-3045", "text": "As propriedades únicas das gramáticas de adjunção de árvores -LRB- TAG -RRB- apresentam um desafio para a aplicação de TAGs para além dos limites restritos da sintaxe, por exemplo, para a tarefa de interpretação semântica ou de tradução automática de linguagem natural. Apresentamos uma variante de TAGs, chamada TAGs síncronas, que caracteriza correspondências entre línguas. O uso pretendido do formalismo é relacionar expressões de línguas naturais com a sua semântica associada representada numa linguagem de forma lógica, ou com as suas traduções noutra língua natural; em resumo, pretendemos que permita que TAGs sejam usadas para além do seu papel na sintaxe propriamente dita. Discutimos a aplicação de TAGs síncronas a exemplos concretos, mencionando principalmente de passagem algumas questões computacionais que surgem na sua interpretação.", "ner": [[{"text": "gramáticas de adjunção de árvores -LRB- TAG -RRB-", "type": "Método"}, {"text": "TAGs", "type": "Método"}, {"text": "sintaxe", "type": "Outros Termos Científicos"}, {"text": "interpretação semântica", "type": "Tarefa"}, {"text": "tradução automática de linguagem natural", "type": "Tarefa"}], [{"text": "variante de TAGs", "type": "Método"}, {"text": "TAGs", "type": "Método"}, {"text": "TAGs síncronas", "type": "Método"}], [{"text": "expressões de línguas naturais", "type": "Outros Termos Científicos"}, {"text": "semântica", "type": "Outros Termos Científicos"}, {"text": "linguagem de forma lógica", "type": "Outros Termos Científicos"}, {"text": "língua natural", "type": "Outros Termos Científicos"}, {"text": "TAGs", "type": "Método"}, {"text": "sintaxe propriamente dita", "type": "Outros Termos Científicos"}], [{"text": "TAGs síncronas", "type": "Método"}]], "relations": [[{"head": "TAGs", "tail": "interpretação semântica", "relation": "Usado-para"}, {"head": "TAGs", "tail": "tradução automática de linguagem natural", "relation": "Usado-para"}, {"head": "interpretação semântica", "tail": "tradução automática de linguagem natural", "relation": "Conjunção"}], [], [{"head": "linguagem de forma lógica", "tail": "semântica", "relation": "Usado-para"}, {"head": "TAGs", "tail": "sintaxe propriamente dita", "relation": "Usado-para"}], []], "clusters": [["variante de TAGs", "TAGs síncronas", "TAGs síncronas"], ["gramáticas de adjunção de árvores -LRB- TAG -RRB-", "TAGs", "TAGs", "TAGs"]]}
{"doc_id": "CVPR_1993_10_abs", "text": "É apresentada e avaliada uma abordagem baseada em modelo para análise e reconhecimento em linha de escrita cursiva manual. Neste modelo, a escrita em linha é considerada como uma modulação de um simples movimento ciclóide da caneta, descrito por duas oscilações acopladas com uma deriva linear constante ao longo da linha da escrita. Através de modulações lentas das amplitudes e dos desfasamentos de fase dos dois osciladores, uma trajetória da caneta pode ser codificada de forma eficiente. Estes parâmetros são então quantizados num pequeno número de valores sem alterar a inteligibilidade da escrita. É apresentado um procedimento geral para a estimação e quantização destes parâmetros de movimento ciclóide para escrita manual arbitrária. O resultado é uma representação discreta de controlo motor do movimento contínuo da caneta, através dos níveis quantizados dos parâmetros do modelo. Esta representação de controlo motor permite uma deteção de palavras bem‑sucedida e correspondência de textos cursivos. As nossas experiências indicam claramente o potencial desta representação dinâmica para o completo reconhecimento de escrita cursiva manual.", "ner": [[{"text": "abordagem baseada em modelo", "type": "Método"}, {"text": "análise e reconhecimento em linha de escrita cursiva manual", "type": "Tarefa"}], [{"text": "modelo", "type": "Genérico"}, {"text": "escrita em linha", "type": "Tarefa"}, {"text": "movimento ciclóide da caneta", "type": "Tarefa"}, {"text": "deriva linear constante", "type": "Outros Termos Científicos"}], [{"text": "trajetória da caneta", "type": "Outros Termos Científicos"}], [{"text": "inteligibilidade da escrita", "type": "Outros Termos Científicos"}], [{"text": "parâmetros de movimento ciclóide", "type": "Outros Termos Científicos"}, {"text": "escrita manual arbitrária", "type": "Material"}], [{"text": "representação discreta de controlo motor", "type": "Método"}, {"text": "movimento contínuo da caneta", "type": "Outros Termos Científicos"}], [{"text": "representação de controlo motor", "type": "Método"}, {"text": "deteção de palavras", "type": "Tarefa"}, {"text": "correspondência de textos cursivos", "type": "Tarefa"}], [{"text": "representação dinâmica", "type": "Método"}, {"text": "reconhecimento de escrita cursiva manual", "type": "Tarefa"}]], "relations": [[{"head": "abordagem baseada em modelo", "tail": "análise e reconhecimento em linha de escrita cursiva manual", "relation": "Usado-para"}], [{"head": "modelo", "tail": "escrita em linha", "relation": "Usado-para"}, {"head": "escrita em linha", "tail": "movimento ciclóide da caneta", "relation": "Parte-de"}], [], [], [{"head": "parâmetros de movimento ciclóide", "tail": "escrita manual arbitrária", "relation": "Usado-para"}], [{"head": "representação discreta de controlo motor", "tail": "movimento contínuo da caneta", "relation": "Usado-para"}], [{"head": "representação de controlo motor", "tail": "deteção de palavras", "relation": "Usado-para"}, {"head": "representação de controlo motor", "tail": "correspondência de textos cursivos", "relation": "Usado-para"}, {"head": "deteção de palavras", "tail": "correspondência de textos cursivos", "relation": "Conjunção"}], [{"head": "representação dinâmica", "tail": "reconhecimento de escrita cursiva manual", "relation": "Usado-para"}]], "clusters": [["representação discreta de controlo motor", "representação de controlo motor", "representação dinâmica"], ["abordagem baseada em modelo", "modelo"]]}
{"doc_id": "ICML_2016_18_abs", "text": "Na tarefa de Reconhecimento de Objetos, existe uma dicotomia entre a categorização de objetos e a estimação da pose de objetos, em que a primeira necessita de uma representação invariável à vista, enquanto a segunda requer uma representação capaz de capturar informação de pose em diferentes categorias de objetos. Com o surgimento de arquiteturas profundas, o foco principal tem sido o reconhecimento de categorias de objetos. Métodos de aprendizagem profunda têm alcançado amplo sucesso nesta tarefa. Em contraste, a estimação da pose de objetos usando estas abordagens tem recebido relativamente menos atenção. Neste trabalho, estudamos como arquiteturas de Redes Neuronais Convolucionais -LRB- CNN -RRB- podem ser adaptadas à tarefa de reconhecimento de objetos e estimação de pose em simultâneo. Investigamos e analisamos as camadas de vários modelos de CNN e comparamos extensivamente entre eles com o objetivo de descobrir como as camadas de representações distribuídas dentro das CNNs representam informação de pose de objetos e como isto entra em contradição com as representações de categoria de objetos. Fazemos extensas experiências em dois conjuntos de dados de múltiplos pontos de vista, recentes, grandes e desafiantes, e alcançamos resultados melhores do que o estado da arte.", "ner": [[{"text": "tarefa de Reconhecimento de Objetos", "type": "Tarefa"}, {"text": "categorização de objetos", "type": "Tarefa"}, {"text": "estimação da pose de objetos", "type": "Tarefa"}, {"text": "primeira", "type": "Genérico"}, {"text": "representação invariável à vista", "type": "Método"}, {"text": "segunda", "type": "Genérico"}, {"text": "representação", "type": "Genérico"}, {"text": "informação de pose", "type": "Outros Termos Científicos"}], [{"text": "arquiteturas profundas", "type": "Método"}, {"text": "reconhecimento de categorias de objetos", "type": "Tarefa"}], [{"text": "Métodos de aprendizagem profunda", "type": "Método"}, {"text": "tarefa", "type": "Genérico"}], [{"text": "estimação da pose de objetos", "type": "Tarefa"}, {"text": "abordagens", "type": "Genérico"}], [{"text": "arquiteturas de Redes Neuronais Convolucionais -LRB- CNN -RRB-", "type": "Método"}, {"text": "reconhecimento de objetos", "type": "Tarefa"}, {"text": "estimação de pose", "type": "Tarefa"}], [{"text": "camadas", "type": "Outros Termos Científicos"}, {"text": "modelos de CNN", "type": "Método"}, {"text": "eles", "type": "Genérico"}, {"text": "camadas de representações distribuídas", "type": "Método"}, {"text": "CNNs", "type": "Método"}, {"text": "informação de pose de objetos", "type": "Outros Termos Científicos"}, {"text": "isto", "type": "Genérico"}, {"text": "representações de categoria de objetos", "type": "Método"}], [{"text": "conjuntos de dados de múltiplos pontos de vista", "type": "Material"}]], "relations": [[{"head": "categorização de objetos", "tail": "tarefa de Reconhecimento de Objetos", "relation": "Parte-de"}, {"head": "categorização de objetos", "tail": "estimação da pose de objetos", "relation": "Conjunção"}, {"head": "estimação da pose de objetos", "tail": "tarefa de Reconhecimento de Objetos", "relation": "Parte-de"}, {"head": "representação invariável à vista", "tail": "primeira", "relation": "Usado-para"}, {"head": "representação", "tail": "segunda", "relation": "Usado-para"}, {"head": "representação", "tail": "informação de pose", "relation": "Usado-para"}], [{"head": "arquiteturas profundas", "tail": "reconhecimento de categorias de objetos", "relation": "Usado-para"}], [], [{"head": "abordagens", "tail": "estimação da pose de objetos", "relation": "Usado-para"}], [{"head": "arquiteturas de Redes Neuronais Convolucionais -LRB- CNN -RRB-", "tail": "reconhecimento de objetos", "relation": "Usado-para"}, {"head": "arquiteturas de Redes Neuronais Convolucionais -LRB- CNN -RRB-", "tail": "estimação de pose", "relation": "Usado-para"}, {"head": "reconhecimento de objetos", "tail": "estimação de pose", "relation": "Conjunção"}], [{"head": "camadas", "tail": "modelos de CNN", "relation": "Parte-de"}, {"head": "camadas de representações distribuídas", "tail": "CNNs", "relation": "Parte-de"}, {"head": "camadas de representações distribuídas", "tail": "informação de pose de objetos", "relation": "Usado-para"}, {"head": "isto", "tail": "representações de categoria de objetos", "relation": "Comparado-com"}], []], "clusters": [["estimação da pose de objetos", "segunda", "estimação da pose de objetos", "estimação de pose"], ["categorização de objetos", "primeira", "reconhecimento de categorias de objetos", "tarefa", "reconhecimento de objetos"], ["camadas de representações distribuídas", "isto"], ["Métodos de aprendizagem profunda", "abordagens"], ["arquiteturas de Redes Neuronais Convolucionais -LRB- CNN -RRB-", "modelos de CNN", "CNNs"], ["camadas", "eles"]]}
{"doc_id": "I05-4010", "text": "Neste artigo apresentamos o nosso trabalho recente sobre a recolha de bitextos inglês-chinês das leis de Hong Kong a partir da Web e o seu alinhamento ao nível de subparágrafo, através da utilização do sistema de numeração na hierarquia do texto jurídico. A metodologia básica e as técnicas práticas são descritas em detalhe. O corpus bilingue resultante, com 10,4 M de palavras em inglês e 18,3 M de caracteres chineses, é uma coleção textual autoritária e abrangente que cobre o domínio específico e especial das leis de HK. É particularmente valioso para a investigação empírica em MT. Este trabalho também lançou as bases para a exploração e recolha de bitextos inglês-chinês em maior volume a partir da Web.", "ner": [[{"text": "bitextos inglês-chinês", "type": "Material"}, {"text": "os", "type": "Genérico"}, {"text": "sistema de numeração", "type": "Método"}, {"text": "hierarquia do texto jurídico", "type": "Outros Termos Científicos"}], [], [{"text": "corpus bilingue", "type": "Material"}], [{"text": "É", "type": "Genérico"}, {"text": "investigação empírica em MT", "type": "Tarefa"}], [{"text": "bitextos inglês-chinês", "type": "Material"}]], "relations": [[], [], [], [{"head": "É", "tail": "investigação empírica em MT", "relation": "Usado-para"}], []], "clusters": [["corpus bilingue", "É"], ["bitextos inglês-chinês", "os", "bitextos inglês-chinês"]]}
{"doc_id": "ICCV_2013_47_abs", "text": "Os campos de luz são representações baseadas em imagem que utilizam raios amostrados de forma densa como descrição de cena. Neste artigo, exploramos estruturas geométricas de linhas 3D no espaço de raios para melhorar a triangulação de campos de luz e a correspondência estéreo. O problema de triangulação visa preencher o espaço de raios com símplexes contínuos e não sobrepostos ancorados em pontos amostrados -LRB- raios -RRB-. Tal triangulação fornece um interpolante linear por partes útil para super-resolução de campos de luz. Mostramos que o espaço de campos de luz é amplamente bilinear devido a segmentos de linhas 3D na cena, e a triangulação direta destes subespaços bilineares conduz a grandes erros. Em vez disso, apresentamos um algoritmo simples mas eficaz para primeiro mapear subespaços bilineares para restrições de linha e depois aplicar a Triangulação de Delaunay Constrangida -LRB- CDT -RRB-. Com base na nossa análise, desenvolvemos ainda um novo algoritmo de corte por grafos assistido por linhas -LRB- LAGC -RRB- que codifica de forma eficaz restrições de linhas 3D na correspondência estéreo de campos de luz. Experiências em dados sintéticos e reais mostram que os nossos algoritmos de triangulação e LAGC superam soluções de última geração em precisão e qualidade visual.", "ner": [[{"text": "campos de luz", "type": "Outros Termos Científicos"}, {"text": "representações baseadas em imagem", "type": "Método"}, {"text": "raios amostrados de forma densa", "type": "Outros Termos Científicos"}, {"text": "descrição de cena", "type": "Outros Termos Científicos"}], [{"text": "estruturas geométricas de linhas 3D", "type": "Tarefa"}, {"text": "espaço de raios", "type": "Outros Termos Científicos"}, {"text": "triangulação de campos de luz", "type": "Tarefa"}, {"text": "correspondência estéreo", "type": "Tarefa"}], [{"text": "problema de triangulação", "type": "Tarefa"}, {"text": "espaço de raios", "type": "Outros Termos Científicos"}, {"text": "símplexes contínuos e não sobrepostos", "type": "Outros Termos Científicos"}], [{"text": "triangulação", "type": "Outros Termos Científicos"}, {"text": "interpolante linear por partes", "type": "Outros Termos Científicos"}, {"text": "super-resolução de campos de luz", "type": "Tarefa"}], [{"text": "espaço de campos de luz", "type": "Outros Termos Científicos"}, {"text": "segmentos de linhas 3D", "type": "Outros Termos Científicos"}, {"text": "subespaços bilineares", "type": "Outros Termos Científicos"}], [{"text": "subespaços bilineares", "type": "Outros Termos Científicos"}, {"text": "restrições de linha", "type": "Outros Termos Científicos"}, {"text": "Triangulação de Delaunay Constrangida -LRB- CDT -RRB-", "type": "Método"}], [{"text": "algoritmo de corte por grafos assistido por linhas -LRB- LAGC -RRB-", "type": "Método"}, {"text": "restrições de linhas 3D", "type": "Outros Termos Científicos"}, {"text": "correspondência estéreo de campos de luz", "type": "Tarefa"}], [{"text": "dados sintéticos e reais", "type": "Material"}, {"text": "algoritmos de triangulação e LAGC", "type": "Método"}, {"text": "soluções de última geração", "type": "Genérico"}, {"text": "precisão", "type": "Métrica"}, {"text": "qualidade visual", "type": "Métrica"}]], "relations": [[], [{"head": "estruturas geométricas de linhas 3D", "tail": "triangulação de campos de luz", "relation": "Usado-para"}, {"head": "estruturas geométricas de linhas 3D", "tail": "correspondência estéreo", "relation": "Usado-para"}, {"head": "espaço de raios", "tail": "estruturas geométricas de linhas 3D", "relation": "Característica-de"}, {"head": "triangulação de campos de luz", "tail": "correspondência estéreo", "relation": "Conjunção"}], [], [{"head": "triangulação", "tail": "interpolante linear por partes", "relation": "Usado-para"}, {"head": "interpolante linear por partes", "tail": "super-resolução de campos de luz", "relation": "Usado-para"}], [], [], [], [{"head": "dados sintéticos e reais", "tail": "algoritmos de triangulação e LAGC", "relation": "Avaliado-para"}, {"head": "dados sintéticos e reais", "tail": "soluções de última geração", "relation": "Avaliado-para"}, {"head": "algoritmos de triangulação e LAGC", "tail": "soluções de última geração", "relation": "Comparado-com"}, {"head": "precisão", "tail": "algoritmos de triangulação e LAGC", "relation": "Avaliado-para"}, {"head": "precisão", "tail": "soluções de última geração", "relation": "Avaliado-para"}, {"head": "qualidade visual", "tail": "algoritmos de triangulação e LAGC", "relation": "Avaliado-para"}, {"head": "qualidade visual", "tail": "soluções de última geração", "relation": "Avaliado-para"}]], "clusters": [["triangulação de campos de luz", "problema de triangulação", "triangulação"]]}
{"doc_id": "H05-1095", "text": "Este artigo apresenta um método estatístico de tradução automática baseado em frases , assente em frases não contíguas , i.e. frases com lacunas . É proposto um método para produzir tais frases a partir de um corpus alinhado ao nível de palavras . É também apresentado um modelo estatístico de tradução que trata tais frases , bem como um método de treino baseado na maximização da precisão de tradução , medida com a métrica de avaliação NIST . As traduções são produzidas por meio de um descodificador de pesquisa em feixe . São apresentados resultados experimentais , que demonstram como o método proposto permite generalizar melhor a partir dos dados de treino .", "ner": [[{"text": "método estatístico de tradução automática baseado em frases", "type": "Método"}, {"text": "frases não contíguas", "type": "Material"}], [{"text": "método", "type": "Genérico"}, {"text": "frases", "type": "Genérico"}, {"text": "corpus alinhado ao nível de palavras", "type": "Material"}], [{"text": "modelo estatístico de tradução", "type": "Método"}, {"text": "frases", "type": "Genérico"}, {"text": "método de treino", "type": "Método"}, {"text": "maximização da precisão de tradução", "type": "Métrica"}, {"text": "métrica de avaliação NIST", "type": "Métrica"}], [{"text": "traduções", "type": "Outros Termos Científicos"}, {"text": "descodificador de pesquisa em feixe", "type": "Método"}], [{"text": "método", "type": "Genérico"}]], "relations": [[{"head": "frases não contíguas", "tail": "método estatístico de tradução automática baseado em frases", "relation": "Usado-para"}], [{"head": "método", "tail": "frases", "relation": "Usado-para"}, {"head": "corpus alinhado ao nível de palavras", "tail": "método", "relation": "Avaliado-para"}], [{"head": "modelo estatístico de tradução", "tail": "frases", "relation": "Usado-para"}, {"head": "maximização da precisão de tradução", "tail": "método de treino", "relation": "Usado-para"}, {"head": "métrica de avaliação NIST", "tail": "modelo estatístico de tradução", "relation": "Avaliado-para"}], [{"head": "descodificador de pesquisa em feixe", "tail": "traduções", "relation": "Usado-para"}], []], "clusters": [["método estatístico de tradução automática baseado em frases", "modelo estatístico de tradução", "método"], ["frases não contíguas", "frases", "frases"]]}
{"doc_id": "A97-1020", "text": "O GLOSSER foi concebido para apoiar a leitura e aprendizagem da leitura numa língua estrangeira. Existem atualmente quatro pares de línguas suportados pelo GLOSSER: inglês-búlgaro, inglês-estónio, inglês-húngaro e francês-neerlandês. O programa é operacional em plataformas UNIX e Windows 95 e foi submetido a um estudo-piloto com utilizadores. Uma demonstração -LRB- em UNIX -RRB- para Processamento Automático de Língua Natural Aplicado enfatiza componentes usados de forma inovadora em análise morfológica assistida por computador inteligente -LRB- ICALL -RRB-, incluindo análise morfológica desambiguada e indexação lematizada para um corpus bilingue alinhado de exemplos de palavras.", "ner": [[{"text": "GLOSSER", "type": "Método"}, {"text": "leitura e aprendizagem da leitura", "type": "Tarefa"}], [{"text": "pares de línguas", "type": "Genérico"}, {"text": "GLOSSER", "type": "Método"}, {"text": "inglês-búlgaro", "type": "Material"}, {"text": "inglês-estónio", "type": "Material"}, {"text": "inglês-húngaro", "type": "Material"}, {"text": "francês-neerlandês", "type": "Material"}], [{"text": "programa", "type": "Genérico"}, {"text": "plataformas UNIX e Windows 95", "type": "Outros Termos Científicos"}, {"text": "estudo-piloto com utilizadores", "type": "Outros Termos Científicos"}], [{"text": "Processamento Automático de Língua Natural Aplicado", "type": "Tarefa"}, {"text": "componentes", "type": "Genérico"}, {"text": "análise morfológica assistida por computador inteligente -LRB- ICALL -RRB-", "type": "Tarefa"}, {"text": "análise morfológica desambiguada", "type": "Método"}, {"text": "indexação lematizada", "type": "Método"}, {"text": "corpus bilingue alinhado", "type": "Material"}]], "relations": [[{"head": "GLOSSER", "tail": "leitura e aprendizagem da leitura", "relation": "Usado-para"}], [{"head": "pares de línguas", "tail": "GLOSSER", "relation": "Usado-para"}, {"head": "inglês-búlgaro", "tail": "pares de línguas", "relation": "Hipónimo-de"}, {"head": "inglês-búlgaro", "tail": "inglês-estónio", "relation": "Conjunção"}, {"head": "inglês-estónio", "tail": "pares de línguas", "relation": "Hipónimo-de"}, {"head": "inglês-estónio", "tail": "inglês-húngaro", "relation": "Conjunção"}, {"head": "inglês-húngaro", "tail": "pares de línguas", "relation": "Hipónimo-de"}, {"head": "inglês-húngaro", "tail": "francês-neerlandês", "relation": "Conjunção"}, {"head": "francês-neerlandês", "tail": "pares de línguas", "relation": "Hipónimo-de"}], [], [{"head": "componentes", "tail": "análise morfológica assistida por computador inteligente -LRB- ICALL -RRB-", "relation": "Usado-para"}, {"head": "análise morfológica desambiguada", "tail": "componentes", "relation": "Hipónimo-de"}, {"head": "análise morfológica desambiguada", "tail": "indexação lematizada", "relation": "Conjunção"}, {"head": "análise morfológica desambiguada", "tail": "corpus bilingue alinhado", "relation": "Usado-para"}, {"head": "indexação lematizada", "tail": "componentes", "relation": "Hipónimo-de"}, {"head": "indexação lematizada", "tail": "corpus bilingue alinhado", "relation": "Usado-para"}]], "clusters": [["GLOSSER", "GLOSSER", "programa"]]}
{"doc_id": "N03-1033", "text": "Apresentamos um novo etiquetador morfossintáctico que demonstra as seguintes ideias : -LRB- i -RRB- utilização explícita dos contextos de etiquetas precedentes e seguintes através de uma representação em rede de dependências , -LRB- ii -RRB- utilização alargada de características lexicais , incluindo o condicionamento conjunto em múltiplas palavras consecutivas , -LRB- iii -RRB- utilização eficaz de priors em modelos loglineares condicionais , e -LRB- iv -RRB- modelização de grande granularidade de características de palavras desconhecidas . Usando estas ideias em conjunto , o etiquetador resultante obtém uma exactidão de 97.24 % no Penn Treebank WSJ , uma redução de erro de 4.4 % em relação ao melhor resultado anterior de etiquetagem , aprendido automaticamente e baseado num único modelo .", "ner": [[{"text": "etiquetador morfossintáctico", "type": "Método"}, {"text": "contextos de etiquetas", "type": "Outros Termos Científicos"}, {"text": "representação em rede de dependências", "type": "Método"}, {"text": "características lexicais", "type": "Outros Termos Científicos"}, {"text": "múltiplas palavras consecutivas", "type": "Outros Termos Científicos"}, {"text": "priors em modelos loglineares condicionais", "type": "Outros Termos Científicos"}, {"text": "modelização de grande granularidade de características de palavras desconhecidas", "type": "Método"}], [{"text": "etiquetador", "type": "Método"}, {"text": "exactidão", "type": "Métrica"}, {"text": "Penn Treebank WSJ", "type": "Material"}, {"text": "erro", "type": "Métrica"}, {"text": "etiquetagem", "type": "Tarefa"}]], "relations": [[{"head": "contextos de etiquetas", "tail": "etiquetador morfossintáctico", "relation": "Usado-para"}, {"head": "representação em rede de dependências", "tail": "contextos de etiquetas", "relation": "Usado-para"}, {"head": "características lexicais", "tail": "etiquetador morfossintáctico", "relation": "Usado-para"}, {"head": "priors em modelos loglineares condicionais", "tail": "etiquetador morfossintáctico", "relation": "Usado-para"}, {"head": "modelização de grande granularidade de características de palavras desconhecidas", "tail": "etiquetador morfossintáctico", "relation": "Usado-para"}], [{"head": "exactidão", "tail": "etiquetador", "relation": "Avaliado-para"}, {"head": "Penn Treebank WSJ", "tail": "etiquetador", "relation": "Avaliado-para"}, {"head": "erro", "tail": "etiquetador", "relation": "Avaliado-para"}]], "clusters": [["etiquetador morfossintáctico", "etiquetador"]]}
{"doc_id": "ECCV_2016_212_abs", "text": "A reidentificação de pessoas é desafiante devido às grandes variações de pose, iluminação, oclusão e ponto de vista da câmara. Devido a estas variações, os dados de peões são distribuídos como variedades altamente curvas no espaço de características, apesar da capacidade de extração de características das atuais redes neuronais convolucionais (CNN). No entanto, a distribuição é desconhecida, pelo que é difícil usar a distância geodésica ao comparar duas amostras. Na prática, os atuais métodos de incorporação profunda utilizam a distância euclidiana para o treino e teste. Por outro lado, os métodos de aprendizagem em variedades sugerem usar a distância euclidiana na gama local, combinando-a com a relação gráfica entre amostras, para aproximar a distância geodésica. Deste ponto de vista, a seleção de amostras de treino positivas adequadas (isto é, intra-classe) dentro de uma gama local é crítica para treinar a incorporação em CNN, especialmente quando os dados apresentam grandes variações intra-classe. Neste artigo, propomos um novo método de mineração de amostras positivas moderadas para treinar uma CNN robusta para reidentificação de pessoas, lidando com o problema de grande variação. Além disso, melhoramos a aprendizagem através de uma restrição de pesos da métrica, de modo a que a métrica aprendida tenha melhor capacidade de generalização. As experiências mostram que estas duas estratégias são eficazes na aprendizagem de métricas profundas robustas para reidentificação de pessoas e, consequentemente, o nosso modelo profundo supera significativamente mais avançados métodos do estado da arte em vários benchmarks de reidentificação de pessoas. Portanto, o estudo apresentado neste artigo pode ser útil para inspirar novos desenhos de modelos profundos para reidentificação de pessoas.", "ner": [[{"text": "reidentificação de pessoas", "type": "Tarefa"}, {"text": "pose", "type": "Outros Termos Científicos"}, {"text": "iluminação", "type": "Outros Termos Científicos"}, {"text": "oclusão", "type": "Outros Termos Científicos"}, {"text": "ponto de vista da câmara", "type": "Outros Termos Científicos"}], [{"text": "dados de peões", "type": "Material"}, {"text": "variedades altamente curvas", "type": "Método"}, {"text": "espaço de características", "type": "Outros Termos Científicos"}, {"text": "redes neuronais convolucionais (CNN)", "type": "Método"}, {"text": "extração de características", "type": "Outros Termos Científicos"}], [{"text": "distância geodésica", "type": "Outros Termos Científicos"}], [{"text": "métodos de incorporação profunda", "type": "Método"}, {"text": "distância euclidiana", "type": "Outros Termos Científicos"}], [{"text": "métodos de aprendizagem em variedades", "type": "Método"}, {"text": "distância euclidiana", "type": "Outros Termos Científicos"}, {"text": "gama local", "type": "Outros Termos Científicos"}, {"text": "relação gráfica", "type": "Outros Termos Científicos"}, {"text": "distância geodésica", "type": "Outros Termos Científicos"}], [{"text": "gama local", "type": "Outros Termos Científicos"}, {"text": "incorporação em CNN", "type": "Outros Termos Científicos"}, {"text": "dados", "type": "Genérico"}, {"text": "variações intra-classe", "type": "Outros Termos Científicos"}], [{"text": "método de mineração de amostras positivas moderadas", "type": "Método"}, {"text": "CNN robusta", "type": "Método"}, {"text": "reidentificação de pessoas", "type": "Tarefa"}], [{"text": "aprendizagem", "type": "Genérico"}, {"text": "restrição de pesos da métrica", "type": "Outros Termos Científicos"}, {"text": "métrica aprendida", "type": "Outros Termos Científicos"}, {"text": "capacidade de generalização", "type": "Outros Termos Científicos"}], [{"text": "métricas profundas robustas", "type": "Outros Termos Científicos"}, {"text": "reidentificação de pessoas", "type": "Tarefa"}, {"text": "modelo profundo", "type": "Método"}, {"text": "métodos do estado da arte", "type": "Genérico"}, {"text": "reidentificação de pessoas", "type": "Tarefa"}], [{"text": "modelos profundos", "type": "Método"}, {"text": "reidentificação de pessoas", "type": "Tarefa"}]], "relations": [[], [{"head": "variedades altamente curvas", "tail": "dados de peões", "relation": "Usado-para"}, {"head": "espaço de características", "tail": "variedades altamente curvas", "relation": "Característica-de"}, {"head": "redes neuronais convolucionais (CNN)", "tail": "extração de características", "relation": "Usado-para"}], [], [{"head": "distância euclidiana", "tail": "métodos de incorporação profunda", "relation": "Usado-para"}], [{"head": "distância euclidiana", "tail": "métodos de aprendizagem em variedades", "relation": "Usado-para"}, {"head": "distância euclidiana", "tail": "relação gráfica", "relation": "Conjunção"}, {"head": "distância euclidiana", "tail": "distância geodésica", "relation": "Usado-para"}, {"head": "gama local", "tail": "distância euclidiana", "relation": "Característica-de"}, {"head": "relação gráfica", "tail": "distância geodésica", "relation": "Usado-para"}], [{"head": "variações intra-classe", "tail": "dados", "relation": "Característica-de"}], [{"head": "método de mineração de amostras positivas moderadas", "tail": "CNN robusta", "relation": "Usado-para"}, {"head": "CNN robusta", "tail": "reidentificação de pessoas", "relation": "Usado-para"}], [{"head": "restrição de pesos da métrica", "tail": "aprendizagem", "relation": "Usado-para"}, {"head": "capacidade de generalização", "tail": "métrica aprendida", "relation": "Característica-de"}], [{"head": "métricas profundas robustas", "tail": "reidentificação de pessoas", "relation": "Usado-para"}, {"head": "modelo profundo", "tail": "métodos do estado da arte", "relation": "Comparado-com"}, {"head": "modelo profundo", "tail": "reidentificação de pessoas", "relation": "Usado-para"}, {"head": "métodos do estado da arte", "tail": "reidentificação de pessoas", "relation": "Usado-para"}], [{"head": "modelos profundos", "tail": "reidentificação de pessoas", "relation": "Usado-para"}]], "clusters": [["reidentificação de pessoas", "reidentificação de pessoas", "reidentificação de pessoas", "reidentificação de pessoas"]]}
{"doc_id": "ICASSP_1997_706_abs", "text": "A Verificação de Enunciados -LRB- UV -RRB- é uma função crítica de um Sistema de Reconhecimento Automático de Fala -LRB- ASR -RRB- que trabalha em aplicações reais onde estão presentes fala espontânea, palavras fora do vocabulário -LRB- OOV -RRB- e ruídos acústicos. Neste artigo apresentamos um novo procedimento de UV com duas características principais: a -RRB- Testes de confiança são aplicados a hipóteses de cadeias descodificadas obtidas usando modelos de palavras e de lixo que representam palavras OOV e ruídos. Assim, o sistema de ASR é concebido para lidar com aquilo a que nos referimos como capacidades de Detecção de Palavras e capacidades de Detecção de Ruído. b -RRB- O procedimento de UV baseia-se em três testes de confiança diferentes, dois baseados em medidas acústicas e um fundado em informação linguística, aplicados numa estrutura hierárquica. Resultados experimentais de uma aplicação telefónica real numa tarefa de reconhecimento de números naturais mostram uma redução de 50 % em erros de reconhecimento com uma moderada taxa de rejeição de 12 % de enunciados corretos e uma baixa taxa de aceitação falsa de 1,5 %.", "ner": [[{"text": "Verificação de Enunciados -LRB- UV -RRB-", "type": "Método"}, {"text": "Sistema de Reconhecimento Automático de Fala -LRB- ASR -RRB-", "type": "Método"}, {"text": "fala espontânea", "type": "Outros Termos Científicos"}, {"text": "palavras fora do vocabulário -LRB- OOV -RRB-", "type": "Outros Termos Científicos"}, {"text": "ruídos acústicos", "type": "Outros Termos Científicos"}], [{"text": "procedimento de UV", "type": "Método"}, {"text": "Testes de confiança", "type": "Método"}, {"text": "hipóteses de cadeias descodificadas", "type": "Outros Termos Científicos"}, {"text": "palavras OOV", "type": "Outros Termos Científicos"}, {"text": "ruídos", "type": "Outros Termos Científicos"}], [{"text": "sistema de ASR", "type": "Método"}, {"text": "Detecção de Palavras", "type": "Tarefa"}, {"text": "capacidades de Detecção de Ruído", "type": "Tarefa"}], [{"text": "procedimento de UV", "type": "Método"}, {"text": "testes de confiança", "type": "Método"}, {"text": "dois", "type": "Genérico"}, {"text": "medidas acústicas", "type": "Métrica"}, {"text": "um", "type": "Genérico"}, {"text": "informação linguística", "type": "Outros Termos Científicos"}, {"text": "estrutura hierárquica", "type": "Outros Termos Científicos"}], [{"text": "aplicação telefónica", "type": "Tarefa"}, {"text": "tarefa de reconhecimento de números naturais", "type": "Tarefa"}, {"text": "erros de reconhecimento", "type": "Métrica"}, {"text": "taxa de rejeição", "type": "Métrica"}, {"text": "aceitação falsa", "type": "Métrica"}]], "relations": [[{"head": "Verificação de Enunciados -LRB- UV -RRB-", "tail": "Sistema de Reconhecimento Automático de Fala -LRB- ASR -RRB-", "relation": "Hipónimo-de"}], [{"head": "Testes de confiança", "tail": "hipóteses de cadeias descodificadas", "relation": "Usado-para"}, {"head": "ruídos", "tail": "palavras OOV", "relation": "Conjunção"}], [{"head": "sistema de ASR", "tail": "Detecção de Palavras", "relation": "Usado-para"}, {"head": "sistema de ASR", "tail": "capacidades de Detecção de Ruído", "relation": "Usado-para"}], [{"head": "testes de confiança", "tail": "procedimento de UV", "relation": "Usado-para"}, {"head": "testes de confiança", "tail": "estrutura hierárquica", "relation": "Usado-para"}, {"head": "dois", "tail": "testes de confiança", "relation": "Hipónimo-de"}, {"head": "medidas acústicas", "tail": "dois", "relation": "Usado-para"}, {"head": "um", "tail": "testes de confiança", "relation": "Hipónimo-de"}, {"head": "informação linguística", "tail": "um", "relation": "Usado-para"}], [{"head": "tarefa de reconhecimento de números naturais", "tail": "aplicação telefónica", "relation": "Característica-de"}, {"head": "erros de reconhecimento", "tail": "tarefa de reconhecimento de números naturais", "relation": "Avaliado-para"}]], "clusters": [["Verificação de Enunciados -LRB- UV -RRB-", "procedimento de UV", "procedimento de UV"], ["Sistema de Reconhecimento Automático de Fala -LRB- ASR -RRB-", "sistema de ASR"]]}
{"doc_id": "INTERSPEECH_2008_28_abs", "text": "Uma etapa crítica na codificação do som para processamento neuronal ocorre quando a onda de pressão analógica é codificada em potenciais de ação nervosos discretos. Os recentes modelos de reservatório da sinapse da célula ciliada interna não reproduzem o período de tempo morto após um estímulo intenso, por isso usámos inspeção visual e reconhecimento automático da fala -LRB- ASR -RRB- para investigar um modelo de adaptação de offset -LRB- OA -RRB- proposto por Zhang et al. -LSB- 1 -RSB-. A OA melhorou o bloqueio de fase no nervo auditivo -LRB- AN -RRB- e aumentou a precisão de ASR para características derivadas de fibras do AN -LRB- ANFs -RRB-. Verificámos também que a OA é crucial para o processamento auditivo por neurónios de início -LRB- ONs -RRB- na etapa neuronal seguinte, o tronco cerebral auditivo. Perceptrons multi-camada -LRB- MLPs -RRB- tiveram um desempenho muito melhor do que os modelos de mistura Gaussiana -LRB- GMMs -RRB- tanto para as nossas características auditivas baseadas em ANF como baseadas em ON. Resultados semelhantes foram obtidos anteriormente com características auditivas MSG -LRB- Modulation-filtered Spec-troGram -RRB- -LSB- 2 -RSB-. Assim, acreditamos que os investigadores que trabalham com novas características devem considerar experimentar MLPs.", "ner": [[{"text": "codificação do som", "type": "Tarefa"}, {"text": "processamento neuronal", "type": "Tarefa"}, {"text": "onda de pressão analógica", "type": "Outros Termos Científicos"}, {"text": "potenciais de ação nervosos discretos", "type": "Outros Termos Científicos"}], [{"text": "modelos de reservatório", "type": "Método"}, {"text": "sinapse da célula ciliada interna", "type": "Outros Termos Científicos"}, {"text": "inspeção visual", "type": "Método"}, {"text": "reconhecimento automático da fala -LRB- ASR -RRB-", "type": "Método"}, {"text": "modelo de adaptação de offset -LRB- OA -RRB-", "type": "Método"}], [{"text": "OA", "type": "Método"}, {"text": "bloqueio de fase no nervo auditivo -LRB- AN -RRB-", "type": "Tarefa"}, {"text": "precisão de ASR", "type": "Métrica"}, {"text": "características", "type": "Outros Termos Científicos"}, {"text": "fibras do AN -LRB- ANFs -RRB-", "type": "Outros Termos Científicos"}], [{"text": "OA", "type": "Método"}, {"text": "processamento auditivo", "type": "Tarefa"}, {"text": "neurónios de início -LRB- ONs -RRB-", "type": "Outros Termos Científicos"}, {"text": "tronco cerebral auditivo", "type": "Outros Termos Científicos"}], [{"text": "Perceptrons multi-camada -LRB- MLPs -RRB-", "type": "Método"}, {"text": "modelos de mistura Gaussiana -LRB- GMMs -RRB-", "type": "Método"}, {"text": "características auditivas baseadas em ANF como baseadas em ON", "type": "Outros Termos Científicos"}], [{"text": "características auditivas MSG -LRB- Modulation-filtered Spec-troGram -RRB-", "type": "Outros Termos Científicos"}], [{"text": "características", "type": "Outros Termos Científicos"}, {"text": "MLPs", "type": "Método"}]], "relations": [[{"head": "codificação do som", "tail": "processamento neuronal", "relation": "Usado-para"}, {"head": "potenciais de ação nervosos discretos", "tail": "onda de pressão analógica", "relation": "Usado-para"}], [{"head": "modelos de reservatório", "tail": "sinapse da célula ciliada interna", "relation": "Usado-para"}, {"head": "inspeção visual", "tail": "reconhecimento automático da fala -LRB- ASR -RRB-", "relation": "Conjunção"}, {"head": "inspeção visual", "tail": "modelo de adaptação de offset -LRB- OA -RRB-", "relation": "Usado-para"}, {"head": "reconhecimento automático da fala -LRB- ASR -RRB-", "tail": "modelo de adaptação de offset -LRB- OA -RRB-", "relation": "Usado-para"}], [{"head": "OA", "tail": "bloqueio de fase no nervo auditivo -LRB- AN -RRB-", "relation": "Usado-para"}, {"head": "OA", "tail": "características", "relation": "Usado-para"}, {"head": "precisão de ASR", "tail": "características", "relation": "Avaliado-para"}, {"head": "fibras do AN -LRB- ANFs -RRB-", "tail": "características", "relation": "Usado-para"}], [{"head": "OA", "tail": "processamento auditivo", "relation": "Usado-para"}, {"head": "neurónios de início -LRB- ONs -RRB-", "tail": "OA", "relation": "Usado-para"}], [{"head": "Perceptrons multi-camada -LRB- MLPs -RRB-", "tail": "modelos de mistura Gaussiana -LRB- GMMs -RRB-", "relation": "Comparado-com"}, {"head": "Perceptrons multi-camada -LRB- MLPs -RRB-", "tail": "características auditivas baseadas em ANF como baseadas em ON", "relation": "Usado-para"}, {"head": "modelos de mistura Gaussiana -LRB- GMMs -RRB-", "tail": "características auditivas baseadas em ANF como baseadas em ON", "relation": "Usado-para"}], [], []], "clusters": [["Perceptrons multi-camada -LRB- MLPs -RRB-", "MLPs"], ["modelo de adaptação de offset -LRB- OA -RRB-", "OA", "OA"]]}
{"doc_id": "ECCV_2016_110_abs", "text": "Os recentes progressos em visão por computador têm sido impulsionados por modelos de elevada capacidade treinados em grandes conjuntos de dados. Infelizmente, criar grandes conjuntos de dados com anotações ao nível de píxel tem sido extremamente dispendioso devido à quantidade de esforço humano necessária. Neste artigo, apresentamos uma abordagem para criar rapidamente mapas de rótulos semânticos com precisão ao nível de píxel para imagens extraídas de jogos de computador modernos.", "ner": [[{"text": "visão por computador", "type": "Tarefa"}, {"text": "modelos de elevada capacidade", "type": "Método"}, {"text": "grandes conjuntos de dados", "type": "Material"}], [{"text": "grandes conjuntos de dados", "type": "Material"}, {"text": "anotações ao nível de píxel", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "mapas de rótulos semânticos com precisão ao nível de píxel", "type": "Outros Termos Científicos"}, {"text": "imagens", "type": "Material"}, {"text": "jogos de computador modernos", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "modelos de elevada capacidade", "tail": "visão por computador", "relation": "Usado-para"}, {"head": "grandes conjuntos de dados", "tail": "modelos de elevada capacidade", "relation": "Usado-para"}], [{"head": "anotações ao nível de píxel", "tail": "grandes conjuntos de dados", "relation": "Característica-de"}], [{"head": "abordagem", "tail": "mapas de rótulos semânticos com precisão ao nível de píxel", "relation": "Usado-para"}, {"head": "mapas de rótulos semânticos com precisão ao nível de píxel", "tail": "imagens", "relation": "Usado-para"}, {"head": "imagens", "tail": "jogos de computador modernos", "relation": "Parte-de"}]], "clusters": [["grandes conjuntos de dados", "grandes conjuntos de dados"]]}
{"doc_id": "CVPR_2008_258_abs", "text": "Propomos um novo passo em direção à segmentação não supervisionada de objetos completos, combinando 'pistas' de segmentação parcial da cena fornecidas por vários mattes binários suaves. Estes mattes são implicados por um conjunto de fragmentos hipotéticos de fronteira de objetos na cena. Em vez de tentar encontrar ou definir uma única 'melhor' segmentação, geramos múltiplas segmentações de uma imagem. Isto reflete métodos contemporâneos para a descoberta não supervisionada de objetos a partir de grupos de imagens e permite-nos definir métricas de avaliação intuitivas para os nossos conjuntos de segmentações, baseadas na delimitação dos objetos da cena, delimitação esta precisa e parcimoniosa. A nossa abordagem proposta baseia-se em avanços recentes em clustering espectral, matting de imagem e deteção de fronteiras. Ela é demonstrada qualitativa e quantitativamente num conjunto de dados de cenas e é adequada para trabalho atual em descoberta não supervisionada de objetos sem conhecimento top-down.", "ner": [[{"text": "segmentação não supervisionada de objetos completos", "type": "Tarefa"}, {"text": "segmentação parcial da cena", "type": "Tarefa"}, {"text": "mattes binários suaves", "type": "Outros Termos Científicos"}], [{"text": "mattes", "type": "Genérico"}, {"text": "fragmentos hipotéticos de fronteira de objetos", "type": "Outros Termos Científicos"}], [], [{"text": "métodos contemporâneos", "type": "Genérico"}, {"text": "descoberta não supervisionada de objetos", "type": "Tarefa"}, {"text": "delimitação dos objetos da cena", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "clustering espectral", "type": "Método"}, {"text": "matting de imagem", "type": "Método"}, {"text": "deteção de fronteiras", "type": "Método"}], [{"text": "Ela", "type": "Genérico"}, {"text": "conjunto de dados de cenas", "type": "Material"}, {"text": "descoberta não supervisionada de objetos", "type": "Tarefa"}]], "relations": [[{"head": "segmentação parcial da cena", "tail": "segmentação não supervisionada de objetos completos", "relation": "Usado-para"}, {"head": "mattes binários suaves", "tail": "segmentação parcial da cena", "relation": "Usado-para"}], [{"head": "fragmentos hipotéticos de fronteira de objetos", "tail": "mattes", "relation": "Usado-para"}], [], [{"head": "métodos contemporâneos", "tail": "descoberta não supervisionada de objetos", "relation": "Usado-para"}], [{"head": "clustering espectral", "tail": "abordagem", "relation": "Usado-para"}, {"head": "clustering espectral", "tail": "matting de imagem", "relation": "Conjunção"}, {"head": "matting de imagem", "tail": "abordagem", "relation": "Usado-para"}, {"head": "matting de imagem", "tail": "deteção de fronteiras", "relation": "Conjunção"}, {"head": "deteção de fronteiras", "tail": "abordagem", "relation": "Usado-para"}], [{"head": "Ela", "tail": "descoberta não supervisionada de objetos", "relation": "Usado-para"}, {"head": "conjunto de dados de cenas", "tail": "Ela", "relation": "Avaliado-para"}]], "clusters": [["abordagem", "Ela"], ["segmentação não supervisionada de objetos completos", "descoberta não supervisionada de objetos", "descoberta não supervisionada de objetos"], ["mattes binários suaves", "mattes"]]}
{"doc_id": "C08-2010", "text": "A qualidade dos recursos linguísticos é crucial no PLN. Muitos dos recursos utilizados são derivados de dados criados por seres humanos fora de um contexto de PLN, especialmente no que diz respeito à TM e às traduções de referência. Com efeito, as avaliações automáticas necessitam de dados de alta qualidade que permitam a comparação entre traduções automáticas e humanas. A validação destes recursos é amplamente recomendada antes de serem utilizados. Este artigo descreve o impacto da utilização de referências de diferentes qualidades na avaliação. Surpreendentemente, obtêm-se pontuações semelhantes em muitos casos, independentemente da qualidade. Assim, as limitações das métricas automáticas utilizadas na TM são também discutidas a este respeito.", "ner": [[{"text": "qualidade dos recursos linguísticos", "type": "Métrica"}, {"text": "PLN", "type": "Tarefa"}], [{"text": "PLN", "type": "Tarefa"}, {"text": "TM", "type": "Tarefa"}, {"text": "traduções de referência", "type": "Tarefa"}], [{"text": "avaliações automáticas", "type": "Tarefa"}, {"text": "dados de alta qualidade", "type": "Material"}], [{"text": "recursos", "type": "Genérico"}], [{"text": "referências de diferentes qualidades", "type": "Outros Termos Científicos"}, {"text": "avaliação", "type": "Genérico"}], [], [{"text": "métricas automáticas", "type": "Métrica"}, {"text": "TM", "type": "Tarefa"}]], "relations": [[{"head": "qualidade dos recursos linguísticos", "tail": "PLN", "relation": "Característica-de"}], [{"head": "TM", "tail": "PLN", "relation": "Hipónimo-de"}, {"head": "TM", "tail": "traduções de referência", "relation": "Conjunção"}, {"head": "traduções de referência", "tail": "PLN", "relation": "Hipónimo-de"}], [{"head": "dados de alta qualidade", "tail": "avaliações automáticas", "relation": "Avaliado-para"}], [], [{"head": "referências de diferentes qualidades", "tail": "avaliação", "relation": "Usado-para"}], [], [{"head": "métricas automáticas", "tail": "TM", "relation": "Avaliado-para"}]], "clusters": [["dados de alta qualidade", "recursos"], ["avaliações automáticas", "avaliação"], ["TM", "TM"], ["PLN", "PLN"]]}
{"doc_id": "E93-1066", "text": "Este artigo de poster descreve uma descrição morfológica de dois níveis em grande escala -LRB- Karttunen , 1983 ; Koskenniemi , 1983 -RRB- das estruturas de palavras turcas. A descrição foi implementada utilizando o ambiente PC-KIMMO -LRB- Antworth , 1990 -RRB- e baseia-se num léxico de palavras base com cerca de 23 000 palavras base. Quase todos os casos especiais e exceções às regras fonológicas e morfológicas foram implementados. O turco é uma língua aglutinante com estruturas de palavras formadas por afixações produtivas de sufixos derivacionais e flexionais a palavras base. O turco tem morfotáctica de estado finito mas ainda assim bastante complexa. Morfemas adicionados a uma palavra base ou a um radical podem converter a palavra de uma estrutura nominal para uma estrutura verbal ou vice-versa, ou podem criar construções adverbiais. As realizações de superfície das construções morfológicas são restringidas e modificadas por um conjunto de regras fonéticas como a harmonia vocálica.", "ner": [[{"text": "descrição morfológica de dois níveis em grande escala", "type": "Tarefa"}, {"text": "estruturas de palavras turcas", "type": "Material"}], [{"text": "descrição", "type": "Genérico"}, {"text": "ambiente PC-KIMMO", "type": "Método"}, {"text": "léxico de palavras base", "type": "Material"}], [{"text": "regras fonológicas e morfológicas", "type": "Outros Termos Científicos"}], [{"text": "turco", "type": "Material"}, {"text": "língua aglutinante", "type": "Material"}, {"text": "estruturas de palavras", "type": "Outros Termos Científicos"}, {"text": "afixações produtivas de sufixos derivacionais e flexionais", "type": "Outros Termos Científicos"}], [{"text": "turco", "type": "Material"}, {"text": "estado finito", "type": "Outros Termos Científicos"}], [{"text": "Morfemas", "type": "Outros Termos Científicos"}, {"text": "estrutura verbal", "type": "Outros Termos Científicos"}, {"text": "construções adverbiais", "type": "Outros Termos Científicos"}], [{"text": "realizações de superfície das construções morfológicas", "type": "Tarefa"}, {"text": "regras fonéticas", "type": "Outros Termos Científicos"}, {"text": "harmonia vocálica", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "descrição morfológica de dois níveis em grande escala", "tail": "estruturas de palavras turcas", "relation": "Usado-para"}], [{"head": "ambiente PC-KIMMO", "tail": "descrição", "relation": "Usado-para"}, {"head": "léxico de palavras base", "tail": "descrição", "relation": "Usado-para"}], [], [{"head": "turco", "tail": "língua aglutinante", "relation": "Hipónimo-de"}, {"head": "estruturas de palavras", "tail": "língua aglutinante", "relation": "Característica-de"}, {"head": "afixações produtivas de sufixos derivacionais e flexionais", "tail": "estruturas de palavras", "relation": "Parte-de"}], [], [], [{"head": "regras fonéticas", "tail": "realizações de superfície das construções morfológicas", "relation": "Usado-para"}, {"head": "harmonia vocálica", "tail": "regras fonéticas", "relation": "Hipónimo-de"}]], "clusters": [["turco", "turco"], ["descrição morfológica de dois níveis em grande escala", "descrição"]]}
{"doc_id": "INTERSPEECH_2014_40_abs", "text": "Este artigo trata do problema de gerar o contorno de frequência fundamental -LRB- F0 -RRB- da fala a partir de uma entrada de texto para a síntese texto‑fala. Introduzimos anteriormente um modelo estatístico que descreve o processo de geração dos contornos de F0 da fala, baseado na versão em tempo discreto do modelo de Fujisaki. Uma caraterística notável deste modelo é o facto de ele nos ter permitido derivar um algoritmo eficiente baseado em métodos estatísticos poderosos para estimar os parâmetros do modelo de Fujisaki a partir de contornos de F0 brutos. Para associar uma sequência de parâmetros do modelo de Fujisaki a uma entrada de texto com base em aprendizagem estatística, este artigo propõe estender este modelo para um modelo dependente do contexto. Propomos ainda um algoritmo de treino de parâmetros para o presente modelo, baseado numa clusterização de contexto com árvores de decisão.", "ner": [[{"text": "contorno de frequência fundamental -LRB- F0 -RRB- da fala", "type": "Outros Termos Científicos"}, {"text": "entrada de texto", "type": "Material"}, {"text": "síntese texto‑fala", "type": "Tarefa"}], [{"text": "modelo estatístico", "type": "Método"}, {"text": "contornos de F0 da fala", "type": "Outros Termos Científicos"}, {"text": "modelo de Fujisaki", "type": "Método"}], [{"text": "caraterística notável", "type": "Outros Termos Científicos"}, {"text": "modelo", "type": "Genérico"}, {"text": "ele", "type": "Genérico"}, {"text": "algoritmo", "type": "Genérico"}, {"text": "métodos estatísticos", "type": "Método"}, {"text": "parâmetros do modelo de Fujisaki", "type": "Outros Termos Científicos"}, {"text": "contornos de F0 brutos", "type": "Outros Termos Científicos"}], [{"text": "parâmetros do modelo de Fujisaki", "type": "Outros Termos Científicos"}, {"text": "entrada de texto", "type": "Material"}, {"text": "aprendizagem estatística", "type": "Método"}, {"text": "modelo", "type": "Genérico"}], [{"text": "algoritmo de treino de parâmetros", "type": "Método"}, {"text": "modelo", "type": "Genérico"}, {"text": "clusterização de contexto com árvores de decisão", "type": "Método"}]], "relations": [[{"head": "contorno de frequência fundamental -LRB- F0 -RRB- da fala", "tail": "síntese texto‑fala", "relation": "Usado-para"}, {"head": "entrada de texto", "tail": "contorno de frequência fundamental -LRB- F0 -RRB- da fala", "relation": "Usado-para"}], [{"head": "modelo estatístico", "tail": "contornos de F0 da fala", "relation": "Usado-para"}, {"head": "modelo de Fujisaki", "tail": "modelo estatístico", "relation": "Usado-para"}], [{"head": "caraterística notável", "tail": "modelo", "relation": "Característica-de"}, {"head": "algoritmo", "tail": "parâmetros do modelo de Fujisaki", "relation": "Usado-para"}, {"head": "métodos estatísticos", "tail": "algoritmo", "relation": "Usado-para"}, {"head": "contornos de F0 brutos", "tail": "parâmetros do modelo de Fujisaki", "relation": "Usado-para"}], [{"head": "entrada de texto", "tail": "parâmetros do modelo de Fujisaki", "relation": "Usado-para"}, {"head": "aprendizagem estatística", "tail": "parâmetros do modelo de Fujisaki", "relation": "Usado-para"}], [{"head": "algoritmo de treino de parâmetros", "tail": "modelo", "relation": "Usado-para"}, {"head": "clusterização de contexto com árvores de decisão", "tail": "algoritmo de treino de parâmetros", "relation": "Usado-para"}]], "clusters": [["modelo estatístico", "modelo", "ele", "algoritmo", "modelo", "modelo"], ["contorno de frequência fundamental -LRB- F0 -RRB- da fala", "contornos de F0 da fala"]]}
{"doc_id": "CVPR_2010_30_abs", "text": "Introduzimos um método para acelerar a avaliação de cascatas de deteção de objetos com a ajuda de um procedimento de dividir‑para‑reinar no espaço de regiões candidatas. Em comparação com o procedimento exaustivo que até agora é o estado da arte para a avaliação de cascatas, o método proposto requer menos avaliações das funções de classificação, acelerando assim a pesquisa. Além disso, mostramos como o procedimento de pesquisa de subjanela eficiente -LRB- ESS -RRB- desenvolvido recentemente -LSB- 11 -RSB- pode ser integrado na última fase do nosso método. Isto permite-nos usar o nosso método não só como um procedimento mais rápido para a avaliação de cascatas, mas também como uma ferramenta para realizar deteção de objetos com ramificação‑e‑limitação eficiente com funções de qualidade não lineares, em particular máquinas de vetores de suporte com kernel. Experiências no conjunto de dados PASCAL VOC 2006 mostram uma aceleração de mais de 50 % pelo nosso método em comparação com a avaliação de cascatas padrão.", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "avaliação de cascatas de deteção de objetos", "type": "Tarefa"}, {"text": "procedimento de dividir‑para‑reinar", "type": "Método"}, {"text": "espaço de regiões candidatas", "type": "Método"}], [{"text": "procedimento exaustivo", "type": "Método"}, {"text": "avaliação de cascatas", "type": "Tarefa"}, {"text": "método", "type": "Genérico"}, {"text": "funções de classificação", "type": "Outros Termos Científicos"}, {"text": "pesquisa", "type": "Tarefa"}], [{"text": "procedimento de pesquisa de subjanela eficiente -LRB- ESS -RRB-", "type": "Método"}, {"text": "método", "type": "Genérico"}], [{"text": "método", "type": "Genérico"}, {"text": "avaliação de cascatas", "type": "Tarefa"}, {"text": "deteção de objetos com ramificação‑e‑limitação", "type": "Tarefa"}, {"text": "funções de qualidade não lineares", "type": "Outros Termos Científicos"}, {"text": "máquinas de vetores de suporte com kernel", "type": "Método"}], [{"text": "conjunto de dados PASCAL VOC 2006", "type": "Material"}, {"text": "método", "type": "Genérico"}, {"text": "avaliação de cascatas", "type": "Método"}]], "relations": [[{"head": "método", "tail": "avaliação de cascatas de deteção de objetos", "relation": "Usado-para"}, {"head": "procedimento de dividir‑para‑reinar", "tail": "método", "relation": "Usado-para"}, {"head": "espaço de regiões candidatas", "tail": "procedimento de dividir‑para‑reinar", "relation": "Característica-de"}], [{"head": "procedimento exaustivo", "tail": "avaliação de cascatas", "relation": "Usado-para"}, {"head": "procedimento exaustivo", "tail": "método", "relation": "Comparado-com"}, {"head": "método", "tail": "pesquisa", "relation": "Usado-para"}], [{"head": "procedimento de pesquisa de subjanela eficiente -LRB- ESS -RRB-", "tail": "método", "relation": "Parte-de"}], [{"head": "método", "tail": "avaliação de cascatas", "relation": "Usado-para"}, {"head": "método", "tail": "deteção de objetos com ramificação‑e‑limitação", "relation": "Usado-para"}, {"head": "funções de qualidade não lineares", "tail": "deteção de objetos com ramificação‑e‑limitação", "relation": "Usado-para"}, {"head": "máquinas de vetores de suporte com kernel", "tail": "funções de qualidade não lineares", "relation": "Hipónimo-de"}], [{"head": "conjunto de dados PASCAL VOC 2006", "tail": "método", "relation": "Avaliado-para"}, {"head": "conjunto de dados PASCAL VOC 2006", "tail": "avaliação de cascatas", "relation": "Avaliado-para"}, {"head": "avaliação de cascatas", "tail": "método", "relation": "Comparado-com"}]], "clusters": [["avaliação de cascatas de deteção de objetos", "avaliação de cascatas"], ["método", "método", "método", "método", "método"]]}
{"doc_id": "CVPR_2004_30_abs", "text": "A modelação de fundo é um componente importante de muitos sistemas de visão. O trabalho existente na área abordou sobretudo cenas que consistem em estruturas estáticas ou quase estáticas. Quando a cena apresenta um comportamento dinâmico persistente no tempo, tal suposição é violada e o desempenho da deteção deteriora-se. Neste artigo, propomos um novo método para a modelação e subtração de tais cenas. Para a modelação das características dinâmicas, o fluxo ótico é calculado e utilizado como uma caraterística num espaço de dimensão superior. As ambiguidades inerentes no cálculo de caraterísticas são abordadas através da utilização de uma largura de banda dependente dos dados para a estimação de densidade usando núcleos. Experiências extensivas demonstram a utilidade e o desempenho da abordagem proposta.", "ner": [[{"text": "modelação de fundo", "type": "Tarefa"}, {"text": "sistemas de visão", "type": "Tarefa"}], [{"text": "estruturas estáticas ou quase estáticas", "type": "Outros Termos Científicos"}], [{"text": "cena", "type": "Genérico"}, {"text": "comportamento dinâmico persistente", "type": "Outros Termos Científicos"}, {"text": "deteção", "type": "Tarefa"}], [{"text": "método", "type": "Genérico"}, {"text": "modelação e subtração de tais cenas", "type": "Tarefa"}, {"text": "cenas", "type": "Genérico"}], [{"text": "modelação das características dinâmicas", "type": "Tarefa"}, {"text": "fluxo ótico", "type": "Outros Termos Científicos"}, {"text": "caraterística", "type": "Outros Termos Científicos"}, {"text": "espaço de dimensão superior", "type": "Outros Termos Científicos"}], [{"text": "ambiguidades", "type": "Outros Termos Científicos"}, {"text": "cálculo de caraterísticas", "type": "Tarefa"}, {"text": "largura de banda dependente dos dados", "type": "Outros Termos Científicos"}, {"text": "estimação de densidade", "type": "Tarefa"}, {"text": "núcleos", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}]], "relations": [[{"head": "modelação de fundo", "tail": "sistemas de visão", "relation": "Parte-de"}], [], [{"head": "comportamento dinâmico persistente", "tail": "cena", "relation": "Característica-de"}], [{"head": "método", "tail": "modelação e subtração de tais cenas", "relation": "Usado-para"}], [{"head": "fluxo ótico", "tail": "modelação das características dinâmicas", "relation": "Usado-para"}, {"head": "fluxo ótico", "tail": "caraterística", "relation": "Usado-para"}, {"head": "caraterística", "tail": "modelação das características dinâmicas", "relation": "Usado-para"}, {"head": "espaço de dimensão superior", "tail": "caraterística", "relation": "Característica-de"}], [{"head": "ambiguidades", "tail": "cálculo de caraterísticas", "relation": "Característica-de"}, {"head": "largura de banda dependente dos dados", "tail": "ambiguidades", "relation": "Usado-para"}, {"head": "largura de banda dependente dos dados", "tail": "estimação de densidade", "relation": "Usado-para"}, {"head": "núcleos", "tail": "estimação de densidade", "relation": "Usado-para"}], []], "clusters": [["método", "abordagem"], ["cena", "cenas"]]}
{"doc_id": "INTERSPEECH_2007_40_abs", "text": "A destilação de informação visa extrair partes relevantes de informação relacionadas com uma dada consulta a partir de fontes documentais maciças, possivelmente multilingues, de áudio e texto. Neste artigo, apresentamos a nossa abordagem para utilizar anotações de extração de informação para aumentar a recuperação de documentos para destilação. Tiramos partido do facto de algumas das consultas de destilação poderem ser associadas a elementos de anotação introduzidos para a tarefa NIST Automatic Content Extraction (ACE). Mostramos experimentalmente que usar os eventos ACE para restringir o conjunto de documentos devolvido por um motor de recuperação de informação melhora significativamente a precisão em várias taxas de revocação para dois modelos de consulta diferentes.", "ner": [[{"text": "Destilação de informação", "type": "Tarefa"}, {"text": "fontes documentais maciças, possivelmente multilingues, de áudio e texto", "type": "Material"}], [{"text": "anotações de extração de informação", "type": "Outros Termos Científicos"}, {"text": "recuperação de documentos para destilação", "type": "Tarefa"}], [{"text": "consultas de destilação", "type": "Outros Termos Científicos"}, {"text": "elementos de anotação", "type": "Outros Termos Científicos"}, {"text": "tarefa NIST Automatic Content Extraction (ACE)", "type": "Tarefa"}], [{"text": "eventos ACE", "type": "Outros Termos Científicos"}, {"text": "motor de recuperação de informação", "type": "Método"}, {"text": "precisão", "type": "Métrica"}, {"text": "taxas de revocação", "type": "Métrica"}]], "relations": [[], [{"head": "anotações de extração de informação", "tail": "recuperação de documentos para destilação", "relation": "Usado-para"}], [], []], "clusters": []}
{"doc_id": "CVPR_2003_30_abs", "text": "Este artigo apresenta uma nova representação para objetos tridimensionais em termos de manchas de imagem afim-invariantes e das suas relações espaciais. As restrições multivista associadas a grupos de manchas são combinadas com uma representação normalizada da sua aparência para guiar a correspondência e a reconstrução, permitindo a aquisição de verdadeiros modelos afins e euclidianos tridimensionais a partir de múltiplas imagens e o seu reconhecimento numa única fotografia tirada de um ponto de vista arbitrário. A abordagem proposta não requer uma etapa de segmentação separada e é aplicável a cenas desorganizadas. São apresentados resultados preliminares de modelação e reconhecimento.", "ner": [[{"text": "representação", "type": "Genérico"}, {"text": "objetos tridimensionais", "type": "Outros Termos Científicos"}, {"text": "manchas de imagem afim-invariantes", "type": "Outros Termos Científicos"}, {"text": "relações espaciais", "type": "Outros Termos Científicos"}], [{"text": "restrições multivista", "type": "Outros Termos Científicos"}, {"text": "representação normalizada", "type": "Método"}, {"text": "correspondência", "type": "Tarefa"}, {"text": "reconstrução", "type": "Tarefa"}, {"text": "aquisição de verdadeiros modelos afins e euclidianos tridimensionais", "type": "Tarefa"}, {"text": "imagens", "type": "Material"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "etapa de segmentação", "type": "Método"}, {"text": "cenas desorganizadas", "type": "Outros Termos Científicos"}], [{"text": "reconhecimento", "type": "Tarefa"}]], "relations": [[{"head": "representação", "tail": "objetos tridimensionais", "relation": "Usado-para"}, {"head": "manchas de imagem afim-invariantes", "tail": "objetos tridimensionais", "relation": "Característica-de"}, {"head": "relações espaciais", "tail": "manchas de imagem afim-invariantes", "relation": "Característica-de"}], [{"head": "restrições multivista", "tail": "representação normalizada", "relation": "Conjunção"}, {"head": "restrições multivista", "tail": "correspondência", "relation": "Usado-para"}, {"head": "restrições multivista", "tail": "reconstrução", "relation": "Usado-para"}, {"head": "representação normalizada", "tail": "correspondência", "relation": "Usado-para"}, {"head": "representação normalizada", "tail": "reconstrução", "relation": "Usado-para"}, {"head": "correspondência", "tail": "reconstrução", "relation": "Conjunção"}, {"head": "imagens", "tail": "aquisição de verdadeiros modelos afins e euclidianos tridimensionais", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "cenas desorganizadas", "relation": "Usado-para"}], []], "clusters": [["representação", "abordagem"]]}
{"doc_id": "NIPS_2016_80_abs", "text": "Os algoritmos rápidos para pesquisa do vizinho mais próximo -LRB- NN -RRB- têm-se em grande parte focado na distância 2. Aqui desenvolvemos uma abordagem para a distância 1 que começa com uma incorporação preservadora de distância explícita e exata dos pontos em 2 2. Mostramos como isto pode ser combinado de forma eficiente com métodos baseados em projeção aleatória para pesquisa NN 2, tais como hashing sensível à localidade -LRB- LSH -RRB- ou árvores de projeção aleatória. Estabelecemos rigorosamente a correção da metodologia e mostramos por experimentação usando LSH que ela é competitiva na prática com as alternativas disponíveis.", "ner": [[{"text": "algoritmos rápidos", "type": "Genérico"}, {"text": "pesquisa do vizinho mais próximo -LRB- NN -RRB-", "type": "Tarefa"}, {"text": "distância", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "distância 1", "type": "Outros Termos Científicos"}, {"text": "incorporação preservadora de distância", "type": "Outros Termos Científicos"}], [{"text": "isto", "type": "Genérico"}, {"text": "métodos baseados em projeção aleatória", "type": "Método"}, {"text": "pesquisa NN", "type": "Tarefa"}, {"text": "hashing sensível à localidade -LRB- LSH -RRB-", "type": "Método"}, {"text": "árvores de projeção aleatória", "type": "Método"}], [{"text": "LSH", "type": "Método"}, {"text": "ela", "type": "Genérico"}, {"text": "alternativas", "type": "Genérico"}]], "relations": [[{"head": "algoritmos rápidos", "tail": "pesquisa do vizinho mais próximo -LRB- NN -RRB-", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "distância 1", "relation": "Usado-para"}], [{"head": "isto", "tail": "métodos baseados em projeção aleatória", "relation": "Conjunção"}, {"head": "métodos baseados em projeção aleatória", "tail": "pesquisa NN", "relation": "Usado-para"}, {"head": "hashing sensível à localidade -LRB- LSH -RRB-", "tail": "métodos baseados em projeção aleatória", "relation": "Hipónimo-de"}, {"head": "hashing sensível à localidade -LRB- LSH -RRB-", "tail": "árvores de projeção aleatória", "relation": "Conjunção"}, {"head": "árvores de projeção aleatória", "tail": "métodos baseados em projeção aleatória", "relation": "Hipónimo-de"}], [{"head": "ela", "tail": "alternativas", "relation": "Comparado-com"}]], "clusters": [["pesquisa do vizinho mais próximo -LRB- NN -RRB-", "pesquisa NN"], ["abordagem", "isto"], ["hashing sensível à localidade -LRB- LSH -RRB-", "LSH", "ela"]]}