{"doc_id": "J87-1003", "text": "Mostra-se que o inglês não é trans-livre-de-contexto com base em coordenações do tipo respectively que envolvem concordância estritamente sintática em série cruzada. A concordância em questão envolve número em substantivos e pronomes reflexos e é sintática em vez de semântica por natureza, porque o número gramatical em inglês, tal como o género gramatical em línguas como o francês, é em parte arbitrário. A prova formal, que faz uso crucial do Lema de Intercâmbio de Ogden et al., é construída de modo a ser válida mesmo que se presuma que o inglês contém frases gramaticais em que respectively opera sobre um par de sintagmas coordenados em que um dos membros tem menos conjunções do que o outro; assim, ela mantém-se qualquer que sejam os factos relativos a construções com números desiguais de conjunções no âmbito de respectively, ao passo que outros argumentos naufragaram neste problema.", "ner": [[{"text": "inglês", "type": "Material"}, {"text": "coordenações", "type": "Outros Termos Científicos"}, {"text": "concordância estritamente sintática em série cruzada", "type": "Outros Termos Científicos"}], [{"text": "concordância", "type": "Genérico"}, {"text": "substantivos", "type": "Outros Termos Científicos"}, {"text": "pronomes reflexos", "type": "Outros Termos Científicos"}, {"text": "número gramatical", "type": "Outros Termos Científicos"}, {"text": "inglês", "type": "Material"}, {"text": "género gramatical", "type": "Outros Termos Científicos"}, {"text": "línguas", "type": "Material"}, {"text": "francês", "type": "Material"}], [{"text": "Lema de Intercâmbio", "type": "Método"}, {"text": "inglês", "type": "Material"}]], "relations": [[], [{"head": "substantivos", "tail": "pronomes reflexos", "relation": "Conjunção"}, {"head": "género gramatical", "tail": "línguas", "relation": "Característica-de"}, {"head": "francês", "tail": "línguas", "relation": "Hipónimo-de"}], []], "clusters": [["concordância estritamente sintática em série cruzada", "concordância"]]}
{"doc_id": "CVPR_2003_18_abs", "text": "Neste artigo, é proposto um novo método para aprender a estrutura intrínseca de objetos para rastreio visual robusto. A suposição básica é que o estado parametrizado do objeto reside numa variedade de baixa dimensão e pode ser aprendido a partir de dados de treino. Com base nesta suposição, em primeiro lugar derivámos o algoritmo de redução de dimensionalidade e estimativa de densidade para aprendizagem não supervisionada da representação intrínseca de objetos; a parte não rígida do estado do objeto obtida reduz-se mesmo a 2 dimensões. Em segundo lugar, o modelo dinâmico é derivado e treinado com base nesta representação intrínseca. Em terceiro lugar, a estrutura intrínseca do objeto aprendida é integrada num rastreador em estilo filtro de partículas. Mostraremos que esta representação intrínseca do objeto tem algumas propriedades interessantes e, com base nelas, o modelo dinâmico recentemente derivado torna o rastreador em estilo filtro de partículas mais robusto e fiável. As experiências mostram que o rastreador aprendido tem um desempenho muito melhor do que rastreadores existentes no rastreio de movimentos complexos não rígidos, tais como torção de peixes com auto-oclusão e grande movimento de lábios entre frames. O método proposto também tem potencial para resolver outros tipos de problemas de rastreio.", "ner": [[{"text": "método", "type": "Método"}, {"text": "estrutura intrínseca de objetos", "type": "Outros Termos Científicos"}, {"text": "rastreio visual robusto", "type": "Tarefa"}], [{"text": "estado parametrizado do objeto", "type": "Outros Termos Científicos"}, {"text": "variedade de baixa dimensão", "type": "Outros Termos Científicos"}], [{"text": "algoritmo de redução de dimensionalidade e estimativa de densidade", "type": "Método"}, {"text": "aprendizagem não supervisionada da representação intrínseca de objetos", "type": "Tarefa"}, {"text": "representação intrínseca de objetos", "type": "Método"}, {"text": "parte não rígida do estado do objeto", "type": "Outros Termos Científicos"}], [{"text": "modelo dinâmico", "type": "Método"}, {"text": "representação intrínseca", "type": "Método"}], [{"text": "estrutura intrínseca de objetos", "type": "Outros Termos Científicos"}, {"text": "rastreador em estilo filtro de partículas", "type": "Método"}], [{"text": "representação intrínseca do objeto", "type": "Método"}, {"text": "modelo dinâmico", "type": "Método"}, {"text": "rastreador em estilo filtro de partículas", "type": "Método"}], [{"text": "rastreador", "type": "Genérico"}, {"text": "rastreadores", "type": "Genérico"}, {"text": "rastreio de movimentos complexos não rígidos", "type": "Tarefa"}, {"text": "movimentos complexos não rígidos", "type": "Outros Termos Científicos"}, {"text": "torção de peixes", "type": "Outros Termos Científicos"}, {"text": "auto-oclusão", "type": "Outros Termos Científicos"}, {"text": "movimento de lábios entre frames", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "problemas de rastreio", "type": "Tarefa"}]], "relations": [[{"head": "método", "tail": "estrutura intrínseca de objetos", "relation": "Usado-para"}, {"head": "estrutura intrínseca de objetos", "tail": "rastreio visual robusto", "relation": "Usado-para"}], [{"head": "variedade de baixa dimensão", "tail": "estado parametrizado do objeto", "relation": "Característica-de"}], [{"head": "algoritmo de redução de dimensionalidade e estimativa de densidade", "tail": "aprendizagem não supervisionada da representação intrínseca de objetos", "relation": "Usado-para"}], [{"head": "representação intrínseca", "tail": "modelo dinâmico", "relation": "Usado-para"}], [{"head": "estrutura intrínseca de objetos", "tail": "rastreador em estilo filtro de partículas", "relation": "Parte-de"}], [{"head": "modelo dinâmico", "tail": "rastreador em estilo filtro de partículas", "relation": "Usado-para"}], [{"head": "rastreador", "tail": "rastreadores", "relation": "Comparado-com"}, {"head": "rastreador", "tail": "rastreio de movimentos complexos não rígidos", "relation": "Usado-para"}, {"head": "rastreadores", "tail": "rastreio de movimentos complexos não rígidos", "relation": "Usado-para"}, {"head": "torção de peixes", "tail": "movimentos complexos não rígidos", "relation": "Hipónimo-de"}, {"head": "auto-oclusão", "tail": "torção de peixes", "relation": "Característica-de"}, {"head": "auto-oclusão", "tail": "movimento de lábios entre frames", "relation": "Conjunção"}, {"head": "movimento de lábios entre frames", "tail": "torção de peixes", "relation": "Característica-de"}], [{"head": "método", "tail": "problemas de rastreio", "relation": "Usado-para"}]], "clusters": [["representação intrínseca de objetos", "representação intrínseca", "estrutura intrínseca de objetos", "representação intrínseca do objeto"], ["método", "método"], ["modelo dinâmico", "modelo dinâmico"], ["rastreador em estilo filtro de partículas", "rastreador"]]}
{"doc_id": "INTERSPEECH_2013_31_abs", "text": "Neste artigo, apresentamos uma implementação em processador de sinal digital -LRB- DSP -RRB- de conversão estatística de voz em tempo real -LRB- VC -RRB- para melhoria de fala silenciosa e melhoria de fala eletrolaríngea. Como interface de fala silenciosa, focamo‑nos em murmúrio não audível -LRB- NAM -RRB-, que pode ser usado em situações em que a fala audível não é aceitável. A fala eletrolaríngea é um dos tipos típicos de fala alaríngea produzida por um método de fala alternativo para laringectomizados. No entanto, a qualidade sonora de NAM e fala eletrolaríngea sofre de falta de naturalidade. A VC provou ser uma das abordagens promissoras para resolver este problema e ela foi implementada com sucesso em dispositivos com recursos computacionais suficientes. Uma implementação em dispositivos que são altamente portáteis mas têm recursos computacionais limitados contribuiria grandemente para a sua utilização prática. Neste artigo implementamos ainda VC em tempo real num DSP. Para implementar os dois sistemas de melhoria de fala baseados em VC em tempo real, um de NAM para uma voz sussurrada e outro de fala eletrolaríngea para uma voz natural, propomos vários métodos para reduzir o custo computacional preservando a precisão da conversão. Conduzimos avaliações experimentais e mostramos que a VC em tempo real é capaz de funcionar num DSP com pouca degradação.", "ner": [[{"text": "implementação em processador de sinal digital -LRB- DSP -RRB-", "type": "Método"}, {"text": "conversão estatística de voz em tempo real -LRB- VC -RRB-", "type": "Método"}, {"text": "melhoria de fala silenciosa", "type": "Tarefa"}, {"text": "melhoria de fala eletrolaríngea", "type": "Tarefa"}], [{"text": "interface de fala silenciosa", "type": "Outros Termos Científicos"}, {"text": "murmúrio não audível -LRB- NAM -RRB-", "type": "Material"}, {"text": "fala audível", "type": "Material"}], [{"text": "fala eletrolaríngea", "type": "Material"}, {"text": "fala alaríngea", "type": "Material"}, {"text": "método de fala", "type": "Método"}, {"text": "laringectomizados", "type": "Outros Termos Científicos"}], [{"text": "qualidade sonora", "type": "Métrica"}, {"text": "NAM", "type": "Material"}, {"text": "NAM e fala eletrolaríngea", "type": "Material"}], [{"text": "VC", "type": "Método"}, {"text": "ela", "type": "Genérico"}, {"text": "dispositivos", "type": "Genérico"}, {"text": "recursos computacionais suficientes", "type": "Material"}], [{"text": "dispositivos", "type": "Genérico"}, {"text": "recursos computacionais limitados", "type": "Material"}], [{"text": "VC em tempo real", "type": "Método"}, {"text": "DSP", "type": "Outros Termos Científicos"}], [{"text": "sistemas de melhoria de fala", "type": "Método"}, {"text": "VC em tempo real", "type": "Método"}, {"text": "um", "type": "Genérico"}, {"text": "NAM", "type": "Material"}, {"text": "voz sussurrada", "type": "Material"}, {"text": "outro", "type": "Genérico"}, {"text": "fala eletrolaríngea", "type": "Material"}, {"text": "voz natural", "type": "Material"}, {"text": "métodos", "type": "Genérico"}, {"text": "custo computacional", "type": "Métrica"}, {"text": "precisão da conversão", "type": "Métrica"}], [{"text": "VC em tempo real", "type": "Método"}, {"text": "DSP", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "implementação em processador de sinal digital -LRB- DSP -RRB-", "tail": "conversão estatística de voz em tempo real -LRB- VC -RRB-", "relation": "Usado-para"}, {"head": "conversão estatística de voz em tempo real -LRB- VC -RRB-", "tail": "melhoria de fala silenciosa", "relation": "Usado-para"}, {"head": "conversão estatística de voz em tempo real -LRB- VC -RRB-", "tail": "melhoria de fala eletrolaríngea", "relation": "Usado-para"}, {"head": "melhoria de fala silenciosa", "tail": "melhoria de fala eletrolaríngea", "relation": "Conjunção"}], [], [{"head": "fala eletrolaríngea", "tail": "fala alaríngea", "relation": "Hipónimo-de"}, {"head": "método de fala", "tail": "fala alaríngea", "relation": "Usado-para"}, {"head": "método de fala", "tail": "laringectomizados", "relation": "Usado-para"}], [{"head": "qualidade sonora", "tail": "NAM e fala eletrolaríngea", "relation": "Avaliado-para"}], [{"head": "dispositivos", "tail": "ela", "relation": "Usado-para"}, {"head": "recursos computacionais suficientes", "tail": "dispositivos", "relation": "Característica-de"}], [{"head": "recursos computacionais limitados", "tail": "dispositivos", "relation": "Característica-de"}], [{"head": "DSP", "tail": "VC em tempo real", "relation": "Usado-para"}], [{"head": "VC em tempo real", "tail": "sistemas de melhoria de fala", "relation": "Usado-para"}, {"head": "um", "tail": "sistemas de melhoria de fala", "relation": "Hipónimo-de"}, {"head": "um", "tail": "outro", "relation": "Conjunção"}, {"head": "outro", "tail": "sistemas de melhoria de fala", "relation": "Hipónimo-de"}, {"head": "custo computacional", "tail": "métodos", "relation": "Avaliado-para"}, {"head": "custo computacional", "tail": "precisão da conversão", "relation": "Conjunção"}, {"head": "precisão da conversão", "tail": "métodos", "relation": "Avaliado-para"}], [{"head": "DSP", "tail": "VC em tempo real", "relation": "Usado-para"}]], "clusters": [["DSP", "DSP"], ["murmúrio não audível -LRB- NAM -RRB-", "NAM", "NAM"], ["conversão estatística de voz em tempo real -LRB- VC -RRB-", "VC em tempo real", "VC em tempo real", "VC em tempo real"], ["VC", "ela"]]}
{"doc_id": "I05-5008", "text": "Propomos um método que gera automaticamente conjuntos de paráfrases a partir de frases de origem para serem usados como conjuntos de referência em medidas de avaliação de tradução automática objetivas como BLEU e NIST. Medimos a qualidade das paráfrases produzidas numa experiência, i.e., (i) a sua gramaticalidade: pelo menos 99 % de frases corretas; (ii) a sua equivalência de significado: pelo menos 96 % de paráfrases corretas, quer por equivalência de significado quer por implicação; e (iii) a quantidade de variação lexical e sintática interna num conjunto de paráfrases: ligeiramente superior à de conjuntos produzidos manualmente. Os conjuntos de paráfrases produzidos por este método parecem, assim, adequados como conjuntos de referência a utilizar na avaliação de TA.", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "paráfrase", "type": "Outros Termos Científicos"}, {"text": "medidas de avaliação de tradução automática", "type": "Métrica"}, {"text": "BLEU", "type": "Métrica"}, {"text": "NIST", "type": "Métrica"}], [{"text": "paráfrases", "type": "Outros Termos Científicos"}, {"text": "gramaticalidade", "type": "Métrica"}, {"text": "equivalência de significado", "type": "Métrica"}, {"text": "paráfrases", "type": "Outros Termos Científicos"}, {"text": "equivalência de significado", "type": "Método"}, {"text": "implicação", "type": "Método"}, {"text": "variação lexical e sintática interna", "type": "Métrica"}, {"text": "paráfrases", "type": "Outros Termos Científicos"}, {"text": "conjuntos produzidos manualmente", "type": "Outros Termos Científicos"}], [{"text": "paráfrase", "type": "Outros Termos Científicos"}, {"text": "método", "type": "Genérico"}, {"text": "avaliação de TA", "type": "Tarefa"}]], "relations": [[{"head": "método", "tail": "paráfrase", "relation": "Usado-para"}, {"head": "paráfrase", "tail": "medidas de avaliação de tradução automática", "relation": "Usado-para"}, {"head": "BLEU", "tail": "medidas de avaliação de tradução automática", "relation": "Hipónimo-de"}, {"head": "BLEU", "tail": "NIST", "relation": "Conjunção"}, {"head": "NIST", "tail": "medidas de avaliação de tradução automática", "relation": "Hipónimo-de"}], [{"head": "equivalência de significado", "tail": "gramaticalidade", "relation": "Conjunção"}, {"head": "equivalência de significado", "tail": "paráfrases", "relation": "Usado-para"}, {"head": "equivalência de significado", "tail": "implicação", "relation": "Conjunção"}, {"head": "implicação", "tail": "paráfrases", "relation": "Usado-para"}, {"head": "variação lexical e sintática interna", "tail": "equivalência de significado", "relation": "Conjunção"}, {"head": "paráfrases", "tail": "conjuntos produzidos manualmente", "relation": "Comparado-com"}], [{"head": "método", "tail": "paráfrase", "relation": "Usado-para"}]], "clusters": [["método", "método"]]}
{"doc_id": "A97-1052", "text": "Descrevemos uma técnica inovadora e um sistema implementado para construir um dicionário de subcategorização a partir de corpora textuais. Cada entrada do dicionário codifica a frequência relativa de ocorrência de um conjunto abrangente de classes de subcategorização para inglês. Uma experiência inicial, numa amostra de 14 verbos que exibem múltiplos padrões de complementação, demonstra que a técnica atinge uma precisão comparável a abordagens anteriores, que estão todas limitadas a um conjunto altamente restrito de classes de subcategorização. Demonstramos também que um dicionário de subcategorização construído com o sistema melhora a precisão de um analisador sintático de forma apreciável", "ner": [[{"text": "sistema", "type": "Genérico"}, {"text": "dicionário de subcategorização", "type": "Outros Termos Científicos"}, {"text": "corpora textuais", "type": "Material"}], [{"text": "frequência relativa de ocorrência", "type": "Outros Termos Científicos"}], [], [{"text": "dicionário de subcategorização", "type": "Outros Termos Científicos"}, {"text": "sistema", "type": "Genérico"}, {"text": "precisão", "type": "Métrica"}, {"text": "analisador sintático", "type": "Método"}]], "relations": [[{"head": "sistema", "tail": "dicionário de subcategorização", "relation": "Usado-para"}, {"head": "corpora textuais", "tail": "sistema", "relation": "Usado-para"}], [], [], [{"head": "sistema", "tail": "dicionário de subcategorização", "relation": "Usado-para"}, {"head": "precisão", "tail": "analisador sintático", "relation": "Avaliado-para"}, {"head": "analisador sintático", "tail": "dicionário de subcategorização", "relation": "Avaliado-para"}]], "clusters": [["sistema", "sistema"]]}
{"doc_id": "CVPR_2006_21_abs", "text": "A introdução de conhecimento prévio melhorou significativamente numerosos algoritmos de processamento de imagem puramente guiados por baixo nível. Neste trabalho, focamo-nos no problema de registo de imagem não rígido. Vários critérios de registo poderosos foram desenvolvidos na última década, sendo o mais proeminente o critério de máxima informação mútua. Embora este critério proporcione bons resultados de registo em muitas aplicações, continua a ser um critério puramente de baixo nível. Como consequência, os resultados de registo deterioram-se assim que esta informação de baixo nível é corrompida, devido a ruído, oclusões parciais ou estrutura de imagem em falta. Neste artigo, desenvolveremos um enquadramento Bayesiano que permite impor conhecimento prévio aprendido estatisticamente sobre a distribuição conjunta de intensidades em métodos de registo de imagem. O prévio é dado por uma estimação de densidade por kernel no espaço de distribuições conjuntas de intensidades calculadas a partir de um conjunto representativo de pares de imagens pré-registadas. Este prévio não paramétrico modela com precisão relações de intensidade previamente aprendidas entre várias modalidades de imagem e localizações de corte. Resultados experimentais demonstram que o processo de registo resultante é mais robusto a informação de baixo nível em falta, pois favorece correspondências de intensidade estatisticamente consistentes com as distribuições de intensidade aprendidas.", "ner": [[{"text": "conhecimento prévio", "type": "Outros Termos Científicos"}, {"text": "algoritmos de processamento de imagem puramente guiados por baixo nível", "type": "Método"}], [{"text": "registo de imagem não rígido", "type": "Tarefa"}], [{"text": "critérios de registo", "type": "Métrica"}, {"text": "máxima informação mútua", "type": "Métrica"}], [{"text": "critério", "type": "Genérico"}, {"text": "este", "type": "Genérico"}, {"text": "critério puramente de baixo nível", "type": "Métrica"}], [{"text": "registo", "type": "Tarefa"}, {"text": "informação de baixo nível", "type": "Outros Termos Científicos"}, {"text": "ruído", "type": "Outros Termos Científicos"}, {"text": "oclusões parciais", "type": "Outros Termos Científicos"}, {"text": "estrutura de imagem em falta", "type": "Outros Termos Científicos"}], [{"text": "enquadramento Bayesiano", "type": "Método"}, {"text": "conhecimento prévio aprendido estatisticamente", "type": "Outros Termos Científicos"}, {"text": "distribuição conjunta de intensidades", "type": "Outros Termos Científicos"}, {"text": "métodos de registo de imagem", "type": "Método"}], [{"text": "prévio", "type": "Genérico"}, {"text": "estimação de densidade por kernel", "type": "Método"}, {"text": "distribuições conjuntas de intensidades", "type": "Outros Termos Científicos"}, {"text": "pares de imagens pré-registadas", "type": "Material"}], [{"text": "relações de intensidade", "type": "Outros Termos Científicos"}, {"text": "modalidades de imagem", "type": "Outros Termos Científicos"}, {"text": "localizações de corte", "type": "Outros Termos Científicos"}], [{"text": "processo de registo", "type": "Método"}, {"text": "informação de baixo nível em falta", "type": "Outros Termos Científicos"}, {"text": "este", "type": "Outros Termos Científicos"}, {"text": "correspondências de intensidade", "type": "Outros Termos Científicos"}, {"text": "distribuições de intensidade", "type": "Outros Termos Científicos"}]], "relations": [[], [], [{"head": "máxima informação mútua", "tail": "critérios de registo", "relation": "Hipónimo-de"}], [{"head": "critério puramente de baixo nível", "tail": "este", "relation": "Característica-de"}], [], [{"head": "enquadramento Bayesiano", "tail": "métodos de registo de imagem", "relation": "Usado-para"}, {"head": "conhecimento prévio aprendido estatisticamente", "tail": "métodos de registo de imagem", "relation": "Usado-para"}, {"head": "distribuição conjunta de intensidades", "tail": "conhecimento prévio aprendido estatisticamente", "relation": "Característica-de"}], [{"head": "estimação de densidade por kernel", "tail": "prévio", "relation": "Usado-para"}, {"head": "estimação de densidade por kernel", "tail": "distribuições conjuntas de intensidades", "relation": "Usado-para"}, {"head": "pares de imagens pré-registadas", "tail": "distribuições conjuntas de intensidades", "relation": "Usado-para"}], [], [{"head": "processo de registo", "tail": "informação de baixo nível em falta", "relation": "Usado-para"}, {"head": "este", "tail": "correspondências de intensidade", "relation": "Usado-para"}]], "clusters": [["métodos de registo de imagem", "processo de registo", "este"], ["registo de imagem não rígido", "registo"], ["máxima informação mútua", "critério", "este"], ["conhecimento prévio aprendido estatisticamente", "prévio"]]}
{"doc_id": "ICCV_2013_36_abs", "text": "Existe um interesse crescente na criação de modelos de cidade eficiente, sejam eles virtuais ou as-built. Apresentamos um método para sintetizar imagens de fachadas complexas e fotorrealistas, a partir de um único exemplo. Depois de analisar a imagem de exemplo nos seus componentes semânticos, é gerado um ladrilhamento para ela. Podem então ser criados novos ladrilhamentos, produzindo texturas de fachada com dimensões diferentes ou com partes ocultas preenchidas. Um algoritmo genético orienta as novas fachadas, bem como as partes preenchidas, para serem consistentes com o exemplo, tanto em termos da sua estrutura global como das suas texturas detalhadas. Resultados promissores para múltiplos conjuntos de dados padrão — em particular para os diferentes estilos de edifícios que contêm — demonstram o potencial do método.", "ner": [[{"text": "criação de modelos de cidade", "type": "Tarefa"}], [{"text": "método", "type": "Genérico"}, {"text": "sintetizar imagens de fachadas complexas e fotorrealistas", "type": "Tarefa"}], [{"text": "componentes semânticos", "type": "Método"}, {"text": "ladrilhamento", "type": "Outros Termos Científicos"}], [{"text": "ladrilhamentos", "type": "Outros Termos Científicos"}, {"text": "texturas de fachada", "type": "Outros Termos Científicos"}, {"text": "partes ocultas preenchidas", "type": "Outros Termos Científicos"}], [{"text": "algoritmo genético", "type": "Genérico"}, {"text": "fachadas", "type": "Outros Termos Científicos"}, {"text": "partes preenchidas", "type": "Outros Termos Científicos"}], [{"text": "múltiplos conjuntos de dados padrão", "type": "Genérico"}, {"text": "método", "type": "Genérico"}]], "relations": [[], [{"head": "método", "tail": "sintetizar imagens de fachadas complexas e fotorrealistas", "relation": "Usado-para"}], [{"head": "ladrilhamento", "tail": "componentes semânticos", "relation": "Usado-para"}], [{"head": "partes ocultas preenchidas", "tail": "texturas de fachada", "relation": "Característica-de"}], [{"head": "algoritmo genético", "tail": "fachadas", "relation": "Usado-para"}, {"head": "algoritmo genético", "tail": "partes preenchidas", "relation": "Usado-para"}], [{"head": "múltiplos conjuntos de dados padrão", "tail": "método", "relation": "Avaliado-para"}]], "clusters": [["algoritmo genético", "método"]]}
{"doc_id": "N06-4001", "text": "Apresentamos uma nova ferramenta interativa de exploração de corpora chamada InfoMagnets. O objetivo do InfoMagnets é tornar a análise exploratória de corpora acessível a investigadores que não são especialistas em mineração de texto. Como prova da sua utilidade e usabilidade, tem sido utilizada com sucesso num contexto de investigação para descobrir relações entre linguagem e padrões comportamentais em dois domínios distintos: diálogo tutorial (Kumar et al., submetido) e comunidades online (Arguello et al., 2006). Como ferramenta educacional, tem sido utilizada como parte de uma unidade sobre análise de protocolos num curso de Métodos de Investigação em Educação.", "ner": [[{"text": "ferramenta interativa de exploração de corpora", "type": "Método"}, {"text": "InfoMagnets", "type": "Método"}], [{"text": "InfoMagnets", "type": "Método"}, {"text": "análise exploratória de corpora", "type": "Tarefa"}, {"text": "mineração de texto", "type": "Tarefa"}], [{"text": "sua", "type": "Genérico"}, {"text": "domínios", "type": "Genérico"}, {"text": "diálogo tutorial", "type": "Material"}, {"text": "comunidades online", "type": "Material"}], [{"text": "ferramenta educacional", "type": "Método"}, {"text": "sua", "type": "Genérico"}, {"text": "análise de protocolos", "type": "Tarefa"}]], "relations": [[{"head": "InfoMagnets", "tail": "ferramenta interativa de exploração de corpora", "relation": "Hipónimo-de"}], [{"head": "InfoMagnets", "tail": "análise exploratória de corpora", "relation": "Usado-para"}], [{"head": "sua", "tail": "domínios", "relation": "Usado-para"}, {"head": "diálogo tutorial", "tail": "domínios", "relation": "Hipónimo-de"}, {"head": "diálogo tutorial", "tail": "comunidades online", "relation": "Conjunção"}, {"head": "comunidades online", "tail": "domínios", "relation": "Hipónimo-de"}], [{"head": "ferramenta educacional", "tail": "análise de protocolos", "relation": "Usado-para"}]], "clusters": [["InfoMagnets", "InfoMagnets", "sua", "ferramenta educacional", "sua"]]}
{"doc_id": "N03-2003", "text": "As fontes de dados de treino adequados para a modelização da linguagem de fala conversacional são limitadas. Neste artigo, mostramos como os dados de treino podem ser suplementados com texto da web filtrado para corresponder ao estilo e/ou tópico da tarefa de reconhecimento alvo, mas também que é possível obter maiores ganhos de desempenho a partir dos dados utilizando interpolação de N-gramas dependente da classe.", "ner": [[{"text": "modelização da linguagem", "type": "Método"}, {"text": "fala conversacional", "type": "Material"}], [{"text": "tarefa de reconhecimento", "type": "Tarefa"}, {"text": "interpolação de N-gramas dependente da classe", "type": "Método"}]], "relations": [[{"head": "fala conversacional", "tail": "modelização da linguagem", "relation": "Usado-para"}], [{"head": "interpolação de N-gramas dependente da classe", "tail": "tarefa de reconhecimento", "relation": "Usado-para"}]], "clusters": []}
{"doc_id": "ICCV_2011_47_abs", "text": "Apresentamos um método para detetar objetos 3D utilizando multi‑modalidades. Embora seja genérico, demonstramo‑lo na combinação de uma imagem e de um mapa de profundidade denso que fornecem informação de objeto complementar. Funciona em tempo real, sob forte desorganização, não requer uma fase de treino demorada e consegue lidar com objetos sem textura. Baseia‑se numa representação eficiente de modelos que captam as diferentes modalidades, e mostramos, em muitas experiências em hardware comum, que a nossa abordagem supera significativamente métodos de ponta em modalidades únicas.", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "detetar objetos 3D", "type": "Tarefa"}, {"text": "multi‑modalidades", "type": "Outros Termos Científicos"}], [{"text": "o", "type": "Genérico"}, {"text": "lo", "type": "Genérico"}, {"text": "imagem", "type": "Outros Termos Científicos"}, {"text": "mapa de profundidade denso", "type": "Outros Termos Científicos"}, {"text": "informação de objeto complementar", "type": "Outros Termos Científicos"}], [{"text": "Funciona", "type": "Genérico"}, {"text": "fase de treino demorada", "type": "Outros Termos Científicos"}, {"text": "objetos sem textura", "type": "Outros Termos Científicos"}], [{"text": "Baseia‑se", "type": "Genérico"}, {"text": "modelos", "type": "Outros Termos Científicos"}, {"text": "modalidades", "type": "Outros Termos Científicos"}, {"text": "hardware comum", "type": "Outros Termos Científicos"}, {"text": "abordagem", "type": "Genérico"}, {"text": "métodos de ponta", "type": "Genérico"}, {"text": "modalidades únicas", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "método", "tail": "detetar objetos 3D", "relation": "Usado-para"}, {"head": "multi‑modalidades", "tail": "método", "relation": "Usado-para"}], [{"head": "o", "tail": "lo", "relation": "Usado-para"}, {"head": "imagem", "tail": "o", "relation": "Usado-para"}, {"head": "imagem", "tail": "mapa de profundidade denso", "relation": "Conjunção"}, {"head": "mapa de profundidade denso", "tail": "lo", "relation": "Usado-para"}, {"head": "informação de objeto complementar", "tail": "mapa de profundidade denso", "relation": "Característica-de"}], [], [{"head": "modelos", "tail": "modalidades", "relation": "Usado-para"}, {"head": "abordagem", "tail": "métodos de ponta", "relation": "Comparado-com"}, {"head": "abordagem", "tail": "modalidades únicas", "relation": "Usado-para"}, {"head": "métodos de ponta", "tail": "modalidades únicas", "relation": "Usado-para"}]], "clusters": [["o", "lo", "Funciona", "abordagem"], ["método", "o"]]}
{"doc_id": "CVPR_1998_10_abs", "text": "A descrição compacta de uma sequência de vídeo através de um único mapa de imagem e de um movimento dominante tem aplicações em vários domínios, incluindo navegação e recuperação de vídeo, compressão, mosaico e sumarização visual. A construção de tal representação requer a capacidade de registar todos os fotogramas em relação ao objeto dominante na cena, uma tarefa que, no passado, foi abordada através de estimativas de movimento temporalmente localizadas. Neste artigo, mostramos como a falta de consistência temporal associada a tais estimativas pode comprometer a validade da suposição de movimento dominante, conduzindo a oscilações entre diferentes interpretações da cena e um fraco registo. Para evitar estas oscilações, ampliamos o modelo de movimento com uma restrição temporal genérica que aumenta a robustez face a interpretações concorrentes, conduzindo a uma sumarização de conteúdo mais significativa.", "ner": [[{"text": "descrição compacta de uma sequência de vídeo", "type": "Tarefa"}, {"text": "mapa de imagem", "type": "Outros Termos Científicos"}, {"text": "movimento dominante", "type": "Outros Termos Científicos"}, {"text": "domínios", "type": "Genérico"}, {"text": "navegação e recuperação de vídeo", "type": "Tarefa"}, {"text": "compressão", "type": "Tarefa"}, {"text": "mosaico", "type": "Tarefa"}, {"text": "sumarização visual", "type": "Tarefa"}], [{"text": "representação", "type": "Genérico"}, {"text": "tarefa", "type": "Genérico"}, {"text": "estimativas de movimento temporalmente localizadas", "type": "Método"}], [{"text": "falta de consistência temporal", "type": "Outros Termos Científicos"}, {"text": "consistência temporal", "type": "Outros Termos Científicos"}, {"text": "estimativas", "type": "Genérico"}, {"text": "validade da suposição de movimento dominante", "type": "Outros Termos Científicos"}, {"text": "suposição de movimento dominante", "type": "Outros Termos Científicos"}, {"text": "oscilações entre diferentes interpretações da cena e um fraco registo", "type": "Outros Termos Científicos"}], [{"text": "oscilações", "type": "Genérico"}, {"text": "modelo de movimento", "type": "Método"}, {"text": "restrição temporal genérica", "type": "Outros Termos Científicos"}, {"text": "robustez", "type": "Métrica"}, {"text": "sumarização de conteúdo", "type": "Tarefa"}]], "relations": [[{"head": "descrição compacta de uma sequência de vídeo", "tail": "domínios", "relation": "Usado-para"}, {"head": "mapa de imagem", "tail": "descrição compacta de uma sequência de vídeo", "relation": "Usado-para"}, {"head": "mapa de imagem", "tail": "movimento dominante", "relation": "Conjunção"}, {"head": "movimento dominante", "tail": "descrição compacta de uma sequência de vídeo", "relation": "Usado-para"}, {"head": "navegação e recuperação de vídeo", "tail": "domínios", "relation": "Hipónimo-de"}, {"head": "navegação e recuperação de vídeo", "tail": "compressão", "relation": "Conjunção"}, {"head": "compressão", "tail": "domínios", "relation": "Hipónimo-de"}, {"head": "compressão", "tail": "mosaico", "relation": "Conjunção"}, {"head": "mosaico", "tail": "domínios", "relation": "Hipónimo-de"}, {"head": "mosaico", "tail": "sumarização visual", "relation": "Conjunção"}], [{"head": "estimativas de movimento temporalmente localizadas", "tail": "tarefa", "relation": "Usado-para"}], [], [{"head": "restrição temporal genérica", "tail": "modelo de movimento", "relation": "Usado-para"}, {"head": "restrição temporal genérica", "tail": "sumarização de conteúdo", "relation": "Usado-para"}, {"head": "robustez", "tail": "restrição temporal genérica", "relation": "Avaliado-para"}]], "clusters": [["descrição compacta de uma sequência de vídeo", "representação"], ["estimativas de movimento temporalmente localizadas", "estimativas"], ["oscilações entre diferentes interpretações da cena e um fraco registo", "oscilações"]]}
{"doc_id": "IJCAI_2016_420_abs", "text": "Na aprendizagem entre domínios, há um problema mais desafiador em que a divergência entre domínios envolve mais do que fatores dominantes, por exemplo, diferentes pontos de vista, várias resoluções e iluminações variáveis. Felizmente, é frequentemente possível encontrar um domínio intermédio para construir uma ponte entre eles e facilitar o problema de aprendizagem. Neste artigo, propomos uma framework de Auto‑codificadores de Denoising Marginalizados Acoplados para resolver o problema entre domínios. Especificamente, concebemos dois auto‑codificadores de denoising marginalizados, um para o alvo e outro para a fonte, bem como para o intermédio. Para acoplar melhor a aprendizagem de auto‑codificadores de denoising, incorporamos uma mapeamento de características, que tende a transferir conhecimento entre o domínio intermédio e o alvo. Além disso, o critério de margem máxima, por exemplo, compacidade intra‑classe e penalização inter‑classe, é imposto na camada de saída para procurar características mais discriminativas entre diferentes domínios. Extensas experiências em duas tarefas demonstraram a superioridade do nosso método em relação aos métodos de última geração.", "ner": [[{"text": "aprendizagem entre domínios", "type": "Tarefa"}, {"text": "divergência entre domínios", "type": "Outros Termos Científicos"}, {"text": "fatores dominantes", "type": "Genérico"}, {"text": "pontos de vista", "type": "Outros Termos Científicos"}, {"text": "resoluções", "type": "Outros Termos Científicos"}, {"text": "iluminações", "type": "Outros Termos Científicos"}], [{"text": "domínio intermédio", "type": "Outros Termos Científicos"}, {"text": "problema de aprendizagem", "type": "Tarefa"}], [{"text": "framework de Auto‑codificadores de Denoising Marginalizados Acoplados", "type": "Método"}, {"text": "problema entre domínios", "type": "Tarefa"}], [{"text": "auto‑codificadores de denoising marginalizados", "type": "Método"}, {"text": "um", "type": "Genérico"}, {"text": "outro", "type": "Genérico"}], [{"text": "aprendizagem de auto‑codificadores de denoising", "type": "Método"}, {"text": "mapeamento de características", "type": "Método"}, {"text": "domínio intermédio", "type": "Outros Termos Científicos"}], [{"text": "critério de margem máxima", "type": "Outros Termos Científicos"}, {"text": "compacidade intra‑classe", "type": "Outros Termos Científicos"}, {"text": "penalização inter‑classe", "type": "Outros Termos Científicos"}, {"text": "características mais discriminativas", "type": "Outros Termos Científicos"}], [{"text": "tarefas", "type": "Genérico"}, {"text": "método", "type": "Genérico"}, {"text": "métodos de última geração", "type": "Genérico"}]], "relations": [[{"head": "fatores dominantes", "tail": "divergência entre domínios", "relation": "Parte-de"}, {"head": "pontos de vista", "tail": "fatores dominantes", "relation": "Hipónimo-de"}, {"head": "pontos de vista", "tail": "resoluções", "relation": "Conjunção"}, {"head": "resoluções", "tail": "fatores dominantes", "relation": "Hipónimo-de"}, {"head": "resoluções", "tail": "iluminações", "relation": "Conjunção"}], [{"head": "domínio intermédio", "tail": "problema de aprendizagem", "relation": "Usado-para"}], [{"head": "framework de Auto‑codificadores de Denoising Marginalizados Acoplados", "tail": "problema entre domínios", "relation": "Usado-para"}], [{"head": "um", "tail": "auto‑codificadores de denoising marginalizados", "relation": "Hipónimo-de"}, {"head": "um", "tail": "outro", "relation": "Conjunção"}, {"head": "outro", "tail": "auto‑codificadores de denoising marginalizados", "relation": "Hipónimo-de"}], [{"head": "mapeamento de características", "tail": "aprendizagem de auto‑codificadores de denoising", "relation": "Parte-de"}, {"head": "mapeamento de características", "tail": "domínio intermédio", "relation": "Usado-para"}], [{"head": "compacidade intra‑classe", "tail": "critério de margem máxima", "relation": "Hipónimo-de"}, {"head": "compacidade intra‑classe", "tail": "penalização inter‑classe", "relation": "Conjunção"}, {"head": "penalização inter‑classe", "tail": "critério de margem máxima", "relation": "Hipónimo-de"}], [{"head": "tarefas", "tail": "método", "relation": "Avaliado-para"}, {"head": "método", "tail": "métodos de última geração", "relation": "Comparado-com"}]], "clusters": [["framework de Auto‑codificadores de Denoising Marginalizados Acoplados", "método"], ["aprendizagem entre domínios", "problema de aprendizagem", "problema entre domínios"]]}
{"doc_id": "ICCV_2015_403_abs", "text": "Neste artigo, pretendemos gerar automaticamente rostos envelhecidos de forma personalizada. Basicamente, é aprendido um conjunto de dicionários específicos por grupo etário, em que as bases de dicionário correspondentes ao mesmo índice mas provenientes de dicionários diferentes formam um determinado padrão de processo de envelhecimento entre diferentes grupos etários, e uma combinação linear destes padrões expressa um determinado processo de envelhecimento personalizado. Além disso, dois fatores são tidos em consideração no processo de aprendizagem de dicionários. Em primeiro lugar, para além dos dicionários de envelhecimento, cada indivíduo pode ter características faciais personalizadas adicionais, por exemplo, um sinal, que são invariantes no processo de envelhecimento. Em segundo lugar, é difícil ou até impossível recolher rostos de todos os grupos etários para um determinado indivíduo, sendo muito mais fácil e mais prático obter pares de rostos de grupos etários vizinhos. Assim, é utilizada uma perda de reconstrução acoplada sensível à personalidade para aprender os dicionários com base em pares de rostos de grupos etários vizinhos. Extensas experiências demonstram bem as vantagens da nossa solução proposta em relação ao estado da arte em termos de progressão de envelhecimento personalizada, bem como o ganho de desempenho na verificação facial entre idades através da síntese de rostos envelhecidos.", "ner": [[{"text": "rostos envelhecidos", "type": "Outros Termos Científicos"}], [{"text": "dicionários específicos por grupo etário", "type": "Método"}, {"text": "bases de dicionário", "type": "Outros Termos Científicos"}, {"text": "padrão de processo de envelhecimento", "type": "Outros Termos Científicos"}, {"text": "combinação linear", "type": "Método"}, {"text": "padrões", "type": "Genérico"}, {"text": "processo de envelhecimento personalizado", "type": "Tarefa"}], [{"text": "processo de aprendizagem de dicionários", "type": "Método"}], [{"text": "dicionários de envelhecimento", "type": "Método"}, {"text": "características faciais personalizadas", "type": "Outros Termos Científicos"}, {"text": "sinal", "type": "Outros Termos Científicos"}, {"text": "processo de envelhecimento", "type": "Tarefa"}], [], [{"text": "perda de reconstrução acoplada sensível à personalidade", "type": "Outros Termos Científicos"}, {"text": "dicionários", "type": "Genérico"}], [{"text": "solução", "type": "Genérico"}, {"text": "estado da arte", "type": "Genérico"}, {"text": "progressão de envelhecimento personalizada", "type": "Outros Termos Científicos"}, {"text": "verificação facial entre idades", "type": "Tarefa"}, {"text": "síntese de rostos envelhecidos", "type": "Método"}]], "relations": [[], [{"head": "bases de dicionário", "tail": "dicionários específicos por grupo etário", "relation": "Parte-de"}, {"head": "combinação linear", "tail": "processo de envelhecimento personalizado", "relation": "Usado-para"}, {"head": "padrões", "tail": "combinação linear", "relation": "Usado-para"}], [], [{"head": "sinal", "tail": "características faciais personalizadas", "relation": "Hipónimo-de"}], [], [{"head": "perda de reconstrução acoplada sensível à personalidade", "tail": "dicionários", "relation": "Usado-para"}], [{"head": "solução", "tail": "estado da arte", "relation": "Comparado-com"}, {"head": "solução", "tail": "progressão de envelhecimento personalizada", "relation": "Usado-para"}, {"head": "estado da arte", "tail": "progressão de envelhecimento personalizada", "relation": "Usado-para"}, {"head": "síntese de rostos envelhecidos", "tail": "verificação facial entre idades", "relation": "Usado-para"}]], "clusters": [["dicionários específicos por grupo etário", "dicionários de envelhecimento", "dicionários"], ["padrão de processo de envelhecimento", "padrões"], ["processo de envelhecimento personalizado", "processo de envelhecimento"]]}
{"doc_id": "E85-1041", "text": "Propomos um esquema preliminar do modelo que formaliza a estrutura do contexto comunicativo na interação em diálogo. As relações entre os parceiros que interagem são consideradas como um sistema de três autómatos que representam os parceiros do diálogo e o ambiente.", "ner": [[{"text": "modelo", "type": "Genérico"}, {"text": "estrutura do contexto comunicativo", "type": "Outros Termos Científicos"}, {"text": "interação em diálogo", "type": "Material"}], []], "relations": [[{"head": "modelo", "tail": "estrutura do contexto comunicativo", "relation": "Usado-para"}, {"head": "interação em diálogo", "tail": "estrutura do contexto comunicativo", "relation": "Característica-de"}], []], "clusters": []}
{"doc_id": "IJCAI_2001_12_abs", "text": "Os visitantes que navegam na web a partir de PDAs sem fios, telemóveis e pagers são frequentemente frustrados por interfaces web otimizadas para PCs de secretária. Substituir simplesmente gráficos por texto e reformatar tabelas não resolve o problema, porque estruturas de ligações profundas podem continuar a exigir minutos para serem percorridas. Neste artigo desenvolvemos um algoritmo, MINPATH, que melhora automaticamente a navegação web sem fios sugerindo, em tempo real, atalhos de ligações úteis. O MINPATH encontra atalhos utilizando um modelo aprendido do comportamento dos visitantes da web para estimar as poupanças proporcionadas pelos atalhos de ligações e sugere apenas as poucas melhores ligações. Exploramos uma variedade de modelos preditivos, incluindo modelos de mistura de Naïve Bayes e misturas de modelos de Markov, e apresentamos evidência empírica de que o MINPATH encontra atalhos úteis que poupam um esforço de navegação substancial.", "ner": [[{"text": "interfaces web", "type": "Método"}, {"text": "PCs de secretária", "type": "Outros Termos Científicos"}], [{"text": "estruturas de ligações profundas", "type": "Outros Termos Científicos"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "MINPATH", "type": "Método"}, {"text": "navegação web sem fios", "type": "Tarefa"}], [{"text": "MINPATH", "type": "Método"}, {"text": "modelo", "type": "Genérico"}, {"text": "comportamento dos visitantes da web", "type": "Outros Termos Científicos"}, {"text": "poupanças proporcionadas pelos atalhos de ligações", "type": "Tarefa"}], [{"text": "modelos preditivos", "type": "Genérico"}, {"text": "modelos de mistura de Naïve Bayes", "type": "Método"}, {"text": "misturas de modelos de Markov", "type": "Método"}, {"text": "MINPATH", "type": "Método"}]], "relations": [[{"head": "interfaces web", "tail": "PCs de secretária", "relation": "Usado-para"}], [], [{"head": "algoritmo", "tail": "navegação web sem fios", "relation": "Usado-para"}, {"head": "algoritmo", "tail": "navegação web sem fios", "relation": "Usado-para"}], [{"head": "modelo", "tail": "MINPATH", "relation": "Usado-para"}, {"head": "modelo", "tail": "comportamento dos visitantes da web", "relation": "Usado-para"}, {"head": "modelo", "tail": "poupanças proporcionadas pelos atalhos de ligações", "relation": "Usado-para"}], [{"head": "modelos de mistura de Naïve Bayes", "tail": "modelos preditivos", "relation": "Hipónimo-de"}, {"head": "modelos de mistura de Naïve Bayes", "tail": "misturas de modelos de Markov", "relation": "Conjunção"}, {"head": "misturas de modelos de Markov", "tail": "modelos preditivos", "relation": "Hipónimo-de"}]], "clusters": [["modelo", "modelos preditivos"], ["algoritmo", "MINPATH", "MINPATH", "MINPATH"]]}
{"doc_id": "H90-1011", "text": "Este artigo descreve uma abordagem particular à análise sintáctica que utiliza avanços recentes na análise sintáctica baseada em unificação e na representação de conhecimento baseada em classificação. À medida que os enquadramentos gramaticais baseados em unificação são estendidos para lidar com descrições mais ricas de informação linguística, eles começam a partilhar muitas das propriedades que foram desenvolvidas em sistemas de representação de conhecimento do tipo KL-ONE. Esta comunalidade sugere que algumas das técnicas de representação baseadas em classificação podem ser aplicadas a descrições linguísticas baseadas em unificação. Esta fusão suporta a integração de informação semântica e sintáctica no mesmo sistema, simultaneamente sujeita aos mesmos tipos de processos, de uma forma eficiente. O resultado espera-se que seja uma análise sintáctica mais eficiente devido ao aumento da organização do conhecimento. A utilização de uma representação ao estilo KL-ONE para análise sintáctica e interpretação semântica foi explorada pela primeira vez no sistema PSI-KLONE -LSB- 2 -RSB-, no qual a análise sintáctica é caracterizada como um processo de inferência chamado refinamento incremental de descrições.", "ner": [[{"text": "abordagem", "type": "Genérico"}, {"text": "análise sintáctica", "type": "Tarefa"}, {"text": "análise sintáctica baseada em unificação", "type": "Tarefa"}, {"text": "representação de conhecimento baseada em classificação", "type": "Tarefa"}], [{"text": "enquadramentos gramaticais baseados em unificação", "type": "Método"}, {"text": "informação linguística", "type": "Outros Termos Científicos"}, {"text": "eles", "type": "Genérico"}, {"text": "sistemas de representação de conhecimento do tipo KL-ONE", "type": "Método"}], [{"text": "técnicas de representação baseadas em classificação", "type": "Método"}, {"text": "descrições linguísticas baseadas em unificação", "type": "Outros Termos Científicos"}], [{"text": "informação semântica e sintáctica", "type": "Outros Termos Científicos"}, {"text": "sistema", "type": "Genérico"}], [{"text": "análise sintáctica", "type": "Método"}], [{"text": "representação ao estilo KL-ONE", "type": "Método"}, {"text": "análise sintáctica", "type": "Tarefa"}, {"text": "interpretação semântica", "type": "Tarefa"}, {"text": "sistema PSI-KLONE", "type": "Método"}, {"text": "análise sintáctica", "type": "Tarefa"}, {"text": "processo de inferência", "type": "Método"}, {"text": "refinamento incremental de descrições", "type": "Método"}]], "relations": [[{"head": "abordagem", "tail": "análise sintáctica", "relation": "Usado-para"}, {"head": "análise sintáctica baseada em unificação", "tail": "abordagem", "relation": "Usado-para"}, {"head": "representação de conhecimento baseada em classificação", "tail": "abordagem", "relation": "Usado-para"}, {"head": "representação de conhecimento baseada em classificação", "tail": "análise sintáctica baseada em unificação", "relation": "Conjunção"}], [{"head": "enquadramentos gramaticais baseados em unificação", "tail": "informação linguística", "relation": "Usado-para"}, {"head": "sistemas de representação de conhecimento do tipo KL-ONE", "tail": "eles", "relation": "Usado-para"}], [{"head": "técnicas de representação baseadas em classificação", "tail": "descrições linguísticas baseadas em unificação", "relation": "Usado-para"}], [{"head": "informação semântica e sintáctica", "tail": "sistema", "relation": "Usado-para"}], [], [{"head": "representação ao estilo KL-ONE", "tail": "análise sintáctica", "relation": "Usado-para"}, {"head": "representação ao estilo KL-ONE", "tail": "interpretação semântica", "relation": "Usado-para"}, {"head": "análise sintáctica", "tail": "interpretação semântica", "relation": "Conjunção"}, {"head": "sistema PSI-KLONE", "tail": "representação ao estilo KL-ONE", "relation": "Usado-para"}, {"head": "refinamento incremental de descrições", "tail": "análise sintáctica", "relation": "Usado-para"}, {"head": "refinamento incremental de descrições", "tail": "processo de inferência", "relation": "Hipónimo-de"}]], "clusters": [["sistemas de representação de conhecimento do tipo KL-ONE", "representação ao estilo KL-ONE"], ["enquadramentos gramaticais baseados em unificação", "eles"], ["abordagem", "sistema"], ["análise sintáctica", "análise sintáctica", "análise sintáctica"]]}
{"doc_id": "W99-0408", "text": "Neste artigo discutimos uma arquitetura de modelação do conhecimento do utilizador proposta para o sistema ICICLE, uma aplicação de tutoria de língua para aprendentes surdos de inglês escrito. O modelo irá representar a proficiência linguística do utilizador e foi concebido para ser referenciado tanto durante a análise da escrita como durante a produção de feedback. Motivamos o nosso desenho do modelo citando investigação relevante sobre aquisição de segunda língua e de competências cognitivas e discutimos brevemente evidência empírica preliminar que apoia o desenho. Concluímos mostrando como o nosso desenho pode fornecer uma base de informação rica e robusta a uma aplicação de avaliação/correção linguística, modelando a proficiência do utilizador com um elevado nível de granularidade e especificidade.", "ner": [[{"text": "arquitetura de modelação do conhecimento do utilizador", "type": "Método"}, {"text": "sistema ICICLE", "type": "Tarefa"}, {"text": "aplicação de tutoria de língua", "type": "Tarefa"}, {"text": "aprendentes surdos", "type": "Outros Termos Científicos"}, {"text": "inglês escrito", "type": "Material"}], [{"text": "modelo", "type": "Genérico"}, {"text": "análise da escrita", "type": "Tarefa"}, {"text": "produção de feedback", "type": "Tarefa"}], [{"text": "desenho do modelo", "type": "Genérico"}, {"text": "aquisição de segunda língua e de competências cognitivas", "type": "Tarefa"}, {"text": "desenho", "type": "Genérico"}], [{"text": "desenho", "type": "Genérico"}, {"text": "aplicação de avaliação/correção linguística", "type": "Tarefa"}, {"text": "proficiência do utilizador", "type": "Outros Termos Científicos"}, {"text": "granularidade", "type": "Métrica"}, {"text": "especificidade", "type": "Métrica"}]], "relations": [[{"head": "arquitetura de modelação do conhecimento do utilizador", "tail": "sistema ICICLE", "relation": "Usado-para"}, {"head": "sistema ICICLE", "tail": "aplicação de tutoria de língua", "relation": "Hipónimo-de"}, {"head": "aplicação de tutoria de língua", "tail": "aprendentes surdos", "relation": "Usado-para"}, {"head": "inglês escrito", "tail": "aplicação de tutoria de língua", "relation": "Usado-para"}], [{"head": "modelo", "tail": "análise da escrita", "relation": "Usado-para"}, {"head": "modelo", "tail": "produção de feedback", "relation": "Usado-para"}, {"head": "análise da escrita", "tail": "produção de feedback", "relation": "Conjunção"}], [{"head": "aquisição de segunda língua e de competências cognitivas", "tail": "desenho do modelo", "relation": "Usado-para"}], [{"head": "desenho", "tail": "aplicação de avaliação/correção linguística", "relation": "Usado-para"}, {"head": "desenho", "tail": "proficiência do utilizador", "relation": "Usado-para"}, {"head": "granularidade", "tail": "proficiência do utilizador", "relation": "Avaliado-para"}, {"head": "granularidade", "tail": "especificidade", "relation": "Conjunção"}, {"head": "especificidade", "tail": "proficiência do utilizador", "relation": "Avaliado-para"}]], "clusters": [["arquitetura de modelação do conhecimento do utilizador", "modelo", "desenho do modelo", "desenho", "desenho"]]}
{"doc_id": "IJCAI_2013_5_abs", "text": "A propagação de restrições é uma das técnicas-chave na programação por restrições, e existe um vasto corpo de trabalho desenvolvido em torno desta área. Algoritmos de propagação de restrições de propósito específico recorrem frequentemente de forma implícita a suportes curtos -- ao examinar um subconjunto das variáveis, podem inferir suporte -LRB- uma justificação de que um par variável-valor ainda faz parte de uma solução para a restrição -RRB- para todas as outras variáveis e valores e poupar uma quantidade substancial de trabalho. Recentemente, suportes curtos têm sido usados em propagadores de uso geral e -LRB- quando a restrição é adequada a suportes curtos -RRB- foram demonstradas acelerações de mais de três ordens de grandeza. Neste artigo apresentamos o SHORTSTR2, uma evolução do algoritmo de Redução por Tabelas Simples STR2+. Mostramos que o SHORTSTR2 é complementar aos algoritmos existentes SHORTGAC e HAGGISGAC que exploram suportes curtos, sendo ao mesmo tempo muito mais simples. Quando uma restrição é adequada a suportes curtos, o conjunto de suportes curtos pode ser exponencialmente mais pequeno do que o conjunto de suportes de comprimento completo. Portanto, o SHORTSTR2 pode propagar de forma eficiente muitas restrições que o STR2+ nem sequer consegue carregar em memória. Mostramos também que o SHORTSTR2 pode ser combinado com um algoritmo simples para identificar suportes curtos a partir de suportes de comprimento completo, de modo a fornecer um substituto direto superior para o STR2+.", "ner": [[{"text": "Propagação de restrições", "type": "Método"}, {"text": "programação por restrições", "type": "Método"}], [{"text": "Algoritmos de propagação de restrições de propósito específico", "type": "Método"}], [{"text": "propagadores de uso geral", "type": "Método"}, {"text": "restrição", "type": "Outros Termos Científicos"}], [{"text": "SHORTSTR2", "type": "Método"}, {"text": "algoritmo de Redução por Tabelas Simples STR2+", "type": "Método"}], [{"text": "SHORTSTR2", "type": "Método"}, {"text": "SHORTGAC", "type": "Método"}, {"text": "HAGGISGAC", "type": "Método"}], [{"text": "restrição", "type": "Outros Termos Científicos"}, {"text": "suportes curtos", "type": "Outros Termos Científicos"}, {"text": "conjunto de suportes curtos", "type": "Outros Termos Científicos"}, {"text": "conjunto de suportes de comprimento completo", "type": "Outros Termos Científicos"}], [{"text": "SHORTSTR2", "type": "Método"}, {"text": "restrições", "type": "Outros Termos Científicos"}, {"text": "STR2+", "type": "Método"}], [{"text": "SHORTSTR2", "type": "Método"}, {"text": "algoritmo", "type": "Genérico"}, {"text": "suportes curtos", "type": "Outros Termos Científicos"}, {"text": "suportes de comprimento completo", "type": "Outros Termos Científicos"}, {"text": "substituto direto", "type": "Outros Termos Científicos"}, {"text": "STR2+", "type": "Método"}]], "relations": [[{"head": "Propagação de restrições", "tail": "programação por restrições", "relation": "Parte-de"}], [], [], [{"head": "algoritmo de Redução por Tabelas Simples STR2+", "tail": "SHORTSTR2", "relation": "Usado-para"}], [{"head": "SHORTSTR2", "tail": "SHORTGAC", "relation": "Comparado-com"}, {"head": "SHORTSTR2", "tail": "HAGGISGAC", "relation": "Comparado-com"}, {"head": "SHORTGAC", "tail": "HAGGISGAC", "relation": "Conjunção"}], [{"head": "conjunto de suportes curtos", "tail": "conjunto de suportes de comprimento completo", "relation": "Comparado-com"}], [], [{"head": "SHORTSTR2", "tail": "suportes curtos", "relation": "Usado-para"}, {"head": "SHORTSTR2", "tail": "substituto direto", "relation": "Usado-para"}, {"head": "algoritmo", "tail": "SHORTSTR2", "relation": "Conjunção"}, {"head": "algoritmo", "tail": "suportes curtos", "relation": "Usado-para"}, {"head": "suportes de comprimento completo", "tail": "SHORTSTR2", "relation": "Usado-para"}, {"head": "suportes de comprimento completo", "tail": "SHORTSTR2", "relation": "Usado-para"}, {"head": "suportes de comprimento completo", "tail": "algoritmo", "relation": "Usado-para"}, {"head": "suportes de comprimento completo", "tail": "algoritmo", "relation": "Usado-para"}, {"head": "substituto direto", "tail": "STR2+", "relation": "Usado-para"}]], "clusters": [["SHORTSTR2", "SHORTSTR2", "SHORTSTR2", "SHORTSTR2"], ["algoritmo de Redução por Tabelas Simples STR2+", "STR2+", "STR2+"]]}
{"doc_id": "C04-1102", "text": "Propomos um método de deteção para variantes ortográficas causadas pela transliteração num grande corpo . O método emprega duas similaridades . Uma é a similaridade de cadeia baseada na distância de edição . A outra é a similaridade contextual por um modelo de espaço vetorial . Resultados experimentais mostram que o método obteve uma F-medida de 0,889 num teste aberto .", "ner": [[{"text": "método de deteção", "type": "Método"}, {"text": "variantes ortográficas", "type": "Outros Termos Científicos"}, {"text": "transliteração", "type": "Tarefa"}], [{"text": "método", "type": "Genérico"}, {"text": "similaridades", "type": "Genérico"}], [{"text": "similaridade de cadeia", "type": "Outros Termos Científicos"}, {"text": "distância de edição", "type": "Método"}], [{"text": "similaridade contextual", "type": "Outros Termos Científicos"}, {"text": "modelo de espaço vetorial", "type": "Método"}], [{"text": "método", "type": "Genérico"}, {"text": "F-medida", "type": "Métrica"}]], "relations": [[{"head": "método de deteção", "tail": "variantes ortográficas", "relation": "Usado-para"}], [{"head": "similaridades", "tail": "método", "relation": "Usado-para"}], [{"head": "distância de edição", "tail": "similaridade de cadeia", "relation": "Usado-para"}], [{"head": "modelo de espaço vetorial", "tail": "similaridade contextual", "relation": "Usado-para"}], [{"head": "F-medida", "tail": "método", "relation": "Avaliado-para"}]], "clusters": [["método de deteção", "método", "método"]]}
{"doc_id": "CVPR_2004_21_abs", "text": "O tratamento da incerteza desempenha um papel importante durante o acompanhamento de forma. Mostrámos recentemente que a fusão da informação de medição com a dinâmica do sistema e prioridades de forma melhora significativamente o desempenho de acompanhamento para imagens muito ruidosas, como sequências de ultrassom -LSB- 22 -RSB-. No entanto, esta abordagem exigia a inicialização pelo utilizador do processo de acompanhamento. Este artigo resolve o problema de inicialização automática realizando deteção de forma reforçada como um processo de medição genérico e integrando-o no nosso enquadramento de acompanhamento. Mostramos como propagar as incertezas de deteção local de múltiplos candidatos de forma durante o alinhamento de forma, a fusão com a prioridade de forma prevista e a fusão com restrições de subespaço. Como resultado, tratamos todas as fontes de informação de forma unificada e derivamos o modelo de forma posterior como a forma com a máxima verosimilhança. O nosso enquadramento é aplicado ao acompanhamento automático do endocárdio em sequências de ultrassom do coração humano. São obtidos resultados de deteção fiável e acompanhamento robusto quando comparados com abordagens existentes e variações interespecialistas.", "ner": [[{"text": "tratamento da incerteza", "type": "Tarefa"}, {"text": "acompanhamento de forma", "type": "Tarefa"}], [{"text": "fusão da informação de medição com a dinâmica do sistema e prioridades de forma", "type": "Método"}, {"text": "acompanhamento", "type": "Tarefa"}, {"text": "imagens muito ruidosas", "type": "Material"}, {"text": "sequências de ultrassom", "type": "Material"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "inicialização pelo utilizador", "type": "Outros Termos Científicos"}, {"text": "processo de acompanhamento", "type": "Método"}], [{"text": "problema de inicialização automática", "type": "Tarefa"}, {"text": "deteção de forma reforçada", "type": "Método"}, {"text": "processo de medição genérico", "type": "Método"}, {"text": "enquadramento de acompanhamento", "type": "Método"}], [{"text": "incertezas de deteção local", "type": "Outros Termos Científicos"}, {"text": "incertezas de deteção local de múltiplos candidatos de forma", "type": "Outros Termos Científicos"}, {"text": "alinhamento de forma", "type": "Outros Termos Científicos"}, {"text": "prioridade de forma prevista", "type": "Outros Termos Científicos"}, {"text": "restrições de subespaço", "type": "Outros Termos Científicos"}], [{"text": "modelo de forma posterior", "type": "Método"}, {"text": "máxima verosimilhança", "type": "Outros Termos Científicos"}], [{"text": "enquadramento", "type": "Genérico"}, {"text": "acompanhamento automático do endocárdio", "type": "Tarefa"}, {"text": "endocárdio", "type": "Outros Termos Científicos"}, {"text": "sequências de ultrassom do coração humano", "type": "Material"}], [{"text": "deteção", "type": "Tarefa"}, {"text": "acompanhamento", "type": "Tarefa"}, {"text": "abordagens", "type": "Genérico"}, {"text": "variações interespecialistas", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "tratamento da incerteza", "tail": "acompanhamento de forma", "relation": "Usado-para"}], [{"head": "fusão da informação de medição com a dinâmica do sistema e prioridades de forma", "tail": "acompanhamento", "relation": "Usado-para"}, {"head": "acompanhamento", "tail": "imagens muito ruidosas", "relation": "Usado-para"}, {"head": "sequências de ultrassom", "tail": "imagens muito ruidosas", "relation": "Hipónimo-de"}], [{"head": "inicialização pelo utilizador", "tail": "abordagem", "relation": "Usado-para"}, {"head": "inicialização pelo utilizador", "tail": "processo de acompanhamento", "relation": "Usado-para"}], [{"head": "deteção de forma reforçada", "tail": "problema de inicialização automática", "relation": "Usado-para"}, {"head": "processo de medição genérico", "tail": "deteção de forma reforçada", "relation": "Usado-para"}], [], [{"head": "máxima verosimilhança", "tail": "modelo de forma posterior", "relation": "Usado-para"}], [{"head": "enquadramento", "tail": "acompanhamento automático do endocárdio", "relation": "Usado-para"}, {"head": "endocárdio", "tail": "sequências de ultrassom do coração humano", "relation": "Parte-de"}], [{"head": "deteção", "tail": "acompanhamento", "relation": "Conjunção"}, {"head": "abordagens", "tail": "variações interespecialistas", "relation": "Conjunção"}]], "clusters": [["fusão da informação de medição com a dinâmica do sistema e prioridades de forma", "abordagem"], ["acompanhamento de forma", "acompanhamento", "acompanhamento"], ["enquadramento de acompanhamento", "enquadramento"]]}
{"doc_id": "N03-2017", "text": "Apresentamos uma restrição baseada na sintaxe para alinhamento de palavras, conhecida como restrição de coesão. Ela requer que frases inglesas disjuntas sejam mapeadas para intervalos não sobrepostos na frase francesa. Avaliamos a utilidade desta restrição em dois algoritmos diferentes. Os resultados mostram que ela pode proporcionar uma melhoria significativa na qualidade do alinhamento.", "ner": [[{"text": "restrição baseada na sintaxe", "type": "Outros Termos Científicos"}, {"text": "alinhamento de palavras", "type": "Tarefa"}, {"text": "restrição de coesão", "type": "Outros Termos Científicos"}], [{"text": "Ela", "type": "Genérico"}, {"text": "frases inglesas", "type": "Material"}, {"text": "frase francesa", "type": "Material"}], [{"text": "restrição", "type": "Genérico"}, {"text": "algoritmos", "type": "Genérico"}], [{"text": "ela", "type": "Genérico"}, {"text": "qualidade do alinhamento", "type": "Métrica"}]], "relations": [[{"head": "restrição baseada na sintaxe", "tail": "alinhamento de palavras", "relation": "Usado-para"}, {"head": "restrição de coesão", "tail": "restrição baseada na sintaxe", "relation": "Hipónimo-de"}], [{"head": "frases inglesas", "tail": "Ela", "relation": "Usado-para"}], [{"head": "algoritmos", "tail": "restrição", "relation": "Avaliado-para"}], [{"head": "qualidade do alinhamento", "tail": "ela", "relation": "Avaliado-para"}]], "clusters": [["restrição de coesão", "Ela", "restrição", "ela"]]}
{"doc_id": "C92-3165", "text": "Este artigo apresenta um método interactivo robusto para compreensão da fala. A análise LR generalizada é melhorada nesta abordagem. A análise prossegue da esquerda para a direita corrigindo pequenos erros. Quando é detectada uma parte muito ruidosa, o analisador salta essa parte usando um símbolo não-terminal falso. A parte não identificada é resolvida por uma nova enunciação dessa parte, que é analisada de forma muito eficiente utilizando o registo de análise da primeira enunciação. O utilizador não tem de dizer novamente a frase inteira. Este método é também capaz de lidar com palavras desconhecidas, o que é importante em sistemas práticos. As palavras desconhecidas detectadas podem ser incorporadas incrementalmente no dicionário após a interacção com o utilizador. Um sistema piloto demonstrou grande eficácia desta abordagem.", "ner": [[{"text": "método interactivo robusto", "type": "Genérico"}, {"text": "compreensão da fala", "type": "Tarefa"}], [{"text": "análise LR generalizada", "type": "Método"}, {"text": "abordagem", "type": "Genérico"}], [{"text": "análise", "type": "Método"}], [{"text": "analisador", "type": "Método"}, {"text": "símbolo não-terminal", "type": "Outros Termos Científicos"}], [], [], [{"text": "método", "type": "Genérico"}, {"text": "palavras desconhecidas", "type": "Outros Termos Científicos"}], [], [{"text": "abordagem", "type": "Genérico"}]], "relations": [[{"head": "método interactivo robusto", "tail": "compreensão da fala", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "análise LR generalizada", "relation": "Usado-para"}], [], [{"head": "símbolo não-terminal", "tail": "analisador", "relation": "Usado-para"}], [], [], [{"head": "método", "tail": "palavras desconhecidas", "relation": "Usado-para"}], [], []], "clusters": [["método interactivo robusto", "abordagem", "método", "abordagem"], ["análise", "analisador"]]}
{"doc_id": "C08-1118", "text": "Este artigo mostra que é muito frequentemente possível identificar a língua de origem de discursos de comprimento médio no corpus EUROPARL com base em contagens de frequência de n-gramas de palavras -LRB- 87,2 % -96,7 % de precisão dependendo do método de classificação -RRB- . O artigo analisa também em detalhe quais os marcadores positivos mais poderosos e identifica vários aspetos linguísticos, bem como outros relacionados com a cultura e com o domínio .", "ner": [[{"text": "discursos de comprimento médio", "type": "Material"}, {"text": "corpus EUROPARL", "type": "Material"}, {"text": "contagens de frequência de n-gramas de palavras", "type": "Método"}, {"text": "n-gramas de palavras", "type": "Outros Termos Científicos"}, {"text": "precisão", "type": "Métrica"}, {"text": "método de classificação", "type": "Método"}], [{"text": "marcadores positivos", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "discursos de comprimento médio", "tail": "corpus EUROPARL", "relation": "Parte-de"}, {"head": "precisão", "tail": "método de classificação", "relation": "Avaliado-para"}], []], "clusters": []}
{"doc_id": "INTERSPEECH_2006_28_abs", "text": "Investigámos se as transcrições fonéticas automáticas -LRB- APTs -RRB- podem substituir transcrições fonéticas verificadas manualmente -LRB- MPTs -RRB- num estudo de grande escala baseado em corpus sobre variação de pronúncia. Para esse fim, comparámos o desempenho de ambos os tipos de transcrição numa experiência de classificação destinada a estabelecer a influência directa de um determinado enquadramento situacional na variação de pronúncia. Treinámos classificadores nos processos de fala extraídos dos alinhamentos de uma APT e de uma MPT com uma transcrição canónica. Testámos se os classificadores eram igualmente bons a verificar se transcrições desconhecidas representam fala lida ou diálogos telefónicos, e se os mesmos processos de fala eram identificados para distinguir entre transcrições dos dois enquadramentos situacionais. Os nossos resultados não só mostram que foram identificados processos de fala distintivos semelhantes; o nosso classificador baseado em APT apresentou melhor exactidão de classificação do que o classificador baseado em MPT, utilizando ao mesmo tempo menos características de classificação.", "ner": [[{"text": "transcrições fonéticas automáticas -LRB- APTs -RRB-", "type": "Outros Termos Científicos"}, {"text": "transcrições fonéticas verificadas manualmente", "type": "Outros Termos Científicos"}, {"text": "variação de pronúncia", "type": "Tarefa"}], [{"text": "classificação", "type": "Tarefa"}, {"text": "variação de pronúncia", "type": "Tarefa"}], [{"text": "classificadores", "type": "Método"}, {"text": "processos de fala", "type": "Material"}, {"text": "alinhamentos", "type": "Outros Termos Científicos"}, {"text": "APT", "type": "Outros Termos Científicos"}, {"text": "MPT", "type": "Outros Termos Científicos"}, {"text": "transcrição canónica", "type": "Outros Termos Científicos"}], [{"text": "classificadores", "type": "Material"}, {"text": "transcrições desconhecidas", "type": "Outros Termos Científicos"}, {"text": "fala lida", "type": "Material"}, {"text": "diálogos telefónicos", "type": "Material"}, {"text": "processos de fala", "type": "Material"}], [{"text": "classificador baseado em APT", "type": "Método"}, {"text": "exactidão de classificação", "type": "Métrica"}, {"text": "classificador baseado em MPT", "type": "Método"}, {"text": "características de classificação", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "transcrições fonéticas automáticas -LRB- APTs -RRB-", "tail": "transcrições fonéticas verificadas manualmente", "relation": "Comparado-com"}, {"head": "transcrições fonéticas automáticas -LRB- APTs -RRB-", "tail": "variação de pronúncia", "relation": "Usado-para"}, {"head": "transcrições fonéticas verificadas manualmente", "tail": "variação de pronúncia", "relation": "Usado-para"}], [], [{"head": "processos de fala", "tail": "classificadores", "relation": "Usado-para"}, {"head": "alinhamentos", "tail": "processos de fala", "relation": "Usado-para"}, {"head": "alinhamentos", "tail": "APT", "relation": "Usado-para"}, {"head": "alinhamentos", "tail": "MPT", "relation": "Usado-para"}, {"head": "APT", "tail": "MPT", "relation": "Conjunção"}, {"head": "transcrição canónica", "tail": "alinhamentos", "relation": "Usado-para"}], [{"head": "classificadores", "tail": "transcrições desconhecidas", "relation": "Usado-para"}, {"head": "transcrições desconhecidas", "tail": "fala lida", "relation": "Usado-para"}, {"head": "transcrições desconhecidas", "tail": "diálogos telefónicos", "relation": "Usado-para"}, {"head": "fala lida", "tail": "diálogos telefónicos", "relation": "Conjunção"}], [{"head": "classificador baseado em APT", "tail": "classificador baseado em MPT", "relation": "Comparado-com"}, {"head": "exactidão de classificação", "tail": "classificador baseado em APT", "relation": "Avaliado-para"}, {"head": "exactidão de classificação", "tail": "classificador baseado em MPT", "relation": "Avaliado-para"}, {"head": "características de classificação", "tail": "classificador baseado em APT", "relation": "Usado-para"}, {"head": "características de classificação", "tail": "classificador baseado em MPT", "relation": "Usado-para"}]], "clusters": [["transcrições fonéticas automáticas -LRB- APTs -RRB-", "APT"], ["classificadores", "classificadores"], ["variação de pronúncia", "variação de pronúncia"], ["transcrições fonéticas verificadas manualmente", "MPT"]]}
{"doc_id": "AAAI_2015_10_abs", "text": "A leitura automática é uma área relativamente nova que apresenta programas informáticos concebidos para ler texto contínuo e extrair afirmações factuais expressas pelo conteúdo narrativo. Esta tarefa envolve duas tecnologias centrais: processamento de linguagem natural -LRB- NLP -RRB- e extração de informação -LRB- IE -RRB-. Neste artigo descrevemos um sistema de leitura automática que desenvolvemos no âmbito de uma arquitetura cognitiva. Mostramos como integrámos na estrutura vários níveis de conhecimento para um determinado domínio, ideias da semântica cognitiva e da gramática de construções, além de ferramentas de investigação anterior em NLP e investigação em IE. O resultado é um sistema capaz de ler e interpretar textos idiossincráticos e bastante complexos no domínio da história de família. Descrevemos a arquitetura e o desempenho do sistema. Após apresentar os resultados de várias avaliações que realizámos, resumimos possíveis direções futuras.", "ner": [[{"text": "leitura automática", "type": "Tarefa"}, {"text": "área", "type": "Genérico"}, {"text": "programas informáticos", "type": "Método"}, {"text": "texto contínuo", "type": "Material"}, {"text": "afirmações factuais", "type": "Outros Termos Científicos"}, {"text": "conteúdo narrativo", "type": "Material"}], [{"text": "tarefa", "type": "Genérico"}, {"text": "processamento de linguagem natural -LRB- NLP -RRB-", "type": "Método"}, {"text": "extração de informação -LRB- IE -RRB-", "type": "Tarefa"}], [{"text": "sistema de leitura automática", "type": "Tarefa"}, {"text": "arquitetura cognitiva", "type": "Método"}], [{"text": "semântica cognitiva", "type": "Outros Termos Científicos"}, {"text": "gramática de construções", "type": "Método"}, {"text": "investigação anterior em NLP", "type": "Tarefa"}, {"text": "investigação em IE", "type": "Tarefa"}], [{"text": "sistema", "type": "Genérico"}, {"text": "textos idiossincráticos", "type": "Material"}, {"text": "domínio da história de família", "type": "Material"}], [{"text": "sistema", "type": "Genérico"}], []], "relations": [[{"head": "programas informáticos", "tail": "texto contínuo", "relation": "Usado-para"}, {"head": "programas informáticos", "tail": "afirmações factuais", "relation": "Usado-para"}, {"head": "afirmações factuais", "tail": "conteúdo narrativo", "relation": "Característica-de"}], [{"head": "processamento de linguagem natural -LRB- NLP -RRB-", "tail": "tarefa", "relation": "Parte-de"}, {"head": "extração de informação -LRB- IE -RRB-", "tail": "tarefa", "relation": "Parte-de"}], [{"head": "arquitetura cognitiva", "tail": "sistema de leitura automática", "relation": "Característica-de"}], [{"head": "semântica cognitiva", "tail": "gramática de construções", "relation": "Conjunção"}, {"head": "investigação anterior em NLP", "tail": "investigação em IE", "relation": "Conjunção"}], [{"head": "sistema", "tail": "textos idiossincráticos", "relation": "Usado-para"}, {"head": "domínio da história de família", "tail": "textos idiossincráticos", "relation": "Característica-de"}], [], []], "clusters": [["leitura automática", "área", "tarefa"], ["sistema de leitura automática", "sistema", "sistema"]]}
{"doc_id": "ICASSP_1997_707_abs", "text": "Comportamento caótico não estacionário não é um oxímoro. Apresentamos dois métodos para captar o caos não estacionário e, em seguida, apresentamos alguns exemplos, incluindo sinais biológicos, ondas oceânicas e fluxo de tráfego. A questão é de interesse prático porque é muitas vezes útil captar quando ocorrem eventos não estacionários e é desejável saber em que períodos um sinal é estacionário.", "ner": [[{"text": "Comportamento caótico não estacionário", "type": "Outros Termos Científicos"}, {"text": "oxímoro", "type": "Outros Termos Científicos"}], [{"text": "métodos", "type": "Genérico"}, {"text": "caos não estacionário", "type": "Outros Termos Científicos"}, {"text": "exemplos", "type": "Genérico"}, {"text": "sinais biológicos", "type": "Material"}, {"text": "ondas oceânicas", "type": "Material"}, {"text": "fluxo de tráfego", "type": "Material"}], [{"text": "eventos não estacionários", "type": "Outros Termos Científicos"}]], "relations": [[], [{"head": "métodos", "tail": "caos não estacionário", "relation": "Usado-para"}, {"head": "sinais biológicos", "tail": "exemplos", "relation": "Hipónimo-de"}, {"head": "sinais biológicos", "tail": "ondas oceânicas", "relation": "Conjunção"}, {"head": "ondas oceânicas", "tail": "exemplos", "relation": "Hipónimo-de"}, {"head": "ondas oceânicas", "tail": "fluxo de tráfego", "relation": "Conjunção"}, {"head": "fluxo de tráfego", "tail": "exemplos", "relation": "Hipónimo-de"}], []], "clusters": []}
{"doc_id": "P01-1009", "text": "Este artigo apresenta uma análise formal para uma grande classe de palavras chamadas marcadores alternativos, que inclui outras -LRB- do que -RRB-, tais -LRB- como -RRB- e além disso. Estas palavras aparecem com frequência suficiente no diálogo para justificar uma atenção séria, mas mesmo assim os motores de pesquisa em linguagem natural apresentam um desempenho fraco em consultas que as contêm. Mostro que o desempenho de um motor de pesquisa pode ser melhorado de forma dramática incorporando uma aproximação da análise formal que é compatível com a semântica operacional do motor de pesquisa. O valor desta abordagem é que, à medida que a semântica operacional das aplicações de linguagem natural melhora, melhorias ainda maiores se tornam possíveis.", "ner": [[{"text": "análise formal", "type": "Método"}, {"text": "marcadores alternativos", "type": "Outros Termos Científicos"}], [{"text": "palavras", "type": "Genérico"}, {"text": "diálogo", "type": "Outros Termos Científicos"}, {"text": "motores de pesquisa em linguagem natural", "type": "Método"}, {"text": "as", "type": "Genérico"}], [{"text": "motor de pesquisa", "type": "Método"}, {"text": "aproximação da análise formal", "type": "Método"}, {"text": "análise formal", "type": "Método"}, {"text": "motor de pesquisa", "type": "Método"}, {"text": "semântica operacional", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "semântica operacional", "type": "Outros Termos Científicos"}, {"text": "aplicações de linguagem natural", "type": "Tarefa"}]], "relations": [[{"head": "análise formal", "tail": "marcadores alternativos", "relation": "Usado-para"}], [{"head": "palavras", "tail": "diálogo", "relation": "Parte-de"}], [{"head": "aproximação da análise formal", "tail": "motor de pesquisa", "relation": "Parte-de"}, {"head": "semântica operacional", "tail": "motor de pesquisa", "relation": "Parte-de"}], [{"head": "semântica operacional", "tail": "aplicações de linguagem natural", "relation": "Parte-de"}]], "clusters": [["análise formal", "análise formal", "abordagem"], ["marcadores alternativos", "palavras", "as"], ["motores de pesquisa em linguagem natural", "motor de pesquisa", "motor de pesquisa"]]}
{"doc_id": "H01-1058", "text": "Neste artigo , abordamos o problema de combinar vários modelos de linguagem -LRB- MLs -RRB- . Verificamos que métodos de interpolação simples, como a interpolação log-linear e linear , melhoram o desempenho mas ficam aquém do desempenho de um oráculo . O oráculo conhece a sequência de palavras de referência e seleciona a sequência de palavras com o melhor desempenho -LRB- tipicamente , taxa de erro de palavra ou semântica -RRB- a partir de uma lista de sequências de palavras , em que cada sequência de palavras foi obtida utilizando um ML diferente . Na realidade , o oráculo atua como um combinador dinâmico com decisões rígidas utilizando a referência . Apresentamos resultados experimentais que mostram claramente a necessidade de uma combinação dinâmica de modelos de linguagem para melhorar ainda mais o desempenho . Sugerimos um método que imita o comportamento do oráculo utilizando uma rede neuronal ou uma árvore de decisão . O método consiste em etiquetar os MLs com medidas de confiança e escolher a melhor hipótese correspondente ao ML com a melhor confiança .", "ner": [[{"text": "modelos de linguagem -LRB- MLs -RRB-", "type": "Método"}], [{"text": "métodos de interpolação", "type": "Método"}, {"text": "interpolação log-linear e linear", "type": "Método"}], [{"text": "taxa de erro de palavra ou semântica", "type": "Métrica"}, {"text": "ML", "type": "Método"}], [{"text": "combinador dinâmico", "type": "Método"}, {"text": "decisões rígidas", "type": "Outros Termos Científicos"}], [{"text": "combinação dinâmica de modelos de linguagem", "type": "Método"}], [{"text": "método", "type": "Genérico"}, {"text": "rede neuronal", "type": "Método"}, {"text": "árvore de decisão", "type": "Método"}], [{"text": "método", "type": "Genérico"}, {"text": "MLs", "type": "Método"}, {"text": "medidas de confiança", "type": "Métrica"}, {"text": "ML", "type": "Método"}]], "relations": [[], [{"head": "interpolação log-linear e linear", "tail": "métodos de interpolação", "relation": "Hipónimo-de"}], [], [{"head": "decisões rígidas", "tail": "combinador dinâmico", "relation": "Característica-de"}], [], [{"head": "rede neuronal", "tail": "método", "relation": "Usado-para"}, {"head": "árvore de decisão", "tail": "método", "relation": "Usado-para"}, {"head": "árvore de decisão", "tail": "rede neuronal", "relation": "Conjunção"}], [{"head": "método", "tail": "MLs", "relation": "Usado-para"}, {"head": "medidas de confiança", "tail": "método", "relation": "Usado-para"}]], "clusters": [["combinador dinâmico", "combinação dinâmica de modelos de linguagem"], ["método", "método"], ["MLs", "ML"]]}
{"doc_id": "H05-1064", "text": "Descrevemos um novo método para a representação de estruturas de PLN dentro de abordagens de reranking. Utilizamos um modelo log-linear condicional, com variáveis ocultas que representam a atribuição de itens lexicais a clusters de palavras ou sentidos de palavras. O modelo aprende a fazer automaticamente estas atribuições com base num critério de treino discriminativo. O treino e a decodificação com o modelo exigem somar sobre um número exponencial de atribuições de variáveis ocultas: as somas necessárias podem ser calculadas de forma eficiente e exacta usando programação dinâmica. Como estudo de caso, aplicamos o modelo ao reranking de análises sintácticas. O modelo proporciona uma melhoria de F-medida de ~ 1,25 % para além do analisador de base, e uma melhoria de ~ 0,25 % para além do reranker de Collins (2000). Embora as nossas experiências se concentrem na análise sintáctica, as técnicas descritas generalizam-se naturalmente a estruturas de PLN para além de árvores de análise.", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "estruturas de PLN", "type": "Outros Termos Científicos"}, {"text": "abordagens de reranking", "type": "Método"}], [{"text": "modelo log-linear condicional", "type": "Método"}, {"text": "variáveis ocultas", "type": "Outros Termos Científicos"}, {"text": "clusters de palavras", "type": "Outros Termos Científicos"}, {"text": "sentidos de palavras", "type": "Outros Termos Científicos"}], [{"text": "modelo", "type": "Genérico"}, {"text": "critério de treino discriminativo", "type": "Métrica"}], [{"text": "modelo", "type": "Genérico"}, {"text": "atribuições de variáveis ocultas", "type": "Outros Termos Científicos"}, {"text": "somas", "type": "Genérico"}, {"text": "programação dinâmica", "type": "Método"}], [{"text": "modelo", "type": "Genérico"}, {"text": "reranking de análises sintácticas", "type": "Tarefa"}], [{"text": "modelo", "type": "Genérico"}, {"text": "F-medida", "type": "Métrica"}, {"text": "analisador de base", "type": "Método"}, {"text": "reranker de Collins (2000)", "type": "Método"}], [{"text": "análise sintáctica", "type": "Tarefa"}, {"text": "técnicas", "type": "Genérico"}, {"text": "estruturas de PLN", "type": "Outros Termos Científicos"}, {"text": "árvores de análise", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "método", "tail": "estruturas de PLN", "relation": "Usado-para"}, {"head": "abordagens de reranking", "tail": "estruturas de PLN", "relation": "Característica-de"}], [{"head": "variáveis ocultas", "tail": "modelo log-linear condicional", "relation": "Usado-para"}, {"head": "clusters de palavras", "tail": "sentidos de palavras", "relation": "Conjunção"}], [{"head": "critério de treino discriminativo", "tail": "modelo", "relation": "Usado-para"}], [{"head": "programação dinâmica", "tail": "somas", "relation": "Usado-para"}], [{"head": "modelo", "tail": "reranking de análises sintácticas", "relation": "Usado-para"}], [{"head": "modelo", "tail": "analisador de base", "relation": "Comparado-com"}, {"head": "F-medida", "tail": "modelo", "relation": "Avaliado-para"}, {"head": "analisador de base", "tail": "reranker de Collins (2000)", "relation": "Comparado-com"}], [{"head": "técnicas", "tail": "análise sintáctica", "relation": "Usado-para"}, {"head": "técnicas", "tail": "estruturas de PLN", "relation": "Usado-para"}, {"head": "técnicas", "tail": "árvores de análise", "relation": "Usado-para"}, {"head": "árvores de análise", "tail": "estruturas de PLN", "relation": "Conjunção"}]], "clusters": [["método", "modelo log-linear condicional", "modelo", "modelo", "modelo", "modelo", "técnicas"]]}
{"doc_id": "NIPS_2003_18_abs", "text": "Este artigo apresenta um algoritmo para aprender a forma dependente do tempo de um objeto 3D não rígido a partir de dados de rastreio 2D não calibrados. Modelamos o movimento da forma como um componente rígido (rotação e translação) combinado com uma deformação não rígida. A reconstrução é mal colocada se forem permitidas deformações arbitrárias. Constrangemos o problema assumindo que a forma do objeto em cada instante temporal é extraída de uma distribuição Gaussiana. Com base nesta suposição, o algoritmo estima simultaneamente a forma e movimento 3D para cada frame temporal, aprende os parâmetros da Gaussiana e preenche de forma robusta pontos de dados em falta. Em seguida, estendemos o algoritmo para modelar a suavidade temporal na forma do objeto, permitindo assim lidar com casos severos de dados em falta.", "ner": [[{"text": "algoritmo", "type": "Genérico"}, {"text": "aprender a forma dependente do tempo de um objeto 3D não rígido", "type": "Tarefa"}, {"text": "dados de rastreio 2D não calibrados", "type": "Material"}], [{"text": "movimento da forma", "type": "Outros Termos Científicos"}, {"text": "componente rígido", "type": "Método"}, {"text": "rotação", "type": "Outros Termos Científicos"}, {"text": "translação", "type": "Outros Termos Científicos"}, {"text": "deformação não rígida", "type": "Outros Termos Científicos"}], [{"text": "reconstrução", "type": "Outros Termos Científicos"}, {"text": "deformações arbitrárias", "type": "Outros Termos Científicos"}], [{"text": "forma do objeto", "type": "Outros Termos Científicos"}, {"text": "distribuição Gaussiana", "type": "Método"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "forma e movimento 3D", "type": "Outros Termos Científicos"}, {"text": "Gaussiana", "type": "Método"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "suavidade temporal na forma do objeto", "type": "Outros Termos Científicos"}, {"text": "este", "type": "Genérico"}, {"text": "dados em falta", "type": "Material"}]], "relations": [[{"head": "algoritmo", "tail": "aprender a forma dependente do tempo de um objeto 3D não rígido", "relation": "Usado-para"}], [], [], [{"head": "distribuição Gaussiana", "tail": "forma do objeto", "relation": "Usado-para"}], [{"head": "algoritmo", "tail": "forma e movimento 3D", "relation": "Usado-para"}], [{"head": "algoritmo", "tail": "suavidade temporal na forma do objeto", "relation": "Usado-para"}, {"head": "este", "tail": "dados em falta", "relation": "Usado-para"}]], "clusters": [["algoritmo", "algoritmo", "algoritmo", "este"], ["distribuição Gaussiana", "Gaussiana"]]}
{"doc_id": "X98-1022", "text": "A sumarização automática e a extração de informação são dois serviços importantes da Internet. MUC e SUMMAC desempenham os seus papéis adequados na próxima geração da Internet. Este artigo foca-se na sumarização automática e propõe dois modelos diferentes para extrair frases para a geração de resumos em dois tipos de tarefas iniciadas pelo SUMMAC-1. Para a tarefa de categorização, vetores de características positivos e vetores de características negativos são usados de forma cooperativa para construir resumos genéricos e indicativos. Para a tarefa ad hoc, é usado um modelo de texto baseado na relação entre substantivos e verbos para filtrar segmentos de discurso irrelevantes, classificar frases relevantes e gerar resumos orientados para o utilizador. O resultado mostra que o NormF do melhor resumo e o do resumo fixo para tarefas ad hoc são 0,456 e 0,447. O NormF do melhor resumo e o do resumo fixo para a tarefa de categorização são 0,4090 e 0,4023. O nosso sistema supera o sistema médio na tarefa de categorização, mas faz um trabalho comum na tarefa ad hoc.", "ner": [[{"text": "sumarização automática", "type": "Tarefa"}, {"text": "extração de informação", "type": "Tarefa"}], [{"text": "MUC", "type": "Material"}, {"text": "SUMMAC", "type": "Material"}], [{"text": "sumarização automática", "type": "Tarefa"}, {"text": "modelos", "type": "Genérico"}, {"text": "geração de resumos", "type": "Tarefa"}, {"text": "tarefas", "type": "Genérico"}, {"text": "SUMMAC-1", "type": "Material"}], [{"text": "tarefa de categorização", "type": "Tarefa"}, {"text": "vetores de características positivos", "type": "Outros Termos Científicos"}, {"text": "vetores de características negativos", "type": "Outros Termos Científicos"}, {"text": "resumos genéricos e indicativos", "type": "Outros Termos Científicos"}], [{"text": "tarefa ad hoc", "type": "Tarefa"}, {"text": "modelo de texto", "type": "Método"}, {"text": "segmentos de discurso", "type": "Outros Termos Científicos"}, {"text": "resumos orientados para o utilizador", "type": "Outros Termos Científicos"}], [{"text": "NormF", "type": "Métrica"}, {"text": "tarefas ad hoc", "type": "Tarefa"}], [], [{"text": "NormF", "type": "Métrica"}, {"text": "tarefa de categorização", "type": "Tarefa"}], [{"text": "sistema", "type": "Genérico"}, {"text": "sistema", "type": "Genérico"}, {"text": "tarefa de categorização", "type": "Tarefa"}, {"text": "tarefa ad hoc", "type": "Tarefa"}]], "relations": [[{"head": "sumarização automática", "tail": "extração de informação", "relation": "Conjunção"}], [{"head": "MUC", "tail": "SUMMAC", "relation": "Conjunção"}], [{"head": "modelos", "tail": "geração de resumos", "relation": "Usado-para"}, {"head": "modelos", "tail": "tarefas", "relation": "Usado-para"}, {"head": "tarefas", "tail": "SUMMAC-1", "relation": "Parte-de"}], [{"head": "vetores de características positivos", "tail": "tarefa de categorização", "relation": "Usado-para"}, {"head": "vetores de características positivos", "tail": "vetores de características negativos", "relation": "Conjunção"}, {"head": "vetores de características positivos", "tail": "resumos genéricos e indicativos", "relation": "Usado-para"}, {"head": "vetores de características negativos", "tail": "tarefa de categorização", "relation": "Usado-para"}, {"head": "vetores de características negativos", "tail": "resumos genéricos e indicativos", "relation": "Usado-para"}], [{"head": "modelo de texto", "tail": "tarefa ad hoc", "relation": "Usado-para"}, {"head": "modelo de texto", "tail": "segmentos de discurso", "relation": "Usado-para"}, {"head": "modelo de texto", "tail": "resumos orientados para o utilizador", "relation": "Usado-para"}], [{"head": "NormF", "tail": "tarefas ad hoc", "relation": "Avaliado-para"}], [], [{"head": "NormF", "tail": "tarefa de categorização", "relation": "Avaliado-para"}], [{"head": "sistema", "tail": "sistema", "relation": "Comparado-com"}, {"head": "tarefa de categorização", "tail": "sistema", "relation": "Avaliado-para"}, {"head": "tarefa de categorização", "tail": "sistema", "relation": "Avaliado-para"}, {"head": "tarefa ad hoc", "tail": "sistema", "relation": "Avaliado-para"}, {"head": "tarefa ad hoc", "tail": "tarefa de categorização", "relation": "Avaliado-para"}]], "clusters": [["tarefa de categorização", "tarefa de categorização", "tarefa de categorização"], ["modelos", "sistema"], ["tarefa ad hoc", "tarefas ad hoc", "tarefa ad hoc"], ["sumarização automática", "sumarização automática"], ["NormF", "NormF"]]}
{"doc_id": "NIPS_2014_21_abs", "text": "Em problemas de reconhecimento de ações no mundo real, características de baixo nível não conseguem caracterizar adequadamente as ricas estruturas espaço-temporais em vídeos de ações. Neste trabalho, codificamos ações com base em atributos que descrevem ações como conceitos de alto nível, por exemplo, salto para a frente ou movimento no ar. Baseamos a nossa análise em dois tipos de atributos de ação. Um tipo de atributos de ação é gerado por humanos. O segundo tipo são atributos orientados por dados, que são aprendidos a partir de dados usando métodos de aprendizagem de dicionários. A representação baseada em atributos pode apresentar elevada variância devido a atributos ruidosos e redundantes. Propomos uma representação discriminativa e compacta baseada em atributos, selecionando um subconjunto de atributos discriminativos a partir de um grande conjunto de atributos. Três critérios de seleção de atributos são propostos e formulados como um problema de otimização submodular. É apresentado um algoritmo guloso de otimização, garantido ser pelo menos uma aproximação de (1-1/e) ao ótimo. Resultados experimentais nos conjuntos de dados Olympic Sports e UCF101 demonstram que a representação proposta, baseada em atributos, pode melhorar significativamente o desempenho de algoritmos de reconhecimento de ações e superar a maioria das abordagens de reconhecimento propostas recentemente.", "ner": [[{"text": "problemas de reconhecimento de ações no mundo real", "type": "Tarefa"}, {"text": "características de baixo nível", "type": "Outros Termos Científicos"}, {"text": "ricas estruturas espaço-temporais", "type": "Outros Termos Científicos"}, {"text": "vídeos de ações", "type": "Material"}], [{"text": "conceitos de alto nível", "type": "Outros Termos Científicos"}], [{"text": "atributos de ação", "type": "Outros Termos Científicos"}], [{"text": "atributos de ação", "type": "Outros Termos Científicos"}], [{"text": "atributos orientados por dados", "type": "Outros Termos Científicos"}, {"text": "métodos de aprendizagem de dicionários", "type": "Método"}], [{"text": "representação baseada em atributos", "type": "Método"}, {"text": "atributos ruidosos e redundantes", "type": "Outros Termos Científicos"}], [{"text": "representação discriminativa e compacta baseada em atributos", "type": "Método"}, {"text": "atributos discriminativos", "type": "Outros Termos Científicos"}], [{"text": "critérios de seleção de atributos", "type": "Métrica"}, {"text": "problema de otimização submodular", "type": "Tarefa"}], [{"text": "algoritmo guloso de otimização", "type": "Método"}], [{"text": "conjuntos de dados Olympic Sports e UCF101", "type": "Material"}, {"text": "representação baseada em atributos", "type": "Método"}, {"text": "algoritmos de reconhecimento de ações", "type": "Método"}, {"text": "abordagens de reconhecimento", "type": "Método"}]], "relations": [[{"head": "ricas estruturas espaço-temporais", "tail": "vídeos de ações", "relation": "Característica-de"}], [], [], [], [{"head": "métodos de aprendizagem de dicionários", "tail": "atributos orientados por dados", "relation": "Usado-para"}], [], [{"head": "atributos discriminativos", "tail": "representação discriminativa e compacta baseada em atributos", "relation": "Usado-para"}], [{"head": "problema de otimização submodular", "tail": "critérios de seleção de atributos", "relation": "Usado-para"}], [], [{"head": "conjuntos de dados Olympic Sports e UCF101", "tail": "representação baseada em atributos", "relation": "Avaliado-para"}, {"head": "representação baseada em atributos", "tail": "algoritmos de reconhecimento de ações", "relation": "Usado-para"}, {"head": "algoritmos de reconhecimento de ações", "tail": "abordagens de reconhecimento", "relation": "Comparado-com"}]], "clusters": [["representação baseada em atributos", "representação baseada em atributos"]]}
{"doc_id": "E85-1004", "text": "Este artigo relata uma fase concluída de investigação em curso na Universidade de York. A defesa de Landsbergen de inversos analíticos para regras de sintaxe composicional encoraja a aplicação de técnicas de Gramática de Cláusulas Definidas à construção de um analisador que devolve árvores de análise de Montague. É apresentado um analisador MDCC que implementa um algoritmo de Friedman - Warren aumentado que permite referência posterior * e que interage com um tradutor de lógica intensional LILT de modo a exibir a história derivacional das fórmulas IL reduzidas correspondentes. Parte -se do princípio que o leitor tem alguma familiaridade com o PTQ de Montague e com o mecanismo DCG básico.", "ner": [[], [{"text": "inversos analíticos", "type": "Método"}, {"text": "regras de sintaxe composicional", "type": "Outros Termos Científicos"}, {"text": "técnicas de Gramática de Cláusulas Definidas", "type": "Método"}, {"text": "analisador que devolve árvores de análise de Montague", "type": "Tarefa"}], [{"text": "analisador MDCC", "type": "Método"}, {"text": "algoritmo de Friedman - Warren aumentado", "type": "Método"}, {"text": "referência posterior", "type": "Outros Termos Científicos"}, {"text": "tradutor de lógica intensional LILT", "type": "Outros Termos Científicos"}, {"text": "história derivacional", "type": "Outros Termos Científicos"}, {"text": "fórmulas IL reduzidas", "type": "Outros Termos Científicos"}], [{"text": "PTQ de Montague", "type": "Método"}, {"text": "mecanismo DCG básico", "type": "Método"}]], "relations": [[], [{"head": "inversos analíticos", "tail": "regras de sintaxe composicional", "relation": "Usado-para"}, {"head": "inversos analíticos", "tail": "técnicas de Gramática de Cláusulas Definidas", "relation": "Usado-para"}, {"head": "técnicas de Gramática de Cláusulas Definidas", "tail": "analisador que devolve árvores de análise de Montague", "relation": "Usado-para"}], [{"head": "algoritmo de Friedman - Warren aumentado", "tail": "analisador MDCC", "relation": "Usado-para"}, {"head": "referência posterior", "tail": "algoritmo de Friedman - Warren aumentado", "relation": "Característica-de"}, {"head": "história derivacional", "tail": "tradutor de lógica intensional LILT", "relation": "Usado-para"}, {"head": "fórmulas IL reduzidas", "tail": "história derivacional", "relation": "Característica-de"}], [{"head": "PTQ de Montague", "tail": "mecanismo DCG básico", "relation": "Conjunção"}]], "clusters": [["técnicas de Gramática de Cláusulas Definidas", "mecanismo DCG básico"]]}
{"doc_id": "NIPS_2015_21_abs", "text": "Apesar do seu sucesso , as redes neuronais convolucionais são computacionalmente dispendiosas porque elas têm de examinar todas as localizações da imagem . Os modelos estocásticos baseados em atenção demonstraram melhorar a eficiência computacional em tempo de teste , mas eles continuam a ser difíceis de treinar devido à inferência posterior intratável e à elevada variância nas estimativas do gradiente estocástico . Recorremos a técnicas da literatura sobre treino de modelos gerativos profundos e apresentamos o Modelo de Atenção Recorrente Wake-Sleep , um método para treinar redes de atenção estocásticas que melhora a inferência posterior e reduz a variabilidade nos gradientes estocásticos . Mostramos que o nosso método pode acelerar significativamente o tempo de treino de redes de atenção estocásticas nos domínios da classificação de imagens e da geração de legendas .", "ner": [[{"text": "redes neuronais convolucionais", "type": "Método"}, {"text": "elas", "type": "Genérico"}], [{"text": "modelos estocásticos baseados em atenção", "type": "Método"}, {"text": "eficiência computacional", "type": "Métrica"}, {"text": "eles", "type": "Genérico"}, {"text": "inferência posterior intratável", "type": "Tarefa"}, {"text": "estimativas do gradiente estocástico", "type": "Tarefa"}], [{"text": "Recorremos a técnicas", "type": "Método"}, {"text": "modelos gerativos profundos", "type": "Método"}, {"text": "Modelo de Atenção Recorrente Wake-Sleep", "type": "Método"}, {"text": "método", "type": "Genérico"}, {"text": "redes de atenção estocásticas", "type": "Método"}, {"text": "inferência posterior", "type": "Tarefa"}, {"text": "gradientes estocásticos", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "tempo de treino", "type": "Métrica"}, {"text": "redes de atenção estocásticas", "type": "Método"}, {"text": "classificação de imagens", "type": "Tarefa"}, {"text": "geração de legendas", "type": "Tarefa"}]], "relations": [[], [{"head": "eficiência computacional", "tail": "modelos estocásticos baseados em atenção", "relation": "Avaliado-para"}, {"head": "inferência posterior intratável", "tail": "estimativas do gradiente estocástico", "relation": "Conjunção"}], [{"head": "Recorremos a técnicas", "tail": "modelos gerativos profundos", "relation": "Usado-para"}, {"head": "método", "tail": "redes de atenção estocásticas", "relation": "Usado-para"}, {"head": "redes de atenção estocásticas", "tail": "inferência posterior", "relation": "Usado-para"}], [{"head": "tempo de treino", "tail": "método", "relation": "Avaliado-para"}, {"head": "tempo de treino", "tail": "redes de atenção estocásticas", "relation": "Característica-de"}, {"head": "classificação de imagens", "tail": "método", "relation": "Avaliado-para"}, {"head": "classificação de imagens", "tail": "geração de legendas", "relation": "Conjunção"}, {"head": "geração de legendas", "tail": "método", "relation": "Avaliado-para"}]], "clusters": [["modelos estocásticos baseados em atenção", "eles", "redes de atenção estocásticas", "redes de atenção estocásticas"], ["redes neuronais convolucionais", "elas"], ["Modelo de Atenção Recorrente Wake-Sleep", "método", "método"]]}
{"doc_id": "CVPR_2006_18_abs", "text": "Um novo enquadramento baseado em exemplares que unifica a conclusão de imagem, a síntese de textura e o inpainting de imagem é apresentado neste trabalho. Ao contrário das técnicas gananciosas existentes, estas tarefas são formuladas sob a forma de um problema discreto de otimização global com uma função objetivo bem definida. Para resolver este problema é proposto um novo esquema de otimização, chamado Priority-BP, que contém duas extensões muito importantes relativamente à propagação de crenças padrão (BP): 'agendamento de mensagens baseado em prioridades' e 'poda dinâmica de rótulos'. Estas duas extensões funcionam em cooperação para lidar com o custo computacional intolerável do BP causado pelo enorme número de rótulos existentes. Além disso, ambas as extensões são genéricas e podem, portanto, ser aplicadas também a qualquer função de energia MRF. A eficácia do nosso método é demonstrada numa grande variedade de exemplos de conclusão de imagem.", "ner": [[{"text": "enquadramento baseado em exemplares", "type": "Método"}, {"text": "conclusão de imagem", "type": "Tarefa"}, {"text": "síntese de textura", "type": "Tarefa"}, {"text": "inpainting de imagem", "type": "Tarefa"}], [{"text": "técnicas gananciosas", "type": "Método"}, {"text": "tarefas", "type": "Genérico"}, {"text": "problema discreto de otimização global", "type": "Tarefa"}, {"text": "função objetivo bem definida", "type": "Outros Termos Científicos"}], [{"text": "problema", "type": "Genérico"}, {"text": "esquema de otimização", "type": "Método"}, {"text": "Priority-BP", "type": "Método"}, {"text": "extensões", "type": "Genérico"}, {"text": "propagação de crenças padrão (BP)", "type": "Método"}, {"text": "agendamento de mensagens baseado em prioridades", "type": "Método"}, {"text": "poda dinâmica de rótulos", "type": "Método"}], [{"text": "extensões", "type": "Genérico"}, {"text": "custo computacional intolerável do BP", "type": "Outros Termos Científicos"}, {"text": "BP", "type": "Método"}], [{"text": "extensões", "type": "Genérico"}, {"text": "função de energia MRF", "type": "Método"}], [{"text": "método", "type": "Genérico"}, {"text": "exemplos de conclusão de imagem", "type": "Material"}]], "relations": [[{"head": "enquadramento baseado em exemplares", "tail": "conclusão de imagem", "relation": "Usado-para"}, {"head": "enquadramento baseado em exemplares", "tail": "síntese de textura", "relation": "Usado-para"}, {"head": "enquadramento baseado em exemplares", "tail": "inpainting de imagem", "relation": "Usado-para"}, {"head": "conclusão de imagem", "tail": "síntese de textura", "relation": "Conjunção"}, {"head": "síntese de textura", "tail": "inpainting de imagem", "relation": "Conjunção"}], [{"head": "técnicas gananciosas", "tail": "tarefas", "relation": "Comparado-com"}, {"head": "problema discreto de otimização global", "tail": "tarefas", "relation": "Característica-de"}, {"head": "função objetivo bem definida", "tail": "problema discreto de otimização global", "relation": "Característica-de"}], [{"head": "esquema de otimização", "tail": "problema", "relation": "Usado-para"}, {"head": "Priority-BP", "tail": "esquema de otimização", "relation": "Hipónimo-de"}, {"head": "extensões", "tail": "esquema de otimização", "relation": "Parte-de"}, {"head": "propagação de crenças padrão (BP)", "tail": "extensões", "relation": "Usado-para"}, {"head": "agendamento de mensagens baseado em prioridades", "tail": "extensões", "relation": "Hipónimo-de"}, {"head": "agendamento de mensagens baseado em prioridades", "tail": "poda dinâmica de rótulos", "relation": "Conjunção"}, {"head": "poda dinâmica de rótulos", "tail": "extensões", "relation": "Hipónimo-de"}], [{"head": "extensões", "tail": "custo computacional intolerável do BP", "relation": "Usado-para"}], [{"head": "extensões", "tail": "função de energia MRF", "relation": "Usado-para"}], [{"head": "exemplos de conclusão de imagem", "tail": "método", "relation": "Usado-para"}]], "clusters": [["problema discreto de otimização global", "problema"], ["extensões", "extensões", "extensões", "método"], ["propagação de crenças padrão (BP)", "BP"]]}
{"doc_id": "P01-1004", "text": "Neste artigo, comparamos os efeitos relativos da ordem dos segmentos, da segmentação e da contiguidade dos segmentos no desempenho de recuperação de um sistema de memória de tradução. Selecionamos vários métodos de comparação de cadeias do tipo saco de palavras e sensíveis à ordem dos segmentos, e executamos cada um deles sobre dados segmentados em caracteres e em palavras, em combinação com uma gama de modelos de contiguidade local de segmentos (sob a forma de N-gramas). Em dois conjuntos de dados distintos, verificamos que a indexação baseada em simples bigramas de caracteres produz uma precisão de recuperação superior a qualquer um dos modelos de N-gramas de palavras testados. Além disso, na sua configuração ótima, mostra-se que os métodos de saco de palavras são equivalentes aos métodos sensíveis à ordem dos segmentos em termos de precisão de recuperação, mas muito mais rápidos. Fornecemos também evidência de que as nossas conclusões são escaláveis.", "ner": [[{"text": "ordem dos segmentos", "type": "Outros Termos Científicos"}, {"text": "segmentação", "type": "Outros Termos Científicos"}, {"text": "contiguidade dos segmentos", "type": "Outros Termos Científicos"}, {"text": "recuperação", "type": "Tarefa"}, {"text": "sistema de memória de tradução", "type": "Método"}], [{"text": "métodos de comparação de cadeias do tipo saco de palavras e sensíveis à ordem dos segmentos", "type": "Método"}, {"text": "dados segmentados em caracteres e em palavras", "type": "Material"}, {"text": "modelos de contiguidade local de segmentos", "type": "Método"}, {"text": "N-gramas", "type": "Método"}], [{"text": "indexação", "type": "Tarefa"}, {"text": "bigramas de caracteres", "type": "Método"}, {"text": "precisão de recuperação", "type": "Métrica"}, {"text": "modelos de N-gramas de palavras", "type": "Método"}], [{"text": "métodos de saco de palavras", "type": "Método"}, {"text": "métodos sensíveis à ordem dos segmentos", "type": "Método"}, {"text": "precisão de recuperação", "type": "Métrica"}], []], "relations": [[{"head": "ordem dos segmentos", "tail": "segmentação", "relation": "Conjunção"}, {"head": "ordem dos segmentos", "tail": "sistema de memória de tradução", "relation": "Usado-para"}, {"head": "segmentação", "tail": "contiguidade dos segmentos", "relation": "Conjunção"}, {"head": "segmentação", "tail": "sistema de memória de tradução", "relation": "Usado-para"}, {"head": "contiguidade dos segmentos", "tail": "sistema de memória de tradução", "relation": "Usado-para"}, {"head": "recuperação", "tail": "sistema de memória de tradução", "relation": "Avaliado-para"}], [{"head": "dados segmentados em caracteres e em palavras", "tail": "métodos de comparação de cadeias do tipo saco de palavras e sensíveis à ordem dos segmentos", "relation": "Usado-para"}, {"head": "modelos de contiguidade local de segmentos", "tail": "métodos de comparação de cadeias do tipo saco de palavras e sensíveis à ordem dos segmentos", "relation": "Conjunção"}, {"head": "N-gramas", "tail": "modelos de contiguidade local de segmentos", "relation": "Característica-de"}], [{"head": "bigramas de caracteres", "tail": "indexação", "relation": "Usado-para"}, {"head": "bigramas de caracteres", "tail": "modelos de N-gramas de palavras", "relation": "Comparado-com"}, {"head": "precisão de recuperação", "tail": "bigramas de caracteres", "relation": "Avaliado-para"}, {"head": "precisão de recuperação", "tail": "modelos de N-gramas de palavras", "relation": "Avaliado-para"}], [{"head": "métodos de saco de palavras", "tail": "métodos sensíveis à ordem dos segmentos", "relation": "Comparado-com"}, {"head": "precisão de recuperação", "tail": "métodos de saco de palavras", "relation": "Avaliado-para"}, {"head": "precisão de recuperação", "tail": "métodos sensíveis à ordem dos segmentos", "relation": "Avaliado-para"}], []], "clusters": [["precisão de recuperação", "precisão de recuperação"]]}
{"doc_id": "ICCV_2001_50_abs", "text": "Apresentamos um novo algoritmo de ajustamento de feixe baseado em modelo para recuperar o modelo 3D de uma cena/objeto a partir de uma sequência de imagens com movimentos desconhecidos. Em vez de representar a cena/objeto por uma coleção de características 3D isoladas -LRB- geralmente pontos -RRB-, o nosso algoritmo utiliza uma superfície controlada por um pequeno conjunto de parâmetros. Em comparação com abordagens baseadas em modelo anteriores, a nossa abordagem tem as seguintes vantagens. Em primeiro lugar, em vez de usar o espaço de modelo como um regularizador, usamos-no diretamente como o nosso espaço de busca, resultando assim numa formulação mais elegante com menos incógnitas e menos equações. Em segundo lugar, o nosso algoritmo associa automaticamente pontos rastreados às suas localizações corretas nas superfícies, eliminando assim a necessidade de uma associação prévia 2D-para-3D. Em terceiro lugar, no que diz respeito à modelação de faces, usamos um conjunto muito pequeno de métricas de face -LRB- deformações significativas -RRB- para parametrizar a geometria da face, resultando num espaço de busca menor e num sistema melhor condicionado. Experiências com dados sintéticos e reais mostram que este novo algoritmo é mais rápido, mais preciso e mais estável do que os existentes.", "ner": [[{"text": "algoritmo de ajustamento de feixe baseado em modelo", "type": "Método"}, {"text": "modelo 3D", "type": "Método"}, {"text": "imagens", "type": "Material"}, {"text": "movimentos desconhecidos", "type": "Outros Termos Científicos"}], [{"text": "características 3D isoladas", "type": "Outros Termos Científicos"}, {"text": "algoritmo", "type": "Genérico"}, {"text": "superfície", "type": "Outros Termos Científicos"}], [{"text": "abordagens baseadas em modelo", "type": "Genérico"}, {"text": "abordagem", "type": "Genérico"}], [{"text": "espaço de modelo", "type": "Outros Termos Científicos"}, {"text": "regularizador", "type": "Outros Termos Científicos"}, {"text": "o", "type": "Genérico"}, {"text": "espaço de busca", "type": "Outros Termos Científicos"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "superfícies", "type": "Outros Termos Científicos"}, {"text": "associação prévia 2D-para-3D", "type": "Outros Termos Científicos"}], [{"text": "modelação de faces", "type": "Tarefa"}, {"text": "métricas de face", "type": "Métrica"}, {"text": "geometria da face", "type": "Outros Termos Científicos"}, {"text": "espaço de busca", "type": "Outros Termos Científicos"}, {"text": "sistema melhor condicionado", "type": "Método"}], [{"text": "dados sintéticos e reais", "type": "Material"}, {"text": "algoritmo", "type": "Genérico"}, {"text": "existentes", "type": "Genérico"}]], "relations": [[{"head": "algoritmo de ajustamento de feixe baseado em modelo", "tail": "modelo 3D", "relation": "Usado-para"}, {"head": "imagens", "tail": "modelo 3D", "relation": "Usado-para"}, {"head": "movimentos desconhecidos", "tail": "imagens", "relation": "Parte-de"}], [{"head": "superfície", "tail": "algoritmo", "relation": "Usado-para"}], [{"head": "abordagens baseadas em modelo", "tail": "abordagem", "relation": "Comparado-com"}], [{"head": "espaço de modelo", "tail": "regularizador", "relation": "Usado-para"}, {"head": "regularizador", "tail": "espaço de busca", "relation": "Comparado-com"}, {"head": "o", "tail": "espaço de busca", "relation": "Usado-para"}], [], [{"head": "métricas de face", "tail": "modelação de faces", "relation": "Usado-para"}, {"head": "métricas de face", "tail": "geometria da face", "relation": "Usado-para"}, {"head": "métricas de face", "tail": "espaço de busca", "relation": "Usado-para"}, {"head": "métricas de face", "tail": "sistema melhor condicionado", "relation": "Usado-para"}], [{"head": "dados sintéticos e reais", "tail": "algoritmo", "relation": "Avaliado-para"}, {"head": "dados sintéticos e reais", "tail": "existentes", "relation": "Avaliado-para"}, {"head": "algoritmo", "tail": "existentes", "relation": "Comparado-com"}]], "clusters": [["abordagens baseadas em modelo", "existentes"], ["algoritmo de ajustamento de feixe baseado em modelo", "algoritmo", "abordagem", "algoritmo", "algoritmo"], ["espaço de modelo", "o"]]}
{"doc_id": "W03-2907", "text": "Este artigo apresenta uma abordagem à aprendizagem não supervisionada de classes de palavras que utiliza simultaneamente informação morfológica e sintáctica. Embora o modelo seja mais complexo do que aqueles que têm sido usados para a aprendizagem não supervisionada de etiquetas de classes de palavras em inglês, que utilizam apenas informação sintáctica, a variedade de línguas existentes no mundo exige que consideremos também a morfologia. Em muitas línguas, a morfologia fornece melhores pistas para a categoria de uma palavra do que a ordem das palavras. Apresentamos o modelo computacional para a aprendizagem de classes de palavras e apresentamos resultados da sua aplicação ao búlgaro, uma língua eslava com ordem de palavras relativamente livre e morfologia rica.", "ner": [[{"text": "abordagem", "type": "Genérico"}, {"text": "aprendizagem não supervisionada de classes de palavras", "type": "Tarefa"}, {"text": "informação morfológica e sintáctica", "type": "Outros Termos Científicos"}], [{"text": "modelo", "type": "Genérico"}, {"text": "aqueles", "type": "Genérico"}, {"text": "aprendizagem não supervisionada de etiquetas de classes de palavras em inglês", "type": "Tarefa"}, {"text": "informação sintáctica", "type": "Outros Termos Científicos"}, {"text": "morfologia", "type": "Outros Termos Científicos"}], [{"text": "morfologia", "type": "Outros Termos Científicos"}, {"text": "ordem das palavras", "type": "Outros Termos Científicos"}], [{"text": "modelo computacional", "type": "Genérico"}, {"text": "aprendizagem de classes de palavras", "type": "Tarefa"}, {"text": "sua", "type": "Genérico"}, {"text": "búlgaro", "type": "Material"}, {"text": "língua eslava", "type": "Material"}, {"text": "ordem de palavras relativamente livre", "type": "Outros Termos Científicos"}, {"text": "morfologia rica", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "abordagem", "tail": "aprendizagem não supervisionada de classes de palavras", "relation": "Usado-para"}, {"head": "informação morfológica e sintáctica", "tail": "abordagem", "relation": "Usado-para"}], [{"head": "modelo", "tail": "aqueles", "relation": "Comparado-com"}, {"head": "aqueles", "tail": "aprendizagem não supervisionada de etiquetas de classes de palavras em inglês", "relation": "Usado-para"}, {"head": "informação sintáctica", "tail": "aqueles", "relation": "Usado-para"}], [{"head": "morfologia", "tail": "ordem das palavras", "relation": "Comparado-com"}], [{"head": "modelo computacional", "tail": "aprendizagem de classes de palavras", "relation": "Usado-para"}, {"head": "búlgaro", "tail": "sua", "relation": "Usado-para"}, {"head": "búlgaro", "tail": "língua eslava", "relation": "Hipónimo-de"}, {"head": "ordem de palavras relativamente livre", "tail": "búlgaro", "relation": "Característica-de"}, {"head": "ordem de palavras relativamente livre", "tail": "morfologia rica", "relation": "Conjunção"}, {"head": "morfologia rica", "tail": "búlgaro", "relation": "Característica-de"}]], "clusters": [["abordagem", "modelo", "modelo computacional", "sua"]]}
{"doc_id": "C08-1128", "text": "As palavras em texto chinês não são naturalmente separadas por delimitadores, o que coloca um desafio aos sistemas padrão de tradução automática (TA). Em TA, a abordagem amplamente utilizada é aplicar um segmentador de palavras chinês treinado a partir de dados anotados manualmente, usando um léxico fixo. Essa segmentação de palavras não é necessariamente ótima para tradução. Propomos um modelo Bayesiano semissupervisionado de segmentação de palavras chinesas que utiliza informação monolingue e bilingue para obter uma segmentação adequada para TA. As experiências mostram que o nosso método melhora um sistema de TA de última geração tanto num ambiente com poucos dados como num ambiente com muitos dados.", "ner": [[{"text": "texto chinês", "type": "Material"}, {"text": "sistemas padrão de tradução automática (TA)", "type": "Tarefa"}], [{"text": "TA", "type": "Tarefa"}, {"text": "segmentador de palavras chinês", "type": "Método"}, {"text": "dados anotados manualmente", "type": "Material"}], [{"text": "segmentação de palavras", "type": "Método"}, {"text": "tradução", "type": "Tarefa"}], [{"text": "modelo Bayesiano semissupervisionado de segmentação de palavras chinesas", "type": "Método"}, {"text": "informação monolingue e bilingue", "type": "Outros Termos Científicos"}, {"text": "segmentação", "type": "Tarefa"}, {"text": "TA", "type": "Tarefa"}], [{"text": "método", "type": "Genérico"}, {"text": "sistema de TA", "type": "Método"}]], "relations": [[], [{"head": "segmentador de palavras chinês", "tail": "TA", "relation": "Usado-para"}, {"head": "dados anotados manualmente", "tail": "segmentador de palavras chinês", "relation": "Usado-para"}], [{"head": "segmentação de palavras", "tail": "tradução", "relation": "Usado-para"}], [{"head": "modelo Bayesiano semissupervisionado de segmentação de palavras chinesas", "tail": "segmentação", "relation": "Usado-para"}, {"head": "informação monolingue e bilingue", "tail": "modelo Bayesiano semissupervisionado de segmentação de palavras chinesas", "relation": "Usado-para"}, {"head": "segmentação", "tail": "TA", "relation": "Usado-para"}], [{"head": "método", "tail": "sistema de TA", "relation": "Comparado-com"}]], "clusters": [["modelo Bayesiano semissupervisionado de segmentação de palavras chinesas", "método"], ["segmentador de palavras chinês", "segmentação de palavras"], ["sistemas padrão de tradução automática (TA)", "TA", "tradução", "TA"]]}
{"doc_id": "E95-1021", "text": "Neste artigo comparamos duas abordagens concorrentes para a etiquetagem morfossintática (part-of-speech tagging), a desambiguação estatística e baseada em restrições, usando o francês como língua de teste. Impusemos um limite de tempo na nossa experiência: o tempo despendido na conceção do nosso sistema de restrições foi aproximadamente o mesmo que o tempo que usámos para treinar e testar o modelo estatístico, fácil de implementar. Descrevemos os dois sistemas e comparamos os resultados. A exatidão do método estatístico é razoavelmente boa, comparável à de etiquetadores para inglês. Mas o etiquetador baseado em restrições parece ser superior mesmo com o tempo limitado de que dispusemos para o desenvolvimento das regras.", "ner": [[{"text": "abordagens", "type": "Genérico"}, {"text": "etiquetagem morfossintática (part-of-speech tagging)", "type": "Tarefa"}, {"text": "desambiguação estatística e baseada em restrições", "type": "Tarefa"}, {"text": "francês", "type": "Material"}], [{"text": "sistema de restrições", "type": "Genérico"}, {"text": "modelo estatístico", "type": "Método"}], [{"text": "sistemas", "type": "Genérico"}], [{"text": "exatidão", "type": "Métrica"}, {"text": "método estatístico", "type": "Método"}, {"text": "etiquetadores", "type": "Método"}, {"text": "inglês", "type": "Material"}], [{"text": "etiquetador baseado em restrições", "type": "Método"}]], "relations": [[{"head": "abordagens", "tail": "etiquetagem morfossintática (part-of-speech tagging)", "relation": "Usado-para"}, {"head": "francês", "tail": "abordagens", "relation": "Usado-para"}], [{"head": "sistema de restrições", "tail": "modelo estatístico", "relation": "Comparado-com"}], [], [{"head": "exatidão", "tail": "método estatístico", "relation": "Avaliado-para"}, {"head": "exatidão", "tail": "etiquetadores", "relation": "Avaliado-para"}, {"head": "método estatístico", "tail": "etiquetadores", "relation": "Comparado-com"}, {"head": "etiquetadores", "tail": "inglês", "relation": "Usado-para"}], []], "clusters": [["modelo estatístico", "método estatístico"], ["abordagens", "desambiguação estatística e baseada em restrições", "sistemas"], ["sistema de restrições", "etiquetador baseado em restrições"]]}
{"doc_id": "CVPR_2008_100_abs", "text": "Os métodos de luz estruturada geram ativamente dados de correspondência geométrica entre projetores e câmaras, de modo a facilitar uma reconstrução 3D robusta. Neste artigo, apresentamos Luz Estruturada Fotogeométrica, em que um método de luz estruturada padrão é alargado para incluir métodos fotométricos. O processamento fotométrico serve o duplo propósito de aumentar a quantidade de detalhe de superfície recuperado e de permitir que a configuração de luz estruturada seja robustamente auto-calibrada. Além disso, a nossa framework utiliza uma otimização fotogeométrica que suporta a utilização simultânea de múltiplas câmaras e projetores e produz um modelo 3D multi‑vista único e preciso que melhor cumpre os dados fotométricos e geométricos.", "ner": [[{"text": "métodos de luz estruturada", "type": "Método"}, {"text": "dados de correspondência geométrica", "type": "Material"}, {"text": "reconstrução 3D robusta", "type": "Tarefa"}], [{"text": "Luz Estruturada Fotogeométrica", "type": "Método"}, {"text": "método de luz estruturada", "type": "Método"}, {"text": "métodos fotométricos", "type": "Método"}], [{"text": "processamento fotométrico", "type": "Método"}, {"text": "detalhe de superfície recuperado", "type": "Outros Termos Científicos"}, {"text": "configuração de luz estruturada", "type": "Outros Termos Científicos"}], [{"text": "framework", "type": "Genérico"}, {"text": "otimização fotogeométrica", "type": "Método"}, {"text": "modelo 3D multi‑vista", "type": "Método"}, {"text": "dados fotométricos e geométricos", "type": "Material"}]], "relations": [[{"head": "métodos de luz estruturada", "tail": "dados de correspondência geométrica", "relation": "Usado-para"}, {"head": "dados de correspondência geométrica", "tail": "reconstrução 3D robusta", "relation": "Usado-para"}], [{"head": "método de luz estruturada", "tail": "Luz Estruturada Fotogeométrica", "relation": "Parte-de"}, {"head": "métodos fotométricos", "tail": "Luz Estruturada Fotogeométrica", "relation": "Parte-de"}], [{"head": "processamento fotométrico", "tail": "detalhe de superfície recuperado", "relation": "Usado-para"}, {"head": "processamento fotométrico", "tail": "configuração de luz estruturada", "relation": "Usado-para"}], [{"head": "otimização fotogeométrica", "tail": "framework", "relation": "Usado-para"}, {"head": "dados fotométricos e geométricos", "tail": "modelo 3D multi‑vista", "relation": "Usado-para"}]], "clusters": [["métodos fotométricos", "processamento fotométrico"], ["Luz Estruturada Fotogeométrica", "framework"]]}
{"doc_id": "C92-1055", "text": "Neste artigo, é proposto um procedimento de aprendizagem adaptativa orientado para discriminação e robustez para lidar com a tarefa de resolução de ambiguidade sintáctica. Devido ao problema de dados de treino insuficientes e ao erro de aproximação introduzido pelo modelo de linguagem, as abordagens estatísticas tradicionais, que resolvem ambiguidades usando de forma indirecta e implícita o método de máxima verosimilhança, não conseguem obter um desempenho elevado em aplicações reais. O método proposto corrige estes problemas ajustando os parâmetros para maximizar directamente a taxa de exactidão. Para tornar o algoritmo proposto robusto, as possíveis variações entre o corpus de treino e as tarefas reais são também tidas em consideração, alargando a margem de separação entre o candidato correcto e os seus concorrentes. Foi observada uma melhoria significativa no teste. A taxa de exactidão da desambiguação sintáctica é aumentada de 46,0 % para 60,62 % utilizando esta nova abordagem.", "ner": [[{"text": "procedimento de aprendizagem adaptativa", "type": "Método"}, {"text": "resolução de ambiguidade sintáctica", "type": "Tarefa"}], [{"text": "dados de treino insuficientes", "type": "Outros Termos Científicos"}, {"text": "erro de aproximação", "type": "Outros Termos Científicos"}, {"text": "modelo de linguagem", "type": "Método"}, {"text": "abordagens estatísticas", "type": "Método"}, {"text": "ambiguidade", "type": "Outros Termos Científicos"}, {"text": "método de máxima verosimilhança", "type": "Método"}], [{"text": "método", "type": "Genérico"}, {"text": "problemas", "type": "Genérico"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "margem de separação", "type": "Outros Termos Científicos"}], [], [{"text": "taxa de exactidão", "type": "Métrica"}, {"text": "desambiguação sintáctica", "type": "Tarefa"}, {"text": "abordagem", "type": "Genérico"}]], "relations": [[{"head": "procedimento de aprendizagem adaptativa", "tail": "resolução de ambiguidade sintáctica", "relation": "Usado-para"}], [{"head": "dados de treino insuficientes", "tail": "erro de aproximação", "relation": "Conjunção"}, {"head": "abordagens estatísticas", "tail": "ambiguidade", "relation": "Usado-para"}, {"head": "método de máxima verosimilhança", "tail": "abordagens estatísticas", "relation": "Usado-para"}], [], [], [], [{"head": "taxa de exactidão", "tail": "desambiguação sintáctica", "relation": "Avaliado-para"}, {"head": "desambiguação sintáctica", "tail": "abordagem", "relation": "Avaliado-para"}]], "clusters": [["procedimento de aprendizagem adaptativa", "método", "algoritmo", "abordagem"], ["resolução de ambiguidade sintáctica", "desambiguação sintáctica"]]}
{"doc_id": "A00-2023", "text": "Este artigo apresenta uma nova abordagem para a geração estatística de frases em que frases alternativas são representadas como conjuntos compactos de árvores , ou florestas , e depois ordenadas estatisticamente para escolher a melhor . Esta representação oferece vantagens em termos de compacidade e de capacidade de representar informação sintáctica . Também facilita uma ordenação estatística mais eficiente do que uma abordagem anterior à geração estatística . É descrito um algoritmo eficiente de ordenação , juntamente com resultados experimentais que mostram melhorias significativas em relação a uma enumeração simples ou a uma abordagem baseada em redes .", "ner": [[{"text": "abordagem", "type": "Genérico"}, {"text": "geração estatística de frases", "type": "Tarefa"}, {"text": "árvores", "type": "Outros Termos Científicos"}, {"text": "florestas", "type": "Outros Termos Científicos"}], [{"text": "representação", "type": "Genérico"}, {"text": "informação sintáctica", "type": "Outros Termos Científicos"}], [{"text": "Esta", "type": "Genérico"}, {"text": "ordenação estatística", "type": "Método"}, {"text": "abordagem", "type": "Genérico"}, {"text": "geração estatística", "type": "Tarefa"}], [{"text": "algoritmo eficiente de ordenação", "type": "Método"}, {"text": "enumeração", "type": "Método"}, {"text": "abordagem baseada em redes", "type": "Método"}]], "relations": [[{"head": "abordagem", "tail": "geração estatística de frases", "relation": "Usado-para"}], [], [{"head": "Esta", "tail": "ordenação estatística", "relation": "Usado-para"}, {"head": "Esta", "tail": "abordagem", "relation": "Comparado-com"}, {"head": "abordagem", "tail": "geração estatística", "relation": "Usado-para"}], [{"head": "algoritmo eficiente de ordenação", "tail": "enumeração", "relation": "Comparado-com"}, {"head": "algoritmo eficiente de ordenação", "tail": "abordagem baseada em redes", "relation": "Comparado-com"}, {"head": "enumeração", "tail": "abordagem baseada em redes", "relation": "Conjunção"}]], "clusters": [["abordagem", "representação", "Esta"]]}
{"doc_id": "E83-1021", "text": "Este artigo trata da interpretação de operações conceptuais subjacentes ao uso comunicativo da linguagem natural -LRB- NL -RRB- no paradigma de Redes de Herança Estruturada -LRB- SI-Nets -RRB- . As operações são reduzidas a funções de uma linguagem formal , alterando assim o nível de abstracção das operações a serem realizadas sobre SI-Nets . Neste sentido , as operações sobre SI-Nets não são meramente isomórficas a objectos epistemológicos individuais , mas podem ser vistas como uma simulação de processos a um nível diferente , aquele que diz respeito ao sistema conceptual da NL . Para este fim , concebemos uma versão de KL-ONE que representa o nível epistemológico , enquanto a nova linguagem experimental , KL-Conc , representa o nível conceptual . KL-Conc parece ser uma forma mais natural e intuitiva de interagir com SI-Nets .", "ner": [[{"text": "operações conceptuais", "type": "Tarefa"}, {"text": "linguagem natural -LRB- NL -RRB-", "type": "Material"}, {"text": "paradigma de Redes de Herança Estruturada -LRB- SI-Nets -RRB-", "type": "Método"}], [{"text": "operações", "type": "Genérico"}, {"text": "linguagem formal", "type": "Outros Termos Científicos"}, {"text": "operações", "type": "Genérico"}, {"text": "SI-Nets", "type": "Método"}], [{"text": "operações", "type": "Genérico"}, {"text": "SI-Nets", "type": "Método"}, {"text": "objectos epistemológicos", "type": "Outros Termos Científicos"}, {"text": "sistema conceptual", "type": "Método"}, {"text": "NL", "type": "Material"}], [{"text": "KL-ONE", "type": "Método"}, {"text": "nível epistemológico", "type": "Outros Termos Científicos"}, {"text": "linguagem experimental", "type": "Genérico"}, {"text": "KL-Conc", "type": "Método"}, {"text": "nível conceptual", "type": "Outros Termos Científicos"}], [{"text": "KL-Conc", "type": "Método"}, {"text": "SI-Nets", "type": "Método"}]], "relations": [[{"head": "linguagem natural -LRB- NL -RRB-", "tail": "paradigma de Redes de Herança Estruturada -LRB- SI-Nets -RRB-", "relation": "Usado-para"}], [{"head": "operações", "tail": "SI-Nets", "relation": "Usado-para"}], [{"head": "operações", "tail": "SI-Nets", "relation": "Usado-para"}, {"head": "NL", "tail": "sistema conceptual", "relation": "Usado-para"}], [{"head": "KL-ONE", "tail": "KL-Conc", "relation": "Comparado-com"}, {"head": "nível epistemológico", "tail": "KL-ONE", "relation": "Característica-de"}, {"head": "nível conceptual", "tail": "KL-Conc", "relation": "Característica-de"}], []], "clusters": [["operações conceptuais", "operações", "operações", "operações"], ["paradigma de Redes de Herança Estruturada -LRB- SI-Nets -RRB-", "SI-Nets", "SI-Nets", "SI-Nets"], ["linguagem natural -LRB- NL -RRB-", "NL"], ["linguagem experimental", "KL-Conc", "KL-Conc"]]}
{"doc_id": "CVPR_2011_300_abs", "text": "Apresentamos um algoritmo para estimação da pose relativa de câmara calibrada a partir de linhas. Dadas três linhas, com duas das linhas paralelas e ortogonais à terceira, podemos calcular a rotação relativa entre duas imagens. Podemos também calcular a translação relativa a partir de dois pontos de interseção. Apresentamos ainda uma framework na qual tais linhas podem ser detetadas. Avaliamos o desempenho do algoritmo utilizando dados sintéticos e reais. A utilização pretendida do algoritmo é em frameworks de hipótese‑e‑teste robustos, como o RANSAC. A nossa abordagem é adequada para ambientes urbanos e interiores, onde a maioria das linhas é paralela ou ortogonal entre si.", "ner": [[{"text": "algoritmo", "type": "Genérico"}, {"text": "estimação da pose relativa de câmara calibrada", "type": "Tarefa"}], [{"text": "rotação relativa", "type": "Outros Termos Científicos"}], [{"text": "translação relativa", "type": "Outros Termos Científicos"}], [{"text": "framework", "type": "Genérico"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "dados sintéticos e reais", "type": "Material"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "frameworks de hipótese‑e‑teste", "type": "Método"}, {"text": "RANSAC", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "ambientes urbanos e interiores", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "algoritmo", "tail": "estimação da pose relativa de câmara calibrada", "relation": "Usado-para"}], [], [], [], [{"head": "dados sintéticos e reais", "tail": "algoritmo", "relation": "Usado-para"}], [{"head": "algoritmo", "tail": "frameworks de hipótese‑e‑teste", "relation": "Conjunção"}, {"head": "RANSAC", "tail": "frameworks de hipótese‑e‑teste", "relation": "Hipónimo-de"}], [{"head": "abordagem", "tail": "ambientes urbanos e interiores", "relation": "Usado-para"}]], "clusters": [["algoritmo", "framework", "algoritmo", "algoritmo", "abordagem"]]}
{"doc_id": "W05-1308", "text": "Neste artigo, apresentamos um sistema de extração totalmente automatizado, denominado IntEx, para identificar interações entre genes e proteínas em texto biomédico. A nossa abordagem baseia-se, primeiro, em dividir frases complexas em estruturas clausais simples constituídas por papéis sintáticos. Em seguida, em etiquetar entidades biológicas com a ajuda de ontologias biomédicas e linguísticas. Por fim, em extrair interações completas analisando o conteúdo correspondente dos papéis sintáticos e as suas combinações linguisticamente significativas. O nosso sistema de extração lida com frases complexas e extrai interações múltiplas e encaixadas especificadas numa frase. Avaliações experimentais com outros dois sistemas de extração de última geração indicam que o sistema IntEx alcança um melhor desempenho sem o exigente requisito de engenharia de padrões.", "ner": [[{"text": "sistema de extração totalmente automatizado", "type": "Método"}, {"text": "IntEx", "type": "Método"}, {"text": "interações entre genes e proteínas", "type": "Tarefa"}, {"text": "texto biomédico", "type": "Material"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "papéis sintáticos", "type": "Outros Termos Científicos"}], [{"text": "entidades biológicas", "type": "Outros Termos Científicos"}, {"text": "ontologias biomédicas e linguísticas", "type": "Outros Termos Científicos"}], [{"text": "papéis sintáticos", "type": "Outros Termos Científicos"}], [{"text": "sistema de extração", "type": "Método"}, {"text": "interações múltiplas e encaixadas", "type": "Outros Termos Científicos"}], [{"text": "sistemas de extração", "type": "Método"}, {"text": "sistema IntEx", "type": "Método"}, {"text": "requisito de engenharia de padrões", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "sistema de extração totalmente automatizado", "tail": "interações entre genes e proteínas", "relation": "Usado-para"}, {"head": "IntEx", "tail": "sistema de extração totalmente automatizado", "relation": "Hipónimo-de"}, {"head": "texto biomédico", "tail": "interações entre genes e proteínas", "relation": "Usado-para"}], [], [{"head": "ontologias biomédicas e linguísticas", "tail": "entidades biológicas", "relation": "Usado-para"}], [], [{"head": "sistema de extração", "tail": "interações múltiplas e encaixadas", "relation": "Usado-para"}], [{"head": "sistema IntEx", "tail": "sistemas de extração", "relation": "Comparado-com"}]], "clusters": [["sistema de extração totalmente automatizado", "abordagem", "sistema de extração", "sistema IntEx"]]}
{"doc_id": "P06-4011", "text": "Este artigo apresenta um método para a análise computacional de estruturas de movimentos em resumos de artigos de investigação. Na nossa abordagem, as frases de um determinado resumo são analisadas e rotuladas com um movimento específico à luz de várias funções retóricas. O método envolve a recolha automática de um grande número de resumos da Web e a construção de um modelo de linguagem de movimentos de resumos. Apresentamos também um concordanciador protótipo, CARE, que explora os resumos com marcação de movimentos para aprendizagem digital. Este sistema oferece uma abordagem promissora para a redação académica assistida por computador baseada na Web.", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "análise computacional de estruturas de movimentos", "type": "Tarefa"}, {"text": "resumos de artigos de investigação", "type": "Material"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "funções retóricas", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "resumos", "type": "Material"}, {"text": "Web", "type": "Material"}, {"text": "modelo de linguagem", "type": "Método"}, {"text": "movimentos de resumos", "type": "Material"}], [{"text": "concordanciador protótipo", "type": "Método"}, {"text": "CARE", "type": "Método"}, {"text": "resumos com marcação de movimentos", "type": "Material"}, {"text": "aprendizagem digital", "type": "Tarefa"}], [{"text": "sistema", "type": "Genérico"}, {"text": "abordagem", "type": "Genérico"}, {"text": "redação académica assistida por computador baseada na Web", "type": "Tarefa"}]], "relations": [[{"head": "método", "tail": "análise computacional de estruturas de movimentos", "relation": "Usado-para"}, {"head": "resumos de artigos de investigação", "tail": "análise computacional de estruturas de movimentos", "relation": "Usado-para"}], [], [{"head": "Web", "tail": "resumos", "relation": "Usado-para"}, {"head": "movimentos de resumos", "tail": "modelo de linguagem", "relation": "Usado-para"}], [{"head": "CARE", "tail": "concordanciador protótipo", "relation": "Hipónimo-de"}, {"head": "CARE", "tail": "resumos com marcação de movimentos", "relation": "Usado-para"}, {"head": "resumos com marcação de movimentos", "tail": "aprendizagem digital", "relation": "Usado-para"}], [{"head": "sistema", "tail": "abordagem", "relation": "Usado-para"}, {"head": "abordagem", "tail": "redação académica assistida por computador baseada na Web", "relation": "Usado-para"}]], "clusters": [["método", "abordagem", "método"], ["CARE", "sistema"]]}
{"doc_id": "CVPR_2005_11_abs", "text": "Este trabalho apresenta um sistema em tempo real para seguimento de múltiplos objetos em cenas dinâmicas. Uma caraterística única do sistema é a sua capacidade de lidar com oclusão completa e de longa duração sem um conhecimento prévio sobre a forma ou o movimento dos objetos. O sistema produz bons resultados de segmentação e seguimento a uma taxa de fotogramas de 15-20 fps para imagens com tamanho de imagem 320x240, como demonstrado por experiências extensivas realizadas utilizando sequências de vídeo sob diferentes condições, interiores e exteriores, com oclusões completas e de longa duração em fundo em mudança.", "ner": [[{"text": "sistema em tempo real", "type": "Método"}, {"text": "seguimento de múltiplos objetos em cenas dinâmicas", "type": "Tarefa"}], [{"text": "sistema", "type": "Genérico"}, {"text": "oclusão completa e de longa duração", "type": "Outros Termos Científicos"}, {"text": "conhecimento prévio", "type": "Outros Termos Científicos"}, {"text": "forma", "type": "Outros Termos Científicos"}, {"text": "movimento dos objetos", "type": "Outros Termos Científicos"}], [{"text": "sistema", "type": "Genérico"}, {"text": "seguimento", "type": "Tarefa"}, {"text": "taxa de fotogramas", "type": "Outros Termos Científicos"}, {"text": "tamanho de imagem", "type": "Outros Termos Científicos"}, {"text": "sequências de vídeo", "type": "Material"}, {"text": "oclusões completas e de longa duração", "type": "Outros Termos Científicos"}, {"text": "fundo em mudança", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "sistema em tempo real", "tail": "seguimento de múltiplos objetos em cenas dinâmicas", "relation": "Usado-para"}], [{"head": "sistema", "tail": "oclusão completa e de longa duração", "relation": "Usado-para"}, {"head": "conhecimento prévio", "tail": "forma", "relation": "Característica-de"}, {"head": "conhecimento prévio", "tail": "movimento dos objetos", "relation": "Característica-de"}, {"head": "forma", "tail": "movimento dos objetos", "relation": "Conjunção"}], [{"head": "seguimento", "tail": "sistema", "relation": "Avaliado-para"}]], "clusters": [["sistema em tempo real", "sistema", "sistema"]]}
{"doc_id": "P05-3030", "text": "Propomos um método de organizar materiais de leitura para aprendizagem de vocabulário. Este permite-nos selecionar um conjunto conciso de textos de leitura -LRB- de um corpus-alvo -RRB- que contém todo o vocabulário-alvo a aprender. Utilizámos um vocabulário especializado para um teste de certificação de inglês como vocabulário-alvo e usámos a Wikipédia em inglês, uma enciclopédia de conteúdo livre, como corpus-alvo. Os materiais de leitura organizados permitiriam aos aprendentes não só estudar o vocabulário-alvo de forma eficiente, mas também adquirir uma variedade de conhecimentos através da leitura. Os materiais de leitura estão disponíveis no nosso site.", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "organizar materiais de leitura", "type": "Tarefa"}, {"text": "aprendizagem de vocabulário", "type": "Tarefa"}], [{"text": "Este", "type": "Genérico"}, {"text": "vocabulário-alvo", "type": "Outros Termos Científicos"}], [{"text": "Wikipédia em inglês", "type": "Material"}, {"text": "enciclopédia de conteúdo livre", "type": "Material"}], [], []], "relations": [[{"head": "método", "tail": "organizar materiais de leitura", "relation": "Usado-para"}, {"head": "organizar materiais de leitura", "tail": "aprendizagem de vocabulário", "relation": "Usado-para"}], [], [{"head": "Wikipédia em inglês", "tail": "enciclopédia de conteúdo livre", "relation": "Hipónimo-de"}], [], []], "clusters": [["método", "Este"]]}
{"doc_id": "N03-2025", "text": "É apresentada uma nova abordagem de bootstrapping para rotulagem de Entidades Nomeadas -LRB- NE -RRB- usando sementes baseadas em conceitos e aprendizes sucessivos. Esta abordagem requer apenas algumas sementes de nomes comuns ou pronomes que correspondam ao conceito para a NE alvo, por exemplo ele/ela/homem/mulher para a NE PESSOA. O procedimento de bootstrapping é implementado como treino de dois aprendizes sucessivos. Primeiro, uma lista de decisão é usada para aprender as regras de NE baseadas em análise sintática. Depois, um Modelo de Markov Escondido é treinado num corpus automaticamente rotulado pelo primeiro aprendiz. O sistema de NE resultante aproxima-se do desempenho de NE supervisionado para alguns tipos de NE.", "ner": [[{"text": "abordagem de bootstrapping", "type": "Método"}, {"text": "rotulagem de Entidades Nomeadas -LRB- NE -RRB-", "type": "Tarefa"}, {"text": "sementes baseadas em conceitos", "type": "Outros Termos Científicos"}, {"text": "aprendizes sucessivos", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "NE", "type": "Outros Termos Científicos"}, {"text": "NE PESSOA", "type": "Outros Termos Científicos"}], [{"text": "procedimento de bootstrapping", "type": "Método"}, {"text": "aprendizes sucessivos", "type": "Método"}], [{"text": "lista de decisão", "type": "Outros Termos Científicos"}, {"text": "regras de NE baseadas em análise sintática", "type": "Outros Termos Científicos"}], [{"text": "Modelo de Markov Escondido", "type": "Método"}, {"text": "aprendiz", "type": "Genérico"}], [{"text": "sistema de NE", "type": "Método"}, {"text": "NE supervisionado", "type": "Tarefa"}]], "relations": [[{"head": "abordagem de bootstrapping", "tail": "rotulagem de Entidades Nomeadas -LRB- NE -RRB-", "relation": "Usado-para"}, {"head": "sementes baseadas em conceitos", "tail": "abordagem de bootstrapping", "relation": "Usado-para"}, {"head": "sementes baseadas em conceitos", "tail": "aprendizes sucessivos", "relation": "Conjunção"}, {"head": "aprendizes sucessivos", "tail": "abordagem de bootstrapping", "relation": "Usado-para"}], [{"head": "NE PESSOA", "tail": "NE", "relation": "Hipónimo-de"}], [{"head": "aprendizes sucessivos", "tail": "procedimento de bootstrapping", "relation": "Usado-para"}], [{"head": "lista de decisão", "tail": "regras de NE baseadas em análise sintática", "relation": "Usado-para"}], [], [{"head": "sistema de NE", "tail": "NE supervisionado", "relation": "Usado-para"}]], "clusters": [["aprendizes sucessivos", "aprendizes sucessivos"], ["abordagem de bootstrapping", "abordagem", "procedimento de bootstrapping"]]}
{"doc_id": "I05-2021", "text": "Apresentamos o primeiro teste empírico conhecido de uma afirmação especulativa cada vez mais comum, avaliando diretamente um modelo de smt de chinês para inglês no desempenho de desambiguação de sentido de palavras, usando metodologia de avaliação de WSD padrão e conjuntos de dados da tarefa de amostra lexical de chinês do Senseval-3. Muito esforço tem sido investido no desenho e avaliação de modelos dedicados de desambiguação de sentido de palavras -LRB- WSD -RRB-, em particular com a série de workshops Senseval. Ao mesmo tempo, as melhorias recentes nas pontuações BLEU da tradução automática estatística -LRB- SMT -RRB- sugerem que os modelos de SMT são bons a prever a tradução certa das palavras em frases na língua de origem. Surpreendentemente, no entanto, a exatidão de WSD dos modelos de SMT nunca foi avaliada nem comparada com a dos modelos dedicados de WSD. Apresentamos experiências controladas que mostram que a exatidão de WSD dos atuais modelos típicos de SMT é significativamente inferior à de todos os modelos dedicados de WSD considerados. Isto tende a apoiar a visão de que, apesar das recentes afirmações especulativas em sentido contrário, os modelos atuais de SMT têm de facto limitações em comparação com os modelos dedicados de WSD, e que a SMT deverá beneficiar das melhores previsões feitas pelos modelos de WSD.", "ner": [[{"text": "modelo de SMT de chinês para inglês", "type": "Método"}, {"text": "desambiguação de sentido de palavras", "type": "Tarefa"}, {"text": "metodologia de avaliação de WSD", "type": "Método"}, {"text": "tarefa de amostra lexical de chinês do Senseval-3", "type": "Material"}], [{"text": "modelos dedicados de desambiguação de sentido de palavras -LRB- WSD -RRB-", "type": "Método"}, {"text": "série de workshops Senseval", "type": "Material"}], [{"text": "pontuações BLEU", "type": "Métrica"}, {"text": "tradução automática estatística -LRB- SMT -RRB-", "type": "Tarefa"}, {"text": "modelos de SMT", "type": "Método"}, {"text": "tradução", "type": "Tarefa"}], [{"text": "exatidão de WSD", "type": "Métrica"}, {"text": "modelos de SMT", "type": "Método"}, {"text": "isto", "type": "Genérico"}, {"text": "modelos dedicados de WSD", "type": "Método"}], [{"text": "exatidão de WSD", "type": "Métrica"}, {"text": "modelos de SMT", "type": "Método"}, {"text": "isto", "type": "Genérico"}, {"text": "modelos dedicados de WSD", "type": "Método"}], [{"text": "modelos de SMT", "type": "Método"}, {"text": "modelos dedicados de WSD", "type": "Método"}, {"text": "SMT", "type": "Método"}, {"text": "modelos de WSD", "type": "Método"}]], "relations": [[{"head": "desambiguação de sentido de palavras", "tail": "modelo de SMT de chinês para inglês", "relation": "Avaliado-para"}, {"head": "metodologia de avaliação de WSD", "tail": "modelo de SMT de chinês para inglês", "relation": "Avaliado-para"}, {"head": "tarefa de amostra lexical de chinês do Senseval-3", "tail": "modelo de SMT de chinês para inglês", "relation": "Avaliado-para"}], [{"head": "série de workshops Senseval", "tail": "modelos dedicados de desambiguação de sentido de palavras -LRB- WSD -RRB-", "relation": "Avaliado-para"}], [{"head": "pontuações BLEU", "tail": "tradução automática estatística -LRB- SMT -RRB-", "relation": "Avaliado-para"}, {"head": "modelos de SMT", "tail": "tradução", "relation": "Usado-para"}], [{"head": "exatidão de WSD", "tail": "modelos de SMT", "relation": "Avaliado-para"}, {"head": "isto", "tail": "exatidão de WSD", "relation": "Comparado-com"}], [{"head": "exatidão de WSD", "tail": "modelos de SMT", "relation": "Avaliado-para"}, {"head": "isto", "tail": "exatidão de WSD", "relation": "Comparado-com"}], [{"head": "modelos de SMT", "tail": "modelos dedicados de WSD", "relation": "Comparado-com"}, {"head": "modelos de WSD", "tail": "SMT", "relation": "Usado-para"}]], "clusters": [["modelos de SMT", "modelos de SMT", "modelos de SMT", "modelos de SMT", "SMT"], ["modelos dedicados de desambiguação de sentido de palavras -LRB- WSD -RRB-", "modelos dedicados de WSD", "modelos dedicados de WSD", "modelos dedicados de WSD", "modelos de WSD"]]}
{"doc_id": "P03-1002", "text": "Neste artigo apresentamos um novo paradigma de EI, personalizável, que tira partido de estruturas de predicado‑argumento. Introduzimos também uma nova forma de identificar automaticamente estruturas de predicado‑argumento, que é central para o nosso paradigma de EI. Baseia‑se em: (1) um conjunto alargado de características; e (2) aprendizagem indutiva por árvores de decisão. Os resultados experimentais provam a nossa afirmação de que estruturas de predicado‑argumento precisas permitem resultados de EI de alta qualidade.", "ner": [[{"text": "paradigma de EI", "type": "Método"}, {"text": "estruturas de predicado‑argumento", "type": "Outros Termos Científicos"}], [{"text": "identificar automaticamente estruturas de predicado‑argumento", "type": "Tarefa"}, {"text": "paradigma de EI", "type": "Método"}], [{"text": "que", "type": "Genérico"}, {"text": "características", "type": "Outros Termos Científicos"}, {"text": "aprendizagem indutiva por árvores de decisão", "type": "Método"}], [{"text": "estruturas de predicado‑argumento", "type": "Outros Termos Científicos"}, {"text": "EI", "type": "Tarefa"}]], "relations": [[{"head": "estruturas de predicado‑argumento", "tail": "paradigma de EI", "relation": "Usado-para"}], [], [{"head": "características", "tail": "que", "relation": "Usado-para"}, {"head": "características", "tail": "aprendizagem indutiva por árvores de decisão", "relation": "Conjunção"}, {"head": "aprendizagem indutiva por árvores de decisão", "tail": "que", "relation": "Usado-para"}], [{"head": "estruturas de predicado‑argumento", "tail": "EI", "relation": "Usado-para"}]], "clusters": [["identificar automaticamente estruturas de predicado‑argumento", "que"]]}
{"doc_id": "A97-1028", "text": "Neste artigo apresentamos um perfil estatístico da tarefa de Entidades Nomeadas, uma tarefa de extração de informação específica para a qual existem corpora disponíveis em várias línguas. Utilizando os resultados da análise estatística, propomos um algoritmo para a estimação do limite inferior para corpora de Entidades Nomeadas e discutimos o significado das comparações translinguísticas proporcionadas pela análise.", "ner": [[{"text": "perfil estatístico", "type": "Genérico"}, {"text": "tarefa de Entidades Nomeadas", "type": "Tarefa"}, {"text": "tarefa de extração de informação", "type": "Tarefa"}], [{"text": "análise estatística", "type": "Método"}, {"text": "algoritmo", "type": "Genérico"}, {"text": "estimação do limite inferior", "type": "Método"}, {"text": "corpora de Entidades Nomeadas", "type": "Material"}, {"text": "análise", "type": "Genérico"}]], "relations": [[{"head": "perfil estatístico", "tail": "tarefa de Entidades Nomeadas", "relation": "Usado-para"}, {"head": "tarefa de Entidades Nomeadas", "tail": "tarefa de extração de informação", "relation": "Hipónimo-de"}], [{"head": "análise estatística", "tail": "algoritmo", "relation": "Usado-para"}, {"head": "algoritmo", "tail": "estimação do limite inferior", "relation": "Usado-para"}, {"head": "estimação do limite inferior", "tail": "corpora de Entidades Nomeadas", "relation": "Usado-para"}]], "clusters": [["perfil estatístico", "análise estatística", "análise"]]}
{"doc_id": "INTERSPEECH_2013_28_abs", "text": "Abordamos um género de linguagem pouco explorado de linguagem falada – letras em música – através da completa indução não supervisionada de uma gramática de transdução estocástica ao estilo SMT para letras de hip hop, obtendo um sistema de desafio-resposta aprendido totalmente de forma automática que produz letras rimadas dado um input. Ao contrário de esforços anteriores, escolhemos o domínio das letras de hip hop, que é particularmente pouco estruturado e ruidoso. Uma característica nova da nossa abordagem é que é completamente não supervisionada e não requer qualquer conhecimento linguístico ou fonético a priori. Apesar do nível de dificuldade do desafio, o modelo produz ainda assim output fluente segundo a avaliação de avaliadores humanos, e tem um desempenho significativamente melhor do que modelos SMT baseados em frases amplamente utilizados na mesma tarefa.", "ner": [[{"text": "género de linguagem pouco explorado de linguagem falada", "type": "Material"}, {"text": "letras em música", "type": "Material"}, {"text": "indução não supervisionada", "type": "Método"}, {"text": "gramática de transdução estocástica ao estilo SMT", "type": "Método"}, {"text": "letras de hip hop", "type": "Material"}, {"text": "sistema de desafio-resposta aprendido totalmente de forma automática", "type": "Método"}, {"text": "letras rimadas", "type": "Material"}], [{"text": "letras de hip hop", "type": "Material"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "conhecimento linguístico ou fonético a priori", "type": "Outros Termos Científicos"}], [{"text": "modelo", "type": "Genérico"}, {"text": "avaliadores humanos", "type": "Outros Termos Científicos"}, {"text": "modelos SMT baseados em frases", "type": "Método"}, {"text": "tarefa", "type": "Genérico"}]], "relations": [[{"head": "letras em música", "tail": "género de linguagem pouco explorado de linguagem falada", "relation": "Hipónimo-de"}, {"head": "indução não supervisionada", "tail": "género de linguagem pouco explorado de linguagem falada", "relation": "Usado-para"}, {"head": "indução não supervisionada", "tail": "gramática de transdução estocástica ao estilo SMT", "relation": "Usado-para"}, {"head": "indução não supervisionada", "tail": "sistema de desafio-resposta aprendido totalmente de forma automática", "relation": "Usado-para"}, {"head": "letras de hip hop", "tail": "gramática de transdução estocástica ao estilo SMT", "relation": "Característica-de"}, {"head": "sistema de desafio-resposta aprendido totalmente de forma automática", "tail": "letras rimadas", "relation": "Usado-para"}], [], [], [{"head": "modelo", "tail": "modelos SMT baseados em frases", "relation": "Comparado-com"}, {"head": "tarefa", "tail": "modelo", "relation": "Avaliado-para"}, {"head": "tarefa", "tail": "modelos SMT baseados em frases", "relation": "Avaliado-para"}]], "clusters": [["sistema de desafio-resposta aprendido totalmente de forma automática", "abordagem", "modelo"]]}
{"doc_id": "E06-1035", "text": "Neste artigo, investigamos o problema de automaticamente prever limites de segmentos em diálogo falado multiparticipante. Estendemos trabalhos anteriores de duas maneiras. Primeiro, aplicamos abordagens que foram propostas para prever mudanças de tópico de nível superior ao problema de identificação de limites de subtópicos. Em seguida, exploramos o impacto no desempenho de usar saída de ASR em oposição a transcrição humana. O exame do efeito das características mostra que prever limites de nível superior e prever limites de subtópicos são duas tarefas distintas: -LRB- 1 -RRB- para prever limites de subtópicos, a abordagem baseada em coesão lexical, por si só, pode alcançar resultados competitivos, -LRB- 2 -RRB- para prever limites de nível superior, a abordagem de aprendizagem automática que combina características de coesão lexical e conversacionais apresenta o melhor desempenho, e -LRB- 3 -RRB- pistas conversacionais, tais como frases de pista e fala sobreposta, são melhores indicadores para a tarefa de previsão de nível superior. Verificamos também que os erros de transcrição inevitáveis na saída de ASR têm um impacto negativo em modelos que combinam características de coesão lexical e conversacionais, mas não alteram a preferência geral de abordagem para as duas tarefas.", "ner": [[{"text": "prever limites de segmentos", "type": "Tarefa"}, {"text": "diálogo falado multiparticipante", "type": "Material"}], [], [{"text": "abordagens", "type": "Genérico"}, {"text": "prever mudanças de tópico de nível superior", "type": "Tarefa"}, {"text": "identificação de limites de subtópicos", "type": "Tarefa"}], [{"text": "saída de ASR", "type": "Outros Termos Científicos"}, {"text": "transcrição humana", "type": "Outros Termos Científicos"}], [{"text": "características", "type": "Outros Termos Científicos"}, {"text": "prever limites de nível superior e prever limites de subtópicos", "type": "Tarefa"}, {"text": "tarefas", "type": "Genérico"}, {"text": "prever limites de subtópicos", "type": "Tarefa"}, {"text": "abordagem baseada em coesão lexical", "type": "Método"}, {"text": "prever limites de nível superior", "type": "Tarefa"}, {"text": "abordagem de aprendizagem automática", "type": "Método"}, {"text": "características de coesão lexical e conversacionais", "type": "Outros Termos Científicos"}, {"text": "pistas conversacionais", "type": "Outros Termos Científicos"}, {"text": "frases de pista", "type": "Outros Termos Científicos"}, {"text": "fala sobreposta", "type": "Outros Termos Científicos"}, {"text": "indicadores", "type": "Genérico"}, {"text": "tarefa de previsão de nível superior", "type": "Genérico"}], [{"text": "erros de transcrição", "type": "Outros Termos Científicos"}, {"text": "saída de ASR", "type": "Outros Termos Científicos"}, {"text": "modelos", "type": "Genérico"}, {"text": "características de coesão lexical e conversacionais", "type": "Outros Termos Científicos"}, {"text": "tarefas", "type": "Genérico"}]], "relations": [[{"head": "diálogo falado multiparticipante", "tail": "prever limites de segmentos", "relation": "Usado-para"}], [], [{"head": "abordagens", "tail": "prever mudanças de tópico de nível superior", "relation": "Usado-para"}, {"head": "abordagens", "tail": "identificação de limites de subtópicos", "relation": "Usado-para"}, {"head": "prever mudanças de tópico de nível superior", "tail": "identificação de limites de subtópicos", "relation": "Característica-de"}], [{"head": "saída de ASR", "tail": "transcrição humana", "relation": "Comparado-com"}], [{"head": "prever limites de subtópicos", "tail": "prever limites de nível superior e prever limites de subtópicos", "relation": "Parte-de"}, {"head": "abordagem baseada em coesão lexical", "tail": "prever limites de subtópicos", "relation": "Usado-para"}, {"head": "prever limites de nível superior", "tail": "prever limites de nível superior e prever limites de subtópicos", "relation": "Parte-de"}, {"head": "abordagem de aprendizagem automática", "tail": "prever limites de nível superior", "relation": "Usado-para"}, {"head": "características de coesão lexical e conversacionais", "tail": "abordagem de aprendizagem automática", "relation": "Conjunção"}, {"head": "frases de pista", "tail": "pistas conversacionais", "relation": "Hipónimo-de"}, {"head": "fala sobreposta", "tail": "pistas conversacionais", "relation": "Hipónimo-de"}, {"head": "fala sobreposta", "tail": "frases de pista", "relation": "Conjunção"}, {"head": "indicadores", "tail": "tarefa de previsão de nível superior", "relation": "Usado-para"}], [{"head": "erros de transcrição", "tail": "saída de ASR", "relation": "Característica-de"}, {"head": "modelos", "tail": "características de coesão lexical e conversacionais", "relation": "Conjunção"}]], "clusters": [["prever limites de nível superior e prever limites de subtópicos", "tarefas", "tarefas"], ["identificação de limites de subtópicos", "prever limites de subtópicos"], ["abordagem de aprendizagem automática", "modelos"], ["pistas conversacionais", "indicadores"], ["prever limites de nível superior", "tarefa de previsão de nível superior"]]}
{"doc_id": "N03-2015", "text": "Descrevemos uma técnica não supervisionada simples para aprender morfologia através da identificação de hubs num autómato. Para os nossos propósitos, um hub é um nó num grafo com grau de entrada maior que um e grau de saída maior que um. Criamos um word-trie, transformamo-lo num DFA mínimo e depois identificamos hubs. Esses hubs assinalam a fronteira entre raiz e sufixo, alcançando um desempenho semelhante ao de misturas mais complexas de técnicas.", "ner": [[{"text": "técnica não supervisionada", "type": "Método"}, {"text": "morfologia", "type": "Tarefa"}, {"text": "hubs", "type": "Outros Termos Científicos"}, {"text": "autómato", "type": "Outros Termos Científicos"}], [{"text": "hub", "type": "Outros Termos Científicos"}, {"text": "nó", "type": "Outros Termos Científicos"}, {"text": "grafo", "type": "Outros Termos Científicos"}], [{"text": "word-trie", "type": "Método"}, {"text": "transformamo-lo", "type": "Genérico"}, {"text": "DFA mínimo", "type": "Outros Termos Científicos"}, {"text": "hubs", "type": "Outros Termos Científicos"}], [{"text": "hubs", "type": "Outros Termos Científicos"}, {"text": "raiz", "type": "Outros Termos Científicos"}, {"text": "sufixo", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "técnica não supervisionada", "tail": "morfologia", "relation": "Usado-para"}, {"head": "hubs", "tail": "técnica não supervisionada", "relation": "Usado-para"}, {"head": "hubs", "tail": "autómato", "relation": "Parte-de"}], [{"head": "hub", "tail": "nó", "relation": "Hipónimo-de"}, {"head": "nó", "tail": "grafo", "relation": "Parte-de"}], [{"head": "word-trie", "tail": "hubs", "relation": "Usado-para"}, {"head": "DFA mínimo", "tail": "hubs", "relation": "Usado-para"}], []], "clusters": [["word-trie", "transformamo-lo"], ["hubs", "hub", "hubs", "hubs"]]}
{"doc_id": "IJCAI_2010_4_abs", "text": "Na aprendizagem automática Bayesiana, os priors conjugados são populares, sobretudo devido à conveniência matemática. Neste artigo, mostramos que há razões mais profundas para escolher um prior conjugado. Especificamente, formulamos o prior conjugado na forma de divergência de Bregman e mostramos que é a geometria inerente dos priors conjugados que os torna apropriados e intuitivos. Esta interpretação geométrica permite ver os hiperparâmetros dos priors conjugados como os pontos de amostra efetivos, fornecendo assim intuição adicional. Usamos esta compreensão geométrica dos priors conjugados para derivar os hiperparâmetros e a expressão do prior usado para acoplar os componentes generativo e discriminativo de um modelo híbrido para aprendizagem semi-supervisionada.", "ner": [[{"text": "aprendizagem automática Bayesiana", "type": "Tarefa"}, {"text": "priors conjugados", "type": "Outros Termos Científicos"}], [{"text": "prior conjugado", "type": "Outros Termos Científicos"}], [{"text": "prior conjugado", "type": "Outros Termos Científicos"}, {"text": "divergência de Bregman", "type": "Outros Termos Científicos"}, {"text": "priors conjugados", "type": "Outros Termos Científicos"}], [{"text": "priors conjugados", "type": "Outros Termos Científicos"}], [{"text": "compreensão geométrica dos priors conjugados", "type": "Outros Termos Científicos"}, {"text": "priors conjugados", "type": "Outros Termos Científicos"}, {"text": "hiperparâmetros", "type": "Genérico"}, {"text": "prior", "type": "Genérico"}, {"text": "componentes generativo e discriminativo", "type": "Método"}, {"text": "modelo híbrido", "type": "Método"}, {"text": "aprendizagem semi-supervisionada", "type": "Tarefa"}]], "relations": [[{"head": "priors conjugados", "tail": "aprendizagem automática Bayesiana", "relation": "Parte-de"}], [], [{"head": "divergência de Bregman", "tail": "prior conjugado", "relation": "Característica-de"}], [], [{"head": "compreensão geométrica dos priors conjugados", "tail": "hiperparâmetros", "relation": "Usado-para"}, {"head": "prior", "tail": "componentes generativo e discriminativo", "relation": "Usado-para"}, {"head": "componentes generativo e discriminativo", "tail": "modelo híbrido", "relation": "Parte-de"}, {"head": "modelo híbrido", "tail": "aprendizagem semi-supervisionada", "relation": "Usado-para"}]], "clusters": [["priors conjugados", "prior"]]}
{"doc_id": "P05-1010", "text": "Este artigo define um modelo probabilístico generativo de árvores de análise sintática, ao qual chamamos PCFG-LA. Este modelo é uma extensão de PCFG em que os símbolos não terminais são enriquecidos com variáveis latentes. Regras CFG de granularidade fina são automaticamente induzidas a partir de um corpus anotado com árvores de análise, através do treino de um modelo PCFG-LA usando um algoritmo EM. Dado que a análise exata com um PCFG-LA é um problema NP-difícil, são descritas e comparadas empiricamente várias aproximações. Em experiências usando o corpus Penn WSJ, o nosso modelo treinado automaticamente obteve um desempenho de 86,6 % -LRB- F1, frases < 40 palavras -RRB-, o que é comparável ao de um analisador PCFG não lexicalizado criado recorrendo a uma extensa seleção manual de características.", "ner": [[{"text": "modelo probabilístico generativo de árvores de análise sintática", "type": "Método"}, {"text": "PCFG-LA", "type": "Método"}], [{"text": "modelo", "type": "Genérico"}, {"text": "PCFG", "type": "Método"}, {"text": "símbolos não terminais", "type": "Outros Termos Científicos"}, {"text": "variáveis latentes", "type": "Outros Termos Científicos"}], [{"text": "regras CFG de granularidade fina", "type": "Outros Termos Científicos"}, {"text": "corpus anotado com árvores de análise", "type": "Material"}, {"text": "modelo PCFG-LA", "type": "Método"}, {"text": "algoritmo EM", "type": "Método"}], [{"text": "análise exata", "type": "Tarefa"}, {"text": "PCFG-LA", "type": "Método"}], [{"text": "corpus Penn WSJ", "type": "Material"}, {"text": "modelo", "type": "Genérico"}, {"text": "F1", "type": "Métrica"}, {"text": "analisador PCFG não lexicalizado", "type": "Método"}, {"text": "seleção manual de características", "type": "Método"}]], "relations": [[{"head": "PCFG-LA", "tail": "modelo probabilístico generativo de árvores de análise sintática", "relation": "Hipónimo-de"}], [{"head": "PCFG", "tail": "modelo", "relation": "Usado-para"}, {"head": "símbolos não terminais", "tail": "PCFG", "relation": "Parte-de"}, {"head": "variáveis latentes", "tail": "símbolos não terminais", "relation": "Usado-para"}], [{"head": "corpus anotado com árvores de análise", "tail": "regras CFG de granularidade fina", "relation": "Usado-para"}, {"head": "algoritmo EM", "tail": "modelo PCFG-LA", "relation": "Usado-para"}], [{"head": "PCFG-LA", "tail": "análise exata", "relation": "Usado-para"}], [{"head": "corpus Penn WSJ", "tail": "modelo", "relation": "Avaliado-para"}, {"head": "corpus Penn WSJ", "tail": "analisador PCFG não lexicalizado", "relation": "Avaliado-para"}, {"head": "modelo", "tail": "analisador PCFG não lexicalizado", "relation": "Comparado-com"}, {"head": "F1", "tail": "modelo", "relation": "Avaliado-para"}, {"head": "F1", "tail": "analisador PCFG não lexicalizado", "relation": "Avaliado-para"}, {"head": "seleção manual de características", "tail": "analisador PCFG não lexicalizado", "relation": "Usado-para"}]], "clusters": [["PCFG-LA", "modelo PCFG-LA", "PCFG-LA", "modelo"], ["modelo probabilístico generativo de árvores de análise sintática", "modelo"]]}
{"doc_id": "H90-1060", "text": "Este artigo relata duas contribuições para o reconhecimento de fala contínua de grande vocabulário. Em primeiro lugar, apresentamos um novo paradigma para o treino independente do locutor -LRB- SI -RRB- de modelos de Markov escondidos -LRB- HMM -RRB-, que utiliza uma grande quantidade de fala de poucos locutores em vez da prática tradicional de usar um pouco de fala de muitos locutores. Além disso, a combinação dos locutores de treino é feita através da média das estatísticas de modelos treinados de forma independente, em vez da habitual agregação de todos os dados de fala de muitos locutores antes do treino. Com apenas 12 locutores de treino para o reconhecimento SI, obtivemos uma taxa de erro de palavra de 7,5 % numa gramática padrão e conjunto de teste do corpus DARPA Resource Management. Este desempenho é comparável à nossa melhor condição para esta coleção de testes, usando 109 locutores de treino. Em segundo lugar, mostramos uma melhoria significativa para adaptação ao locutor -LRB- SA -RRB- usando o novo corpus SI e uma pequena quantidade de fala do novo locutor -LRB- alvo -RRB-. É mapeamento espectral probabilístico é estimado de forma independente para cada locutor de treino -LRB- de referência -RRB- e para o locutor alvo. Cada modelo de referência é transformado para o espaço do locutor alvo e combinado por média. Usando apenas 40 enunciados do locutor alvo para adaptação, a taxa de erro desceu para 4,1 % -- uma redução de 45 % no erro em comparação com o resultado SI.", "ner": [[{"text": "reconhecimento de fala contínua de grande vocabulário", "type": "Tarefa"}], [{"text": "treino independente do locutor -LRB- SI -RRB- de modelos de Markov escondidos -LRB- HMM -RRB-", "type": "Tarefa"}, {"text": "fala", "type": "Material"}], [{"text": "média das estatísticas de modelos treinados de forma independente", "type": "Outros Termos Científicos"}, {"text": "agregação de todos os dados de fala", "type": "Outros Termos Científicos"}], [{"text": "reconhecimento SI", "type": "Tarefa"}, {"text": "taxa de erro de palavra", "type": "Métrica"}, {"text": "corpus DARPA Resource Management", "type": "Material"}], [], [{"text": "adaptação ao locutor -LRB- SA -RRB-", "type": "Tarefa"}, {"text": "corpus SI", "type": "Material"}], [{"text": "mapeamento espectral probabilístico", "type": "Método"}], [{"text": "modelo de referência", "type": "Método"}], [{"text": "adaptação", "type": "Tarefa"}, {"text": "taxa de erro", "type": "Métrica"}, {"text": "SI", "type": "Tarefa"}]], "relations": [[], [{"head": "fala", "tail": "treino independente do locutor -LRB- SI -RRB- de modelos de Markov escondidos -LRB- HMM -RRB-", "relation": "Usado-para"}], [{"head": "média das estatísticas de modelos treinados de forma independente", "tail": "agregação de todos os dados de fala", "relation": "Comparado-com"}], [{"head": "taxa de erro de palavra", "tail": "reconhecimento SI", "relation": "Avaliado-para"}, {"head": "corpus DARPA Resource Management", "tail": "reconhecimento SI", "relation": "Avaliado-para"}], [], [{"head": "corpus SI", "tail": "adaptação ao locutor -LRB- SA -RRB-", "relation": "Avaliado-para"}], [], [], [{"head": "taxa de erro", "tail": "adaptação", "relation": "Avaliado-para"}]], "clusters": [["reconhecimento SI", "SI"], ["adaptação ao locutor -LRB- SA -RRB-", "adaptação"]]}
{"doc_id": "W04-2204", "text": "Neste artigo, mostramos como construir automaticamente um dicionário de transferência. A construção de dicionários, uma das tarefas mais difíceis no desenvolvimento de um sistema de tradução automática, é dispendiosa. Para evitar este problema, investigamos como construir um dicionário utilizando recursos linguísticos existentes. O nosso algoritmo pode ser aplicado a qualquer par de línguas, mas, por agora, focamo-nos na construção de um dicionário de coreano para japonês utilizando o inglês como pivô. Tentamos três formas de construção automática para corroborar o efeito da direccionalidade dos dicionários. Em primeiro lugar, introduzimos o método de 'consulta única' utilizando um dicionário de coreano para inglês e um dicionário de japonês para inglês. Em segundo lugar, apresentamos um método que utiliza a 'restrição de sobreposição' com um dicionário de coreano para inglês e um dicionário de inglês para japonês. Em terceiro lugar, consideramos outro método alternativo raramente usado para a construção de um dicionário: um dicionário de inglês para coreano e um dicionário de inglês para japonês. Verificámos que o primeiro método é o mais eficaz e que o melhor resultado pode ser obtido combinando os três métodos.", "ner": [[{"text": "dicionário de transferência", "type": "Material"}], [{"text": "construção de dicionários", "type": "Tarefa"}, {"text": "sistema de tradução automática", "type": "Tarefa"}], [{"text": "dicionário", "type": "Genérico"}, {"text": "recursos linguísticos", "type": "Material"}], [{"text": "dicionário de coreano para japonês", "type": "Material"}, {"text": "inglês", "type": "Material"}], [{"text": "construção automática", "type": "Tarefa"}, {"text": "direccionalidade dos dicionários", "type": "Outros Termos Científicos"}, {"text": "dicionários", "type": "Genérico"}], [{"text": "método de 'consulta única'", "type": "Método"}, {"text": "dicionário de coreano para inglês e um dicionário de japonês para inglês", "type": "Material"}], [{"text": "método", "type": "Genérico"}, {"text": "'restrição de sobreposição'", "type": "Outros Termos Científicos"}, {"text": "dicionário de coreano para inglês", "type": "Material"}, {"text": "dicionário de inglês para japonês", "type": "Material"}], [{"text": "método", "type": "Genérico"}, {"text": "dicionário", "type": "Genérico"}, {"text": "dicionário de inglês para coreano", "type": "Material"}, {"text": "dicionário de inglês para japonês", "type": "Material"}], [{"text": "método", "type": "Genérico"}]], "relations": [[], [{"head": "construção de dicionários", "tail": "sistema de tradução automática", "relation": "Parte-de"}], [{"head": "recursos linguísticos", "tail": "dicionário", "relation": "Usado-para"}], [{"head": "inglês", "tail": "dicionário de coreano para japonês", "relation": "Usado-para"}], [{"head": "construção automática", "tail": "direccionalidade dos dicionários", "relation": "Avaliado-para"}], [{"head": "dicionário de coreano para inglês e um dicionário de japonês para inglês", "tail": "método de 'consulta única'", "relation": "Usado-para"}], [{"head": "'restrição de sobreposição'", "tail": "método", "relation": "Usado-para"}, {"head": "dicionário de coreano para inglês", "tail": "método", "relation": "Usado-para"}, {"head": "dicionário de coreano para inglês", "tail": "dicionário de inglês para japonês", "relation": "Conjunção"}, {"head": "dicionário de inglês para japonês", "tail": "método", "relation": "Usado-para"}], [{"head": "método", "tail": "dicionário", "relation": "Usado-para"}, {"head": "dicionário de inglês para coreano", "tail": "dicionário", "relation": "Hipónimo-de"}, {"head": "dicionário de inglês para coreano", "tail": "dicionário de inglês para japonês", "relation": "Conjunção"}, {"head": "dicionário de inglês para japonês", "tail": "dicionário", "relation": "Hipónimo-de"}], []], "clusters": [["método de 'consulta única'", "método"], ["dicionário de transferência", "dicionário", "dicionários"]]}
{"doc_id": "P03-2036", "text": "É apresentada uma comparação empírica de técnicas de filtragem CFG para LTAG e HPSG. Demonstramos que uma aproximação de HPSG produz um filtro CFG mais eficaz do que o de LTAG. Investigamos também a razão para essa diferença.", "ner": [[{"text": "técnicas de filtragem CFG", "type": "Método"}, {"text": "LTAG", "type": "Método"}, {"text": "HPSG", "type": "Método"}], [{"text": "aproximação de HPSG", "type": "Método"}, {"text": "HPSG", "type": "Método"}, {"text": "filtro CFG", "type": "Método"}, {"text": "essa", "type": "Genérico"}, {"text": "LTAG", "type": "Método"}], []], "relations": [[{"head": "técnicas de filtragem CFG", "tail": "LTAG", "relation": "Usado-para"}, {"head": "técnicas de filtragem CFG", "tail": "HPSG", "relation": "Usado-para"}, {"head": "LTAG", "tail": "HPSG", "relation": "Comparado-com"}], [{"head": "aproximação de HPSG", "tail": "filtro CFG", "relation": "Usado-para"}, {"head": "filtro CFG", "tail": "essa", "relation": "Comparado-com"}, {"head": "essa", "tail": "LTAG", "relation": "Usado-para"}], []], "clusters": [["HPSG", "HPSG"], ["LTAG", "LTAG"]]}
{"doc_id": "P05-1067", "text": "A tradução automática estatística baseada em sintaxe -LRB- MT -RRB- tem como objetivo aplicar modelos estatísticos a dados estruturados. Neste artigo, apresentamos um sistema de tradução automática estatística baseada em sintaxe assente numa gramática probabilística síncrona de inserção de dependências. As gramáticas síncronas de inserção de dependências são uma versão de gramáticas síncronas definidas sobre árvores de dependência. Primeiro, introduzimos a nossa abordagem para induzir tal gramática a partir de corpora paralelos. Em segundo lugar, descrevemos o modelo gráfico para a tarefa de tradução automática, que também pode ser visto como um transdutor estocástico de árvore para árvore. Introduzimos um algoritmo de descodificação em tempo polinomial para o modelo. Avaliamos as saídas do nosso sistema de MT utilizando o software automático de avaliação de MT NIST e Bleu. O resultado mostra que o nosso sistema supera o sistema de base baseado nos modelos IBM em velocidade e qualidade de tradução.", "ner": [[{"text": "tradução automática estatística baseada em sintaxe -LRB- MT -RRB-", "type": "Tarefa"}, {"text": "modelos estatísticos", "type": "Método"}, {"text": "dados estruturados", "type": "Material"}], [{"text": "sistema de tradução automática estatística baseada em sintaxe", "type": "Tarefa"}, {"text": "gramática probabilística síncrona de inserção de dependências", "type": "Método"}], [{"text": "gramáticas síncronas de inserção de dependências", "type": "Método"}, {"text": "gramáticas síncronas", "type": "Método"}, {"text": "árvores de dependência", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "gramática", "type": "Método"}, {"text": "corpora paralelos", "type": "Material"}], [{"text": "modelo gráfico", "type": "Método"}, {"text": "tarefa de tradução automática", "type": "Tarefa"}, {"text": "transdutor estocástico de árvore para árvore", "type": "Método"}], [{"text": "algoritmo de descodificação em tempo polinomial", "type": "Método"}, {"text": "modelo", "type": "Genérico"}], [{"text": "sistema de MT", "type": "Método"}, {"text": "software automático de avaliação de MT NIST e Bleu", "type": "Métrica"}], [{"text": "sistema", "type": "Genérico"}, {"text": "sistema de base", "type": "Genérico"}, {"text": "modelos IBM", "type": "Método"}, {"text": "velocidade e qualidade de tradução", "type": "Métrica"}]], "relations": [[{"head": "modelos estatísticos", "tail": "tradução automática estatística baseada em sintaxe -LRB- MT -RRB-", "relation": "Usado-para"}, {"head": "dados estruturados", "tail": "modelos estatísticos", "relation": "Usado-para"}], [{"head": "gramática probabilística síncrona de inserção de dependências", "tail": "sistema de tradução automática estatística baseada em sintaxe", "relation": "Usado-para"}], [{"head": "gramáticas síncronas de inserção de dependências", "tail": "gramáticas síncronas", "relation": "Hipónimo-de"}, {"head": "árvores de dependência", "tail": "gramáticas síncronas de inserção de dependências", "relation": "Característica-de"}], [{"head": "abordagem", "tail": "gramática", "relation": "Usado-para"}, {"head": "corpora paralelos", "tail": "gramática", "relation": "Usado-para"}], [{"head": "modelo gráfico", "tail": "tarefa de tradução automática", "relation": "Usado-para"}, {"head": "transdutor estocástico de árvore para árvore", "tail": "modelo gráfico", "relation": "Usado-para"}], [{"head": "algoritmo de descodificação em tempo polinomial", "tail": "modelo", "relation": "Usado-para"}], [{"head": "software automático de avaliação de MT NIST e Bleu", "tail": "sistema de MT", "relation": "Usado-para"}], [{"head": "sistema", "tail": "sistema de base", "relation": "Comparado-com"}, {"head": "modelos IBM", "tail": "sistema de base", "relation": "Usado-para"}, {"head": "velocidade e qualidade de tradução", "tail": "sistema", "relation": "Avaliado-para"}, {"head": "velocidade e qualidade de tradução", "tail": "sistema de base", "relation": "Avaliado-para"}]], "clusters": [["gramática probabilística síncrona de inserção de dependências", "gramáticas síncronas de inserção de dependências", "gramática"], ["tradução automática estatística baseada em sintaxe -LRB- MT -RRB-", "sistema de tradução automática estatística baseada em sintaxe", "sistema de MT", "sistema"], ["modelo gráfico", "modelo"]]}
{"doc_id": "W06-1605", "text": "Propomos uma framework para derivar a distância entre conceitos a partir de medidas distribuicionais de coocorrências de palavras. Usamos as categorias de um thesaurus publicado como conceitos de granularidade grosseira, permitindo que todos os valores de distância possíveis sejam armazenados numa matriz conceito-conceito com aproximadamente 0,01 % do tamanho da criada por medidas existentes. Mostramos que as medidas de distância entre conceitos recentemente propostas superam as tradicionais medidas distribuicionais de distância entre palavras nas tarefas de (1) ordenar pares de palavras por distância semântica e (2) corrigir erros ortográficos em palavras reais. Nesta última tarefa, de todas as medidas baseadas em WordNet, apenas a proposta por Jiang e Conrath supera as melhores medidas distribuicionais de distância entre conceitos.", "ner": [[{"text": "framework", "type": "Genérico"}, {"text": "conceitos", "type": "Outros Termos Científicos"}, {"text": "medidas distribuicionais de coocorrências de palavras", "type": "Método"}], [{"text": "conceitos de granularidade grosseira", "type": "Outros Termos Científicos"}, {"text": "matriz conceito-conceito", "type": "Outros Termos Científicos"}], [{"text": "medidas de distância entre conceitos", "type": "Método"}, {"text": "medidas distribuicionais de distância entre palavras", "type": "Método"}, {"text": "tarefas", "type": "Genérico"}, {"text": "ordenar pares de palavras por distância semântica", "type": "Tarefa"}, {"text": "corrigir erros ortográficos em palavras reais", "type": "Tarefa"}], [{"text": "tarefa", "type": "Genérico"}, {"text": "medidas baseadas em WordNet", "type": "Método"}, {"text": "medidas distribuicionais de distância entre conceitos", "type": "Método"}]], "relations": [[{"head": "medidas distribuicionais de coocorrências de palavras", "tail": "framework", "relation": "Usado-para"}], [], [{"head": "medidas de distância entre conceitos", "tail": "tarefas", "relation": "Usado-para"}, {"head": "medidas distribuicionais de distância entre palavras", "tail": "medidas de distância entre conceitos", "relation": "Comparado-com"}, {"head": "medidas distribuicionais de distância entre palavras", "tail": "tarefas", "relation": "Usado-para"}, {"head": "ordenar pares de palavras por distância semântica", "tail": "tarefas", "relation": "Hipónimo-de"}, {"head": "corrigir erros ortográficos em palavras reais", "tail": "tarefas", "relation": "Hipónimo-de"}, {"head": "corrigir erros ortográficos em palavras reais", "tail": "ordenar pares de palavras por distância semântica", "relation": "Conjunção"}], [{"head": "tarefa", "tail": "medidas baseadas em WordNet", "relation": "Avaliado-para"}, {"head": "tarefa", "tail": "medidas distribuicionais de distância entre conceitos", "relation": "Avaliado-para"}, {"head": "medidas distribuicionais de distância entre conceitos", "tail": "medidas baseadas em WordNet", "relation": "Comparado-com"}]], "clusters": [["framework", "medidas de distância entre conceitos", "medidas distribuicionais de distância entre conceitos"], ["corrigir erros ortográficos em palavras reais", "tarefa"]]}
{"doc_id": "P01-1007", "text": "O estudo teórico do formalismo de gramática de concatenação de intervalos -LSB- RCG -RSB- revelou muitas propriedades atrativas que podem ser usadas em PLN. Em particular, as linguagens de concatenação de intervalos -LSB- RCL -RSB- podem ser analisadas em tempo polinomial e muitos formalismos gramaticais clássicos podem ser traduzidos em RCGs equivalentes sem aumentar a sua complexidade de tempo de análise no pior caso. Por exemplo, após a tradução para uma RCG equivalente, qualquer gramática de adjunção de árvores pode ser analisada em tempo O -LRB- n6 -RRB-. Neste artigo, estudamos uma técnica de análise cujo objetivo é melhorar a eficiência prática dos analisadores RCL. As escolhas de análise não determinísticas do analisador principal para uma linguagem L são orientadas por um guia que utiliza a floresta de derivação partilhada produzida por um analisador RCL anterior para um superconjunto adequado de L. São apresentados os resultados de uma avaliação prática deste método sobre uma gramática de inglês de ampla cobertura.", "ner": [[{"text": "formalismo de gramática de concatenação de intervalos -LSB- RCG -RSB-", "type": "Método"}, {"text": "PLN", "type": "Tarefa"}], [{"text": "linguagens de concatenação de intervalos -LSB- RCL -RSB-", "type": "Outros Termos Científicos"}, {"text": "tempo polinomial", "type": "Outros Termos Científicos"}, {"text": "formalismos gramaticais", "type": "Método"}, {"text": "RCGs", "type": "Método"}, {"text": "complexidade de tempo de análise no pior caso", "type": "Métrica"}], [{"text": "RCG", "type": "Método"}, {"text": "gramática de adjunção de árvores", "type": "Método"}, {"text": "tempo O -LRB- n6 -RRB-", "type": "Outros Termos Científicos"}], [{"text": "técnica de análise", "type": "Método"}, {"text": "analisadores RCL", "type": "Método"}], [{"text": "análise não determinística", "type": "Método"}, {"text": "analisador principal", "type": "Método"}, {"text": "linguagem L", "type": "Outros Termos Científicos"}, {"text": "floresta de derivação partilhada", "type": "Outros Termos Científicos"}, {"text": "analisador RCL", "type": "Método"}], [{"text": "método", "type": "Genérico"}, {"text": "gramática de inglês de ampla cobertura", "type": "Método"}]], "relations": [[{"head": "formalismo de gramática de concatenação de intervalos -LSB- RCG -RSB-", "tail": "PLN", "relation": "Usado-para"}], [{"head": "tempo polinomial", "tail": "linguagens de concatenação de intervalos -LSB- RCL -RSB-", "relation": "Característica-de"}, {"head": "complexidade de tempo de análise no pior caso", "tail": "formalismos gramaticais", "relation": "Avaliado-para"}], [{"head": "tempo O -LRB- n6 -RRB-", "tail": "gramática de adjunção de árvores", "relation": "Característica-de"}], [{"head": "técnica de análise", "tail": "analisadores RCL", "relation": "Usado-para"}], [{"head": "analisador principal", "tail": "linguagem L", "relation": "Usado-para"}, {"head": "analisador RCL", "tail": "floresta de derivação partilhada", "relation": "Usado-para"}], [{"head": "gramática de inglês de ampla cobertura", "tail": "método", "relation": "Avaliado-para"}]], "clusters": [["formalismo de gramática de concatenação de intervalos -LSB- RCG -RSB-", "RCGs", "RCG"], ["analisadores RCL", "analisador RCL"], ["técnica de análise", "método"]]}
{"doc_id": "ICML_1995_30_abs", "text": "Neste artigo introduzimos o Ant-Q, uma família de algoritmos que apresentam muitas semelhanças com o Q-learning -LRB- Watkins, 1989 -RRB-, e que aplicamos à resolução de instâncias simétricas e assimétricas do problema do caixeiro-viajante -LRB- TSP -RRB-. Os algoritmos Ant-Q foram inspirados pelo trabalho sobre o sistema de formigas -LRB- AS -RRB-, um algoritmo distribuído para otimização combinatória baseado na metáfora de colónias de formigas que foi recentemente proposto em -LRB- Dorigo, 1992; Dorigo, Maniezzo e Colorni, 1996 -RRB-. Mostramos que o AS é uma instância particular da família Ant-Q, e que existem instâncias desta família que apresentam um desempenho melhor do que o AS. Investigamos experimentalmente o funcionamento do Ant-Q e mostramos que os resultados obtidos pelo Ant-Q em TSPs simétricos são competitivos com os obtidos por outras abordagens heurísticas baseadas em redes neuronais ou pesquisa local. Finalmente, aplicamos o Ant-Q a alguns TSPs assimétricos difíceis, obtendo resultados muito bons: o Ant-Q foi capaz de encontrar soluções de uma qualidade que normalmente só podem ser encontradas por algoritmos altamente especializados.", "ner": [[{"text": "Ant-Q", "type": "Método"}, {"text": "Q-learning", "type": "Método"}, {"text": "instâncias simétricas e assimétricas do problema do caixeiro-viajante -LRB- TSP -RRB-", "type": "Tarefa"}], [{"text": "algoritmos Ant-Q", "type": "Método"}, {"text": "sistema de formigas -LRB- AS -RRB-", "type": "Método"}, {"text": "algoritmo distribuído", "type": "Método"}, {"text": "otimização combinatória", "type": "Tarefa"}], [{"text": "AS", "type": "Método"}, {"text": "família Ant-Q", "type": "Método"}, {"text": "instâncias", "type": "Genérico"}, {"text": "família", "type": "Genérico"}, {"text": "AS", "type": "Outros Termos Científicos"}], [{"text": "Ant-Q", "type": "Método"}, {"text": "Ant-Q", "type": "Método"}, {"text": "TSPs simétricos", "type": "Tarefa"}, {"text": "abordagens heurísticas", "type": "Método"}, {"text": "redes neuronais", "type": "Método"}, {"text": "pesquisa local", "type": "Método"}], [{"text": "Ant-Q", "type": "Método"}, {"text": "TSPs assimétricos", "type": "Tarefa"}, {"text": "Ant-Q", "type": "Método"}]], "relations": [[{"head": "Ant-Q", "tail": "instâncias simétricas e assimétricas do problema do caixeiro-viajante -LRB- TSP -RRB-", "relation": "Usado-para"}], [{"head": "sistema de formigas -LRB- AS -RRB-", "tail": "algoritmos Ant-Q", "relation": "Usado-para"}, {"head": "sistema de formigas -LRB- AS -RRB-", "tail": "algoritmo distribuído", "relation": "Hipónimo-de"}, {"head": "algoritmo distribuído", "tail": "otimização combinatória", "relation": "Usado-para"}], [{"head": "AS", "tail": "família Ant-Q", "relation": "Hipónimo-de"}, {"head": "instâncias", "tail": "família", "relation": "Parte-de"}, {"head": "instâncias", "tail": "AS", "relation": "Comparado-com"}], [{"head": "Ant-Q", "tail": "TSPs simétricos", "relation": "Usado-para"}, {"head": "Ant-Q", "tail": "abordagens heurísticas", "relation": "Comparado-com"}, {"head": "redes neuronais", "tail": "abordagens heurísticas", "relation": "Usado-para"}, {"head": "redes neuronais", "tail": "pesquisa local", "relation": "Conjunção"}, {"head": "pesquisa local", "tail": "abordagens heurísticas", "relation": "Usado-para"}], [{"head": "Ant-Q", "tail": "TSPs assimétricos", "relation": "Usado-para"}]], "clusters": [["sistema de formigas -LRB- AS -RRB-", "AS"], ["algoritmos Ant-Q", "família Ant-Q", "família", "Ant-Q", "Ant-Q", "Ant-Q", "Ant-Q"]]}
{"doc_id": "CVPR_2008_259_abs", "text": "Neste artigo, desenvolvemos uma estrutura geométrica para aprendizagem discriminante de subespaços linear ou não linear e classificação. Na nossa estrutura, as estruturas das classes são conceptualizadas como uma variedade semi‑riemanniana que é considerada como uma subvariedade embebida num espaço semi‑riemanniano ambiente. As estruturas de classe das amostras originais podem ser caracterizadas e deformadas por métricas locais do espaço semi‑riemanniano. As métricas semi‑riemannianas são unicamente determinadas pelo suavizar de funções discretas e pela nulidade do espaço semi‑riemanniano. Com base na geometrização das estruturas de classe, otimizar estruturas de classe no espaço de características é equivalente a maximizar as quantidades quadráticas dos tensores métricos no espaço semi‑riemanniano. Assim, a aprendizagem supervisionada de subespaços discriminantes reduz‑se à aprendizagem não supervisionada de variedades semi‑riemannianas. Com base na estrutura proposta, é apresentado um novo algoritmo, denominado Análise Discriminante Semi‑Riemanniana -LRB- SRDA -RRB-, para classificação baseada em subespaços. O desempenho da SRDA é testado em reconhecimento facial -LRB- caso singular -RRB- e classificação de letras maiúsculas manuscritas -LRB- caso não singular -RRB- em comparação com algoritmos existentes. Os resultados experimentais mostram que a SRDA funciona bem em reconhecimento e classificação, o que implica que a geometria semi‑riemanniana é uma nova ferramenta promissora para reconhecimento de padrões e aprendizagem automática.", "ner": [[{"text": "estrutura geométrica", "type": "Método"}, {"text": "aprendizagem discriminante de subespaços linear ou não linear e classificação", "type": "Tarefa"}], [{"text": "estrutura", "type": "Genérico"}, {"text": "estruturas das classes", "type": "Outros Termos Científicos"}, {"text": "variedade semi‑riemanniana", "type": "Outros Termos Científicos"}, {"text": "subvariedade", "type": "Outros Termos Científicos"}, {"text": "espaço semi‑riemanniano ambiente", "type": "Outros Termos Científicos"}], [{"text": "estruturas de classe", "type": "Outros Termos Científicos"}, {"text": "métricas locais do espaço semi‑riemanniano", "type": "Métrica"}], [{"text": "métricas semi‑riemannianas", "type": "Métrica"}, {"text": "suavizar de funções discretas", "type": "Método"}, {"text": "nulidade do espaço semi‑riemanniano", "type": "Outros Termos Científicos"}], [{"text": "geometrização das estruturas de classe", "type": "Método"}, {"text": "estruturas de classe", "type": "Outros Termos Científicos"}, {"text": "espaço de características", "type": "Outros Termos Científicos"}, {"text": "quantidades quadráticas dos tensores métricos", "type": "Outros Termos Científicos"}, {"text": "espaço semi‑riemanniano", "type": "Outros Termos Científicos"}], [{"text": "aprendizagem supervisionada de subespaços discriminantes", "type": "Método"}, {"text": "aprendizagem não supervisionada de variedades semi‑riemannianas", "type": "Método"}], [{"text": "estrutura", "type": "Genérico"}, {"text": "algoritmo", "type": "Genérico"}, {"text": "Análise Discriminante Semi‑Riemanniana -LRB- SRDA -RRB-", "type": "Método"}, {"text": "classificação baseada em subespaços", "type": "Tarefa"}], [{"text": "SRDA", "type": "Método"}, {"text": "reconhecimento facial -LRB- caso singular", "type": "Tarefa"}, {"text": "classificação de letras maiúsculas manuscritas -LRB- caso não singular -RRB-", "type": "Tarefa"}, {"text": "algoritmos", "type": "Genérico"}], [{"text": "SRDA", "type": "Genérico"}, {"text": "reconhecimento", "type": "Tarefa"}, {"text": "classificação", "type": "Tarefa"}, {"text": "geometria semi‑riemanniana", "type": "Método"}, {"text": "reconhecimento de padrões", "type": "Tarefa"}, {"text": "aprendizagem automática", "type": "Tarefa"}]], "relations": [[{"head": "estrutura geométrica", "tail": "aprendizagem discriminante de subespaços linear ou não linear e classificação", "relation": "Usado-para"}], [{"head": "variedade semi‑riemanniana", "tail": "estruturas das classes", "relation": "Usado-para"}, {"head": "subvariedade", "tail": "espaço semi‑riemanniano ambiente", "relation": "Parte-de"}], [{"head": "métricas locais do espaço semi‑riemanniano", "tail": "estruturas de classe", "relation": "Usado-para"}], [{"head": "suavizar de funções discretas", "tail": "métricas semi‑riemannianas", "relation": "Usado-para"}, {"head": "suavizar de funções discretas", "tail": "nulidade do espaço semi‑riemanniano", "relation": "Conjunção"}, {"head": "nulidade do espaço semi‑riemanniano", "tail": "métricas semi‑riemannianas", "relation": "Usado-para"}], [{"head": "espaço de características", "tail": "estruturas de classe", "relation": "Característica-de"}, {"head": "espaço semi‑riemanniano", "tail": "quantidades quadráticas dos tensores métricos", "relation": "Característica-de"}], [], [{"head": "estrutura", "tail": "algoritmo", "relation": "Usado-para"}, {"head": "algoritmo", "tail": "classificação baseada em subespaços", "relation": "Usado-para"}], [{"head": "SRDA", "tail": "algoritmos", "relation": "Comparado-com"}, {"head": "reconhecimento facial -LRB- caso singular", "tail": "SRDA", "relation": "Avaliado-para"}, {"head": "reconhecimento facial -LRB- caso singular", "tail": "classificação de letras maiúsculas manuscritas -LRB- caso não singular -RRB-", "relation": "Conjunção"}, {"head": "reconhecimento facial -LRB- caso singular", "tail": "algoritmos", "relation": "Avaliado-para"}, {"head": "classificação de letras maiúsculas manuscritas -LRB- caso não singular -RRB-", "tail": "SRDA", "relation": "Avaliado-para"}, {"head": "classificação de letras maiúsculas manuscritas -LRB- caso não singular -RRB-", "tail": "algoritmos", "relation": "Avaliado-para"}], [{"head": "SRDA", "tail": "reconhecimento", "relation": "Usado-para"}, {"head": "SRDA", "tail": "classificação", "relation": "Usado-para"}, {"head": "reconhecimento", "tail": "classificação", "relation": "Conjunção"}, {"head": "geometria semi‑riemanniana", "tail": "reconhecimento de padrões", "relation": "Usado-para"}, {"head": "geometria semi‑riemanniana", "tail": "aprendizagem automática", "relation": "Usado-para"}, {"head": "reconhecimento de padrões", "tail": "aprendizagem automática", "relation": "Conjunção"}]], "clusters": [["métricas locais do espaço semi‑riemanniano", "métricas semi‑riemannianas"], ["estrutura geométrica", "estrutura", "estrutura"], ["algoritmo", "Análise Discriminante Semi‑Riemanniana -LRB- SRDA -RRB-", "SRDA", "SRDA"]]}
{"doc_id": "C90-1002", "text": "Está em desenvolvimento um analisador determinístico que representa uma rutura em relação aos analisadores determinísticos tradicionais, na medida em que combina componentes simultaneamente simbólicas e conexionistas. O componente conexionista é treinado a partir de padrões derivados das regras de uma gramática determinística. O desenvolvimento e a evolução de uma arquitetura híbrida deste tipo conduziram a um analisador superior a qualquer analisador determinístico conhecido. São descritas experiências e demonstradas técnicas de treino poderosas que permitem a tomada de decisão por parte do componente conexionista no processo de análise. Esta abordagem permitiu algumas simplificações às regras de outros analisadores determinísticos, incluindo a eliminação de pacotes de regras e de prioridades. Além disso, a análise é realizada de forma mais robusta e com maior tolerância ao erro. São apresentados dados que mostram como uma rede conexionista -LRB- neural -RRB- treinada com regras linguísticas pode analisar tanto frases esperadas -LRB- gramaticais -RRB- como também algumas frases novas -LRB- agramaticais ou lexicalmente ambíguas -RRB-.", "ner": [[{"text": "analisador determinístico", "type": "Método"}, {"text": "analisadores determinísticos", "type": "Método"}, {"text": "este", "type": "Genérico"}, {"text": "componentes simultaneamente simbólicas e conexionistas", "type": "Método"}], [{"text": "componente conexionista", "type": "Método"}, {"text": "padrões", "type": "Outros Termos Científicos"}, {"text": "regras de uma gramática determinística", "type": "Método"}], [{"text": "arquitetura híbrida", "type": "Método"}, {"text": "analisador", "type": "Método"}, {"text": "analisador determinístico", "type": "Método"}], [{"text": "técnicas de treino", "type": "Método"}, {"text": "tomada de decisão", "type": "Tarefa"}, {"text": "componente conexionista", "type": "Método"}, {"text": "processo de análise", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "regras", "type": "Outros Termos Científicos"}, {"text": "analisadores determinísticos", "type": "Método"}], [{"text": "análise", "type": "Tarefa"}], [{"text": "rede conexionista -LRB- neural -RRB-", "type": "Método"}, {"text": "regras linguísticas", "type": "Outros Termos Científicos"}, {"text": "frases esperadas -LRB- gramaticais -RRB-", "type": "Material"}, {"text": "frases novas -LRB- agramaticais ou lexicalmente ambíguas -RRB-", "type": "Material"}]], "relations": [[{"head": "analisador determinístico", "tail": "analisadores determinísticos", "relation": "Comparado-com"}, {"head": "componentes simultaneamente simbólicas e conexionistas", "tail": "este", "relation": "Parte-de"}], [{"head": "padrões", "tail": "componente conexionista", "relation": "Usado-para"}, {"head": "regras de uma gramática determinística", "tail": "padrões", "relation": "Usado-para"}], [{"head": "arquitetura híbrida", "tail": "analisador", "relation": "Usado-para"}, {"head": "analisador", "tail": "analisador determinístico", "relation": "Comparado-com"}], [{"head": "técnicas de treino", "tail": "tomada de decisão", "relation": "Usado-para"}, {"head": "componente conexionista", "tail": "tomada de decisão", "relation": "Usado-para"}, {"head": "componente conexionista", "tail": "processo de análise", "relation": "Parte-de"}], [], [], [{"head": "rede conexionista -LRB- neural -RRB-", "tail": "frases esperadas -LRB- gramaticais -RRB-", "relation": "Usado-para"}, {"head": "rede conexionista -LRB- neural -RRB-", "tail": "frases novas -LRB- agramaticais ou lexicalmente ambíguas -RRB-", "relation": "Usado-para"}, {"head": "regras linguísticas", "tail": "rede conexionista -LRB- neural -RRB-", "relation": "Usado-para"}, {"head": "frases esperadas -LRB- gramaticais -RRB-", "tail": "frases novas -LRB- agramaticais ou lexicalmente ambíguas -RRB-", "relation": "Conjunção"}]], "clusters": [["componentes simultaneamente simbólicas e conexionistas", "arquitetura híbrida"], ["analisador determinístico", "este", "analisador"], ["técnicas de treino", "abordagem"], ["analisador determinístico", "analisadores determinísticos"]]}
{"doc_id": "P81-1032", "text": "Uma interpretação de linguagem natural robusta requer modelos semânticos de domínio sólidos, heurísticas de recuperação tolerantes a falhas e estruturas de controlo muito flexíveis. Embora analisadores de estratégia única tenham obtido algum sucesso, mostra-se que uma abordagem multi‑estratégia fornece um grau muito mais elevado de flexibilidade, redundância e capacidade de mobilizar conhecimento de domínio específico da tarefa -LRB- para além do conhecimento linguístico geral -RRB- sobre entrada gramatical e agramatical. É apresentado um algoritmo de análise sintática que integra várias estratégias de análise diferentes, com a instanciação de molduras de caso a desempenhar o papel dominante. Cada uma destas estratégias de análise explora diferentes tipos de conhecimento; e a sua combinação fornece uma estrutura sólida para processar conjunções, entrada fragmentária e estruturas agramaticais, bem como entrada menos exótica e gramaticalmente correta. São apresentadas várias heurísticas específicas para lidar com entrada agramatical dentro desta estrutura multi‑estratégia.", "ner": [[{"text": "interpretação de linguagem natural", "type": "Tarefa"}, {"text": "modelos semânticos de domínio", "type": "Método"}, {"text": "heurísticas de recuperação tolerantes a falhas", "type": "Método"}, {"text": "estruturas de controlo", "type": "Outros Termos Científicos"}], [{"text": "analisadores de estratégia única", "type": "Método"}, {"text": "abordagem multi‑estratégia", "type": "Método"}, {"text": "conhecimento de domínio específico da tarefa", "type": "Outros Termos Científicos"}, {"text": "conhecimento linguístico geral", "type": "Outros Termos Científicos"}, {"text": "entrada gramatical e agramatical", "type": "Outros Termos Científicos"}], [{"text": "algoritmo de análise sintática", "type": "Método"}, {"text": "estratégias de análise", "type": "Método"}, {"text": "instanciação de molduras de caso", "type": "Outros Termos Científicos"}], [{"text": "estratégias de análise", "type": "Método"}, {"text": "conjunções", "type": "Outros Termos Científicos"}, {"text": "entrada fragmentária", "type": "Outros Termos Científicos"}, {"text": "estruturas agramaticais", "type": "Outros Termos Científicos"}, {"text": "entrada menos exótica e gramaticalmente correta", "type": "Outros Termos Científicos"}], [{"text": "heurísticas específicas", "type": "Método"}, {"text": "entrada agramatical", "type": "Outros Termos Científicos"}, {"text": "estrutura multi‑estratégia", "type": "Método"}]], "relations": [[{"head": "modelos semânticos de domínio", "tail": "interpretação de linguagem natural", "relation": "Usado-para"}, {"head": "modelos semânticos de domínio", "tail": "heurísticas de recuperação tolerantes a falhas", "relation": "Conjunção"}, {"head": "heurísticas de recuperação tolerantes a falhas", "tail": "interpretação de linguagem natural", "relation": "Usado-para"}, {"head": "heurísticas de recuperação tolerantes a falhas", "tail": "estruturas de controlo", "relation": "Conjunção"}, {"head": "estruturas de controlo", "tail": "interpretação de linguagem natural", "relation": "Usado-para"}], [{"head": "analisadores de estratégia única", "tail": "abordagem multi‑estratégia", "relation": "Comparado-com"}, {"head": "conhecimento de domínio específico da tarefa", "tail": "conhecimento linguístico geral", "relation": "Conjunção"}], [{"head": "estratégias de análise", "tail": "algoritmo de análise sintática", "relation": "Parte-de"}, {"head": "instanciação de molduras de caso", "tail": "estratégias de análise", "relation": "Hipónimo-de"}], [{"head": "estratégias de análise", "tail": "conjunções", "relation": "Usado-para"}, {"head": "estratégias de análise", "tail": "entrada fragmentária", "relation": "Usado-para"}, {"head": "estratégias de análise", "tail": "estruturas agramaticais", "relation": "Usado-para"}, {"head": "estratégias de análise", "tail": "entrada menos exótica e gramaticalmente correta", "relation": "Usado-para"}, {"head": "conjunções", "tail": "entrada fragmentária", "relation": "Conjunção"}, {"head": "entrada fragmentária", "tail": "estruturas agramaticais", "relation": "Conjunção"}, {"head": "estruturas agramaticais", "tail": "entrada menos exótica e gramaticalmente correta", "relation": "Conjunção"}], [{"head": "heurísticas específicas", "tail": "entrada agramatical", "relation": "Usado-para"}, {"head": "heurísticas específicas", "tail": "estrutura multi‑estratégia", "relation": "Parte-de"}]], "clusters": [["abordagem multi‑estratégia", "estrutura multi‑estratégia"], ["estratégias de análise", "estratégias de análise"]]}
{"doc_id": "INTERSPEECH_2015_16_abs", "text": "Recentemente, Stacked Auto-Encoders -LRB- SAE -RRB- têm sido usados com sucesso para aprendizagem em conjuntos de dados desbalanceados. Neste artigo, pela primeira vez, propomos utilizar um classificador de Rede Neural provido por uma estrutura SAE para detetar os erros cometidos por um forte sistema de Reconhecimento Automático de Fala -LRB- ASR -RRB-. A deteção de erros numa transcrição automática fornecida por um sistema de ASR 'forte', ou seja, que apresenta uma baixa taxa de erro de palavra, é difícil devido ao número limitado de exemplos 'positivos' -LRB- ou seja, palavras reconhecidas erroneamente -RRB- disponíveis para treinar um classificador binário. Neste artigo investigamos e comparamos diferentes tipos de classificadores para detetar automaticamente erros de ASR, incluindo aquele baseado numa arquitetura de auto-codificador empilhado. Mostramos a eficácia deste último medindo e comparando o desempenho nas transcrições automáticas de um corpus em inglês recolhido a partir de palestras TED. O desempenho de cada classificador investigado é avaliado tanto através da curva característica de operação do recetor como através de uma medida, chamada erro médio absoluto, relacionada com a qualidade na previsão da correspondente taxa de erro de palavra. Os resultados demonstram que o classificador baseado em SAE deteta os erros de ASR melhor do que os outros métodos de classificação.", "ner": [[{"text": "Stacked Auto-Encoders -LRB- SAE -RRB-", "type": "Método"}, {"text": "aprendizagem em conjuntos de dados desbalanceados", "type": "Tarefa"}], [{"text": "classificador de Rede Neural", "type": "Método"}, {"text": "estrutura SAE", "type": "Método"}, {"text": "sistema de Reconhecimento Automático de Fala -LRB- ASR -RRB-", "type": "Método"}], [{"text": "deteção de erros", "type": "Tarefa"}, {"text": "transcrição automática", "type": "Material"}, {"text": "sistema de ASR", "type": "Método"}, {"text": "taxa de erro de palavra", "type": "Métrica"}, {"text": "classificador binário", "type": "Método"}], [{"text": "classificadores", "type": "Método"}, {"text": "detetar automaticamente erros de ASR", "type": "Tarefa"}, {"text": "aquele", "type": "Genérico"}, {"text": "arquitetura de auto-codificador empilhado", "type": "Método"}], [{"text": "transcrições automáticas", "type": "Material"}, {"text": "corpus em inglês", "type": "Material"}, {"text": "palestras TED", "type": "Material"}], [{"text": "classificador", "type": "Método"}, {"text": "curva característica de operação do recetor", "type": "Métrica"}, {"text": "medida", "type": "Genérico"}, {"text": "erro médio absoluto", "type": "Métrica"}, {"text": "taxa de erro de palavra", "type": "Métrica"}], [{"text": "classificador", "type": "Método"}, {"text": "SAE", "type": "Método"}, {"text": "erros de ASR", "type": "Outros Termos Científicos"}, {"text": "métodos de classificação", "type": "Método"}]], "relations": [[{"head": "Stacked Auto-Encoders -LRB- SAE -RRB-", "tail": "aprendizagem em conjuntos de dados desbalanceados", "relation": "Usado-para"}], [{"head": "classificador de Rede Neural", "tail": "sistema de Reconhecimento Automático de Fala -LRB- ASR -RRB-", "relation": "Usado-para"}, {"head": "estrutura SAE", "tail": "classificador de Rede Neural", "relation": "Usado-para"}], [{"head": "deteção de erros", "tail": "transcrição automática", "relation": "Usado-para"}], [{"head": "classificadores", "tail": "detetar automaticamente erros de ASR", "relation": "Usado-para"}, {"head": "aquele", "tail": "classificadores", "relation": "Hipónimo-de"}, {"head": "arquitetura de auto-codificador empilhado", "tail": "aquele", "relation": "Usado-para"}], [{"head": "corpus em inglês", "tail": "transcrições automáticas", "relation": "Característica-de"}, {"head": "palestras TED", "tail": "corpus em inglês", "relation": "Usado-para"}], [{"head": "curva característica de operação do recetor", "tail": "classificador", "relation": "Avaliado-para"}, {"head": "curva característica de operação do recetor", "tail": "medida", "relation": "Conjunção"}, {"head": "medida", "tail": "classificador", "relation": "Avaliado-para"}], [{"head": "classificador", "tail": "erros de ASR", "relation": "Usado-para"}, {"head": "classificador", "tail": "métodos de classificação", "relation": "Comparado-com"}, {"head": "SAE", "tail": "classificador", "relation": "Usado-para"}, {"head": "métodos de classificação", "tail": "erros de ASR", "relation": "Usado-para"}]], "clusters": [["sistema de Reconhecimento Automático de Fala -LRB- ASR -RRB-", "sistema de ASR"], ["Stacked Auto-Encoders -LRB- SAE -RRB-", "estrutura SAE", "arquitetura de auto-codificador empilhado", "SAE"], ["medida", "erro médio absoluto"]]}
{"doc_id": "INTERSPEECH_2006_31_abs", "text": "No âmbito da Rede de Excelência PASCAL da UE, foi organizado um desafio para conceber um algoritmo estatístico de aprendizagem automática que segmenta as palavras nas menores unidades de língua portadoras de significado, os morfemas. Idealmente, estas são unidades básicas de vocabulário adequadas para diferentes tarefas, como compreensão da fala e do texto, tradução automática, recuperação de informação e modelização estatística da linguagem. Doze grupos de investigação participaram no desafio e submeteram resultados de segmentação obtidos pelos seus algoritmos. Neste artigo, avaliamos a aplicação destes algoritmos de segmentação ao reconhecimento de fala de grande vocabulário, utilizando modelos de linguagem estatísticos de n-gramas baseados nos segmentos de palavras propostos em vez de palavras inteiras. Foram realizados experiências para duas línguas aglutinantes e morfologicamente ricas: finlandês e turco. Investigamos também a combinação de várias segmentações para melhorar o desempenho do reconhecedor.", "ner": [[{"text": "algoritmo estatístico de aprendizagem automática", "type": "Método"}, {"text": "menores unidades de língua portadoras de significado", "type": "Outros Termos Científicos"}, {"text": "morfemas", "type": "Outros Termos Científicos"}], [{"text": "estas", "type": "Genérico"}, {"text": "tarefas", "type": "Genérico"}, {"text": "compreensão da fala e do texto", "type": "Tarefa"}, {"text": "tradução automática", "type": "Tarefa"}, {"text": "recuperação de informação", "type": "Tarefa"}, {"text": "modelização estatística da linguagem", "type": "Tarefa"}], [], [{"text": "algoritmos de segmentação", "type": "Método"}, {"text": "reconhecimento de fala de grande vocabulário", "type": "Tarefa"}, {"text": "modelos de linguagem estatísticos de n-gramas", "type": "Método"}], [{"text": "línguas aglutinantes e morfologicamente ricas", "type": "Material"}, {"text": "finlandês", "type": "Material"}, {"text": "turco", "type": "Material"}], []], "relations": [[{"head": "algoritmo estatístico de aprendizagem automática", "tail": "menores unidades de língua portadoras de significado", "relation": "Usado-para"}, {"head": "morfemas", "tail": "menores unidades de língua portadoras de significado", "relation": "Hipónimo-de"}], [{"head": "estas", "tail": "tarefas", "relation": "Usado-para"}, {"head": "compreensão da fala e do texto", "tail": "tarefas", "relation": "Hipónimo-de"}, {"head": "compreensão da fala e do texto", "tail": "tradução automática", "relation": "Conjunção"}, {"head": "tradução automática", "tail": "tarefas", "relation": "Hipónimo-de"}, {"head": "tradução automática", "tail": "recuperação de informação", "relation": "Conjunção"}, {"head": "recuperação de informação", "tail": "tarefas", "relation": "Hipónimo-de"}, {"head": "recuperação de informação", "tail": "modelização estatística da linguagem", "relation": "Conjunção"}, {"head": "modelização estatística da linguagem", "tail": "tarefas", "relation": "Hipónimo-de"}], [], [{"head": "algoritmos de segmentação", "tail": "reconhecimento de fala de grande vocabulário", "relation": "Usado-para"}, {"head": "modelos de linguagem estatísticos de n-gramas", "tail": "algoritmos de segmentação", "relation": "Avaliado-para"}], [{"head": "finlandês", "tail": "línguas aglutinantes e morfologicamente ricas", "relation": "Hipónimo-de"}, {"head": "finlandês", "tail": "turco", "relation": "Conjunção"}, {"head": "turco", "tail": "línguas aglutinantes e morfologicamente ricas", "relation": "Hipónimo-de"}], []], "clusters": [["morfemas", "estas"]]}
{"doc_id": "H92-1003", "text": "Este artigo descreve um corpus de linguagem falada recentemente recolhido para o domínio ATIS -LRB- Sistema de Informação de Viagens Aéreas -RRB- . Este esforço de recolha de dados foi coordenado pelo MADCOW -LRB- Grupo de Trabalho de Recolha de Dados ATIS Multi-site -RRB- . Resumimos a motivação para este esforço , os objetivos , a implementação de um paradigma de recolha de dados multi-site e as realizações do MADCOW na monitorização da recolha e distribuição de 12.000 enunciados de fala espontânea de cinco locais para utilização numa avaliação comum multi-site de fala , linguagem natural e linguagem falada .", "ner": [[{"text": "corpus de linguagem falada", "type": "Material"}, {"text": "domínio ATIS -LRB- Sistema de Informação de Viagens Aéreas -RRB-", "type": "Tarefa"}], [{"text": "recolha de dados", "type": "Genérico"}], [{"text": "paradigma de recolha de dados multi-site", "type": "Método"}, {"text": "recolha", "type": "Genérico"}, {"text": "fala espontânea", "type": "Material"}, {"text": "avaliação comum multi-site de fala , linguagem natural e linguagem falada", "type": "Tarefa"}]], "relations": [[{"head": "corpus de linguagem falada", "tail": "domínio ATIS -LRB- Sistema de Informação de Viagens Aéreas -RRB-", "relation": "Usado-para"}], [], [{"head": "fala espontânea", "tail": "avaliação comum multi-site de fala , linguagem natural e linguagem falada", "relation": "Avaliado-para"}]], "clusters": [["corpus de linguagem falada", "recolha de dados", "recolha"]]}
{"doc_id": "P03-1005", "text": "Este artigo propõe o Kernel de Grafo Acíclico Dirigido Hierárquico -LRB- HDAG -RRB- para dados estruturados de linguagem natural. O Kernel HDAG aceita diretamente vários níveis de segmentos e das respetivas relações e, em seguida, calcula de forma eficiente a soma ponderada do número de sequências de atributos comuns dos HDAGs. Aplicámos o método proposto a tarefas de classificação de perguntas e alinhamento de frases para avaliar o seu desempenho como medida de similaridade e como função kernel. Os resultados das experiências demonstram que o Kernel HDAG é superior a outras funções kernel e a métodos de referência.", "ner": [[{"text": "Kernel de Grafo Acíclico Dirigido Hierárquico -LRB- HDAG -RRB-", "type": "Método"}, {"text": "dados estruturados de linguagem natural", "type": "Material"}], [{"text": "Kernel HDAG", "type": "Método"}, {"text": "HDAGs", "type": "Método"}], [{"text": "método", "type": "Genérico"}, {"text": "tarefas de classificação de perguntas e alinhamento de frases", "type": "Tarefa"}, {"text": "medida de similaridade", "type": "Métrica"}, {"text": "função kernel", "type": "Método"}], [{"text": "Kernel HDAG", "type": "Método"}, {"text": "funções kernel", "type": "Método"}, {"text": "métodos de referência", "type": "Genérico"}]], "relations": [[{"head": "Kernel de Grafo Acíclico Dirigido Hierárquico -LRB- HDAG -RRB-", "tail": "dados estruturados de linguagem natural", "relation": "Usado-para"}], [], [{"head": "método", "tail": "tarefas de classificação de perguntas e alinhamento de frases", "relation": "Usado-para"}, {"head": "medida de similaridade", "tail": "método", "relation": "Avaliado-para"}, {"head": "medida de similaridade", "tail": "função kernel", "relation": "Conjunção"}, {"head": "função kernel", "tail": "método", "relation": "Avaliado-para"}], [{"head": "Kernel HDAG", "tail": "funções kernel", "relation": "Comparado-com"}, {"head": "Kernel HDAG", "tail": "métodos de referência", "relation": "Comparado-com"}, {"head": "funções kernel", "tail": "métodos de referência", "relation": "Conjunção"}]], "clusters": [["Kernel de Grafo Acíclico Dirigido Hierárquico -LRB- HDAG -RRB-", "Kernel HDAG", "HDAGs", "método", "Kernel HDAG"]]}
{"doc_id": "W08-2122", "text": "Propomos uma solução para o desafio da tarefa partilhada CoNLL 2008 que utiliza um modelo gerativo de variáveis latentes baseado no histórico para prever a derivação mais provável de um analisador de dependências síncronas para ambas as dependências sintácticas e semânticas. O modelo submetido produz um desempenho F1 macro-médio de 79,1 %, para a tarefa conjunta, 86,9 % de dependências sintácticas LAS e 71,0 % de dependências semânticas F1. Um modelo maior treinado após o prazo atinge 80,5 % de F1 macro-médio, 87,6 % de dependências sintácticas LAS e 73,1 % de dependências semânticas F1.", "ner": [[{"text": "tarefa partilhada CoNLL 2008", "type": "Tarefa"}, {"text": "modelo gerativo de variáveis latentes baseado no histórico", "type": "Método"}, {"text": "analisador de dependências síncronas", "type": "Tarefa"}, {"text": "dependências sintácticas e semânticas", "type": "Outros Termos Científicos"}], [{"text": "modelo", "type": "Genérico"}, {"text": "desempenho F1 macro-médio", "type": "Métrica"}, {"text": "tarefa", "type": "Genérico"}, {"text": "dependências sintácticas LAS", "type": "Métrica"}, {"text": "dependências semânticas F1", "type": "Métrica"}], [{"text": "modelo", "type": "Genérico"}, {"text": "F1 macro-médio", "type": "Métrica"}, {"text": "dependências sintácticas LAS", "type": "Métrica"}, {"text": "dependências semânticas F1", "type": "Métrica"}]], "relations": [[{"head": "modelo gerativo de variáveis latentes baseado no histórico", "tail": "tarefa partilhada CoNLL 2008", "relation": "Usado-para"}, {"head": "modelo gerativo de variáveis latentes baseado no histórico", "tail": "analisador de dependências síncronas", "relation": "Usado-para"}, {"head": "analisador de dependências síncronas", "tail": "dependências sintácticas e semânticas", "relation": "Usado-para"}], [{"head": "desempenho F1 macro-médio", "tail": "modelo", "relation": "Avaliado-para"}, {"head": "desempenho F1 macro-médio", "tail": "tarefa", "relation": "Avaliado-para"}, {"head": "dependências sintácticas LAS", "tail": "tarefa", "relation": "Avaliado-para"}, {"head": "dependências sintácticas LAS", "tail": "dependências semânticas F1", "relation": "Conjunção"}, {"head": "dependências semânticas F1", "tail": "tarefa", "relation": "Avaliado-para"}], [{"head": "F1 macro-médio", "tail": "modelo", "relation": "Avaliado-para"}, {"head": "F1 macro-médio", "tail": "dependências sintácticas LAS", "relation": "Conjunção"}, {"head": "dependências sintácticas LAS", "tail": "modelo", "relation": "Avaliado-para"}, {"head": "dependências sintácticas LAS", "tail": "dependências semânticas F1", "relation": "Conjunção"}, {"head": "dependências semânticas F1", "tail": "modelo", "relation": "Avaliado-para"}]], "clusters": [["tarefa partilhada CoNLL 2008", "tarefa"], ["modelo gerativo de variáveis latentes baseado no histórico", "modelo"]]}
{"doc_id": "INTERSPEECH_2000_490_abs", "text": "Atualmente, os modelos N-gram são os modelos mais comuns e amplamente utilizados para modelação estatística da linguagem. Neste artigo, investigámos uma forma alternativa de construir modelos de linguagem, ou seja, utilizando redes neuronais artificiais para aprender o modelo de linguagem. O resultado da nossa experiência mostra que a rede neuronal pode aprender um modelo de linguagem que apresenta um desempenho ainda melhor do que os métodos estatísticos padrão.", "ner": [[{"text": "modelos N-gram", "type": "Método"}, {"text": "modelação estatística da linguagem", "type": "Tarefa"}], [{"text": "modelos de linguagem", "type": "Método"}, {"text": "redes neuronais artificiais", "type": "Método"}, {"text": "modelo de linguagem", "type": "Método"}], [{"text": "rede neuronal", "type": "Método"}, {"text": "modelo de linguagem", "type": "Método"}, {"text": "métodos estatísticos", "type": "Método"}]], "relations": [[{"head": "modelos N-gram", "tail": "modelação estatística da linguagem", "relation": "Usado-para"}], [{"head": "redes neuronais artificiais", "tail": "modelo de linguagem", "relation": "Usado-para"}], [{"head": "rede neuronal", "tail": "modelo de linguagem", "relation": "Usado-para"}, {"head": "rede neuronal", "tail": "métodos estatísticos", "relation": "Comparado-com"}]], "clusters": [["redes neuronais artificiais", "rede neuronal"], ["modelos de linguagem", "modelo de linguagem"]]}
{"doc_id": "CVPR_2012_10_abs", "text": "O reconhecimento automático de expressões faciais tem recebido uma atenção crescente nas últimas duas décadas. Os trabalhos existentes na área geralmente não codificam nem a evolução temporal nem a intensidade das manifestações faciais observadas. Estes também não conseguem modelar conjuntamente dados de comportamento facial multidimensionais (multi-classe) contínuos; em vez disso, são utilizados classificadores binários — um para cada classe de emoção básica alvo. Neste artigo, a topologia intrínseca de dados de afeto facial multidimensionais contínuos é primeiro modelada por uma variedade ordinal. Esta topologia é depois incorporada na framework Hidden Conditional Ordinal Random Field (H-CORF) para regressão ordinal dinâmica, restringindo os parâmetros H-CORF a situarem-se na variedade ordinal. O modelo resultante obtém reconhecimento dinâmico simultâneo e estimação da intensidade das expressões faciais de múltiplas emoções. Tanto quanto sabemos, o método proposto é o primeiro a conseguir isto em dados de afeto facial espontâneos.", "ner": [[{"text": "reconhecimento automático de expressões faciais", "type": "Tarefa"}], [{"text": "trabalhos existentes", "type": "Genérico"}, {"text": "evolução temporal", "type": "Outros Termos Científicos"}, {"text": "intensidade das manifestações faciais observadas", "type": "Outros Termos Científicos"}], [{"text": "Estes", "type": "Genérico"}, {"text": "dados de comportamento facial multidimensionais (multi-classe) contínuos", "type": "Material"}], [{"text": "topologia intrínseca de dados de afeto facial multidimensionais contínuos", "type": "Outros Termos Científicos"}, {"text": "variedade ordinal", "type": "Outros Termos Científicos"}], [{"text": "topologia", "type": "Genérico"}, {"text": "framework Hidden Conditional Ordinal Random Field (H-CORF)", "type": "Método"}, {"text": "regressão ordinal dinâmica", "type": "Tarefa"}, {"text": "parâmetros H-CORF", "type": "Outros Termos Científicos"}, {"text": "variedade ordinal", "type": "Outros Termos Científicos"}], [{"text": "modelo", "type": "Genérico"}, {"text": "reconhecimento dinâmico simultâneo", "type": "Tarefa"}, {"text": "estimação da intensidade das expressões faciais", "type": "Tarefa"}], [{"text": "o método proposto", "type": "Método"}, {"text": "dados de afeto facial espontâneos", "type": "Material"}]], "relations": [[], [{"head": "intensidade das manifestações faciais observadas", "tail": "evolução temporal", "relation": "Conjunção"}], [], [{"head": "variedade ordinal", "tail": "topologia intrínseca de dados de afeto facial multidimensionais contínuos", "relation": "Usado-para"}], [{"head": "topologia", "tail": "framework Hidden Conditional Ordinal Random Field (H-CORF)", "relation": "Parte-de"}, {"head": "framework Hidden Conditional Ordinal Random Field (H-CORF)", "tail": "regressão ordinal dinâmica", "relation": "Usado-para"}], [{"head": "modelo", "tail": "reconhecimento dinâmico simultâneo", "relation": "Usado-para"}, {"head": "modelo", "tail": "estimação da intensidade das expressões faciais", "relation": "Usado-para"}, {"head": "reconhecimento dinâmico simultâneo", "tail": "estimação da intensidade das expressões faciais", "relation": "Conjunção"}], [{"head": "dados de afeto facial espontâneos", "tail": "o método proposto", "relation": "Avaliado-para"}]], "clusters": [["topologia intrínseca de dados de afeto facial multidimensionais contínuos", "topologia"], ["trabalhos existentes", "Estes"], ["modelo", "o método proposto"]]}
{"doc_id": "IJCAI_2010_5_abs", "text": "Avanços recentes em classificação linear mostraram que, para aplicações como a classificação de documentos, o treino pode ser extremamente eficiente. No entanto, a maioria dos métodos de treino existentes é concebida assumindo que os dados podem ser armazenados na memória do computador. Estes métodos não podem ser facilmente aplicados a dados maiores do que a capacidade de memória devido ao acesso aleatório ao disco. Propomos e analisamos um enquadramento de minimização em blocos para dados maiores do que o tamanho da memória. Em cada passo, um bloco de dados é carregado do disco e tratado por certos métodos de aprendizagem. Investigamos duas implementações do enquadramento proposto para SVMs primal e dual, respectivamente. Como os dados não cabem na memória, muitas considerações de conceção são muito diferentes daquelas dos algoritmos tradicionais. Experiências usando conjuntos de dados 20 vezes maiores do que a memória demonstram a eficácia do método proposto.", "ner": [[{"text": "classificação linear", "type": "Tarefa"}, {"text": "aplicações", "type": "Genérico"}, {"text": "classificação de documentos", "type": "Tarefa"}], [{"text": "métodos de treino", "type": "Método"}, {"text": "memória do computador", "type": "Outros Termos Científicos"}], [{"text": "métodos", "type": "Genérico"}, {"text": "dados", "type": "Genérico"}, {"text": "capacidade de memória", "type": "Outros Termos Científicos"}, {"text": "acesso aleatório", "type": "Outros Termos Científicos"}, {"text": "disco", "type": "Outros Termos Científicos"}], [{"text": "enquadramento de minimização em blocos", "type": "Método"}, {"text": "dados", "type": "Genérico"}, {"text": "tamanho da memória", "type": "Outros Termos Científicos"}], [{"text": "disco", "type": "Outros Termos Científicos"}, {"text": "métodos de aprendizagem", "type": "Método"}], [{"text": "enquadramento", "type": "Genérico"}, {"text": "SVMs primal e dual", "type": "Método"}], [], [{"text": "método", "type": "Genérico"}]], "relations": [[{"head": "classificação de documentos", "tail": "aplicações", "relation": "Hipónimo-de"}], [], [{"head": "dados", "tail": "capacidade de memória", "relation": "Comparado-com"}], [{"head": "enquadramento de minimização em blocos", "tail": "dados", "relation": "Usado-para"}, {"head": "dados", "tail": "tamanho da memória", "relation": "Comparado-com"}], [], [{"head": "enquadramento", "tail": "SVMs primal e dual", "relation": "Usado-para"}], [], []], "clusters": [["métodos de treino", "métodos"], ["enquadramento de minimização em blocos", "enquadramento", "método"]]}
{"doc_id": "P06-1012", "text": "As ocorrências de uma palavra retiradas de diferentes domínios podem ter diferentes probabilidades prévias de sentido -LRB- as proporções dos diferentes sentidos de uma palavra -RRB- . Isto , por sua vez , afeta a exatidão dos sistemas de desambiguação do sentido das palavras -LRB- WSD -RRB- treinados e aplicados em diferentes domínios . Este artigo apresenta um método para estimar as probabilidades prévias de sentido de palavras provenientes de um novo domínio e destaca a importância de utilizar probabilidades bem calibradas ao realizar estas estimações . Ao utilizar probabilidades bem calibradas , somos capazes de estimar eficazmente as probabilidades prévias de sentido para obter melhorias significativas na exatidão da WSD .", "ner": [[{"text": "probabilidades prévias de sentido", "type": "Outros Termos Científicos"}], [{"text": "exatidão", "type": "Métrica"}, {"text": "sistemas de desambiguação do sentido das palavras -LRB- WSD -RRB-", "type": "Método"}], [{"text": "método", "type": "Genérico"}, {"text": "probabilidades prévias de sentido de palavras", "type": "Outros Termos Científicos"}, {"text": "novo domínio", "type": "Material"}, {"text": "probabilidades bem calibradas", "type": "Outros Termos Científicos"}, {"text": "estimações", "type": "Genérico"}], [{"text": "probabilidades bem calibradas", "type": "Outros Termos Científicos"}, {"text": "probabilidades prévias de sentido", "type": "Outros Termos Científicos"}, {"text": "exatidão da WSD", "type": "Métrica"}]], "relations": [[], [{"head": "exatidão", "tail": "sistemas de desambiguação do sentido das palavras -LRB- WSD -RRB-", "relation": "Avaliado-para"}], [{"head": "método", "tail": "probabilidades prévias de sentido de palavras", "relation": "Usado-para"}, {"head": "novo domínio", "tail": "probabilidades prévias de sentido de palavras", "relation": "Característica-de"}, {"head": "probabilidades bem calibradas", "tail": "estimações", "relation": "Usado-para"}], [{"head": "probabilidades bem calibradas", "tail": "probabilidades prévias de sentido", "relation": "Usado-para"}]], "clusters": []}
{"doc_id": "L08-1540", "text": "Neste artigo lidamos com uma grande base de dados checa de EMFs recentemente desenvolvida contendo, neste momento, 160 000 EMFs -LRB- tratadas como unidades lexicais -RRB-. Foi compilada a partir de vários recursos, tais como enciclopédias e dicionários, bases de dados públicas de nomes próprios e topónimos, colocações obtidas do Czech WordNet, listas de termos botânicos e zoológicos e outros. Descrevemos a estrutura da base de dados e apresentamos tipos básicos de EMFs de acordo com os domínios a que pertencem. Comparamos a base de dados de EMFs construída com os dados de corpus do Corpus Nacional Checo -LRB- aprox. 100 milhões de ocorrências -RRB- e apresentamos os resultados desta comparação no artigo. Estas EMFs não foram obtidas a partir do corpus, uma vez que as suas frequências nele são bastante baixas. Para obter uma lista mais completa de EMFs, propomos e usamos uma técnica que explora o Word Sketch Engine, o que nos permite trabalhar com parâmetros estatísticos tais como a frequência das EMFs e dos seus componentes, bem como com a saliência das EMFs como um todo. Discutimos também a exploração da base de dados para desenvolver uma etiquetagem e lematização mais adequadas. O objetivo final é ser capaz de reconhecer EMFs em texto de corpus e lematizá-las como unidades lexicais completas, i.e., tornar a etiquetagem e a lematização mais adequadas.", "ner": [[{"text": "grande base de dados checa de EMFs", "type": "Material"}, {"text": "EMFs", "type": "Outros Termos Científicos"}, {"text": "unidades lexicais", "type": "Outros Termos Científicos"}], [{"text": "Foi", "type": "Genérico"}, {"text": "enciclopédias", "type": "Material"}, {"text": "dicionários", "type": "Material"}, {"text": "bases de dados públicas de nomes próprios e topónimos", "type": "Material"}, {"text": "colocações", "type": "Genérico"}, {"text": "Czech WordNet", "type": "Material"}, {"text": "listas de termos botânicos e zoológicos", "type": "Material"}], [{"text": "base de dados", "type": "Genérico"}, {"text": "EMFs", "type": "Outros Termos Científicos"}], [{"text": "base de dados de EMFs", "type": "Material"}, {"text": "Corpus Nacional Checo", "type": "Material"}], [], [], [{"text": "EMFs", "type": "Outros Termos Científicos"}, {"text": "corpus", "type": "Genérico"}], [{"text": "EMFs", "type": "Outros Termos Científicos"}, {"text": "técnica", "type": "Genérico"}, {"text": "Word Sketch Engine", "type": "Tarefa"}, {"text": "parâmetros estatísticos", "type": "Outros Termos Científicos"}, {"text": "EMFs", "type": "Outros Termos Científicos"}, {"text": "EMFs", "type": "Outros Termos Científicos"}], [{"text": "base de dados", "type": "Genérico"}, {"text": "etiquetagem", "type": "Tarefa"}, {"text": "lematização", "type": "Tarefa"}], [{"text": "EMFs", "type": "Outros Termos Científicos"}, {"text": "as", "type": "Genérico"}, {"text": "unidades lexicais", "type": "Outros Termos Científicos"}, {"text": "etiquetagem", "type": "Tarefa"}, {"text": "lematização", "type": "Tarefa"}]], "relations": [[], [{"head": "enciclopédias", "tail": "Foi", "relation": "Usado-para"}, {"head": "enciclopédias", "tail": "dicionários", "relation": "Conjunção"}, {"head": "dicionários", "tail": "Foi", "relation": "Usado-para"}, {"head": "bases de dados públicas de nomes próprios e topónimos", "tail": "Foi", "relation": "Usado-para"}, {"head": "colocações", "tail": "Foi", "relation": "Usado-para"}, {"head": "listas de termos botânicos e zoológicos", "tail": "Foi", "relation": "Usado-para"}, {"head": "listas de termos botânicos e zoológicos", "tail": "colocações", "relation": "Conjunção"}], [], [{"head": "Corpus Nacional Checo", "tail": "base de dados de EMFs", "relation": "Usado-para"}], [], [], [], [{"head": "técnica", "tail": "Word Sketch Engine", "relation": "Usado-para"}, {"head": "parâmetros estatísticos", "tail": "Word Sketch Engine", "relation": "Característica-de"}], [{"head": "base de dados", "tail": "etiquetagem", "relation": "Usado-para"}, {"head": "base de dados", "tail": "lematização", "relation": "Usado-para"}, {"head": "etiquetagem", "tail": "lematização", "relation": "Conjunção"}], [{"head": "EMFs", "tail": "etiquetagem", "relation": "Usado-para"}, {"head": "EMFs", "tail": "lematização", "relation": "Usado-para"}, {"head": "etiquetagem", "tail": "lematização", "relation": "Conjunção"}]], "clusters": [["etiquetagem", "etiquetagem"], ["colocações", "Czech WordNet"], ["grande base de dados checa de EMFs", "Foi", "base de dados", "base de dados de EMFs", "base de dados"], ["Corpus Nacional Checo", "corpus"], ["EMFs", "EMFs", "EMFs"], ["EMFs", "EMFs"], ["lematização", "lematização"], ["EMFs", "as"]]}
{"doc_id": "P03-1068", "text": "Descrevemos a construção em curso de um grande corpus semanticamente anotado como recurso de base fiável para a aquisição em grande escala de informação semântica de palavras, por exemplo, a construção de léxicos independentes de domínio. A espinha dorsal da anotação são os papéis semânticos no paradigma da semântica de frames. Relatamos experiências e avaliamos os dados anotados da primeira fase do projeto. Com base nisto, discutimos os problemas de vagueza e ambiguidade na anotação semântica.", "ner": [[{"text": "corpus semanticamente anotado", "type": "Material"}, {"text": "aquisição em grande escala de informação semântica de palavras", "type": "Tarefa"}, {"text": "construção de léxicos independentes de domínio", "type": "Tarefa"}], [{"text": "anotação", "type": "Outros Termos Científicos"}, {"text": "papéis semânticos", "type": "Outros Termos Científicos"}, {"text": "paradigma da semântica de frames", "type": "Método"}], [{"text": "dados anotados", "type": "Material"}], [{"text": "vagueza", "type": "Outros Termos Científicos"}, {"text": "ambiguidade", "type": "Outros Termos Científicos"}, {"text": "anotação semântica", "type": "Método"}]], "relations": [[{"head": "corpus semanticamente anotado", "tail": "aquisição em grande escala de informação semântica de palavras", "relation": "Usado-para"}, {"head": "construção de léxicos independentes de domínio", "tail": "aquisição em grande escala de informação semântica de palavras", "relation": "Hipónimo-de"}], [{"head": "papéis semânticos", "tail": "paradigma da semântica de frames", "relation": "Parte-de"}], [], [{"head": "vagueza", "tail": "ambiguidade", "relation": "Conjunção"}, {"head": "vagueza", "tail": "anotação semântica", "relation": "Característica-de"}, {"head": "ambiguidade", "tail": "anotação semântica", "relation": "Característica-de"}]], "clusters": []}
{"doc_id": "I05-2048", "text": "A tradução automática estatística -LRB- SMT -RRB- é atualmente um dos pontos quentes no processamento de linguagem natural. Nos últimos anos foram conseguidos progressos dramáticos e várias avaliações comparativas mostraram que a SMT produz resultados competitivos em relação aos sistemas de tradução baseados em regras, exigindo significativamente menos tempo de desenvolvimento. Isto é particularmente importante quando se constroem sistemas de tradução para novos pares de línguas ou novos domínios. Este workshop destina-se a fornecer uma introdução à tradução automática estatística, com foco em considerações práticas. Após a participação neste workshop, os participantes deverão ser capazes de iniciar a construção de um sistema SMT por si próprios e alcançar bons resultados de referência num curto espaço de tempo. O tutorial abrangerá os princípios básicos da SMT: a teoria será posta em prática. O STTK, um kit de ferramentas de tradução automática estatística, será apresentado e utilizado para construir um sistema de tradução funcional. O STTK foi desenvolvido pelo apresentador e colaboradores ao longo de vários anos e é atualmente utilizado como base do sistema SMT da CMU. Foi também acoplado com sucesso a módulos de tradução automática baseados em regras e em exemplos para construir um sistema de tradução automática multi‑motor. O código‑fonte do kit de ferramentas será disponibilizado.", "ner": [[{"text": "A tradução automática estatística -LRB- SMT -RRB-", "type": "Método"}, {"text": "processamento de linguagem natural", "type": "Tarefa"}], [{"text": "SMT", "type": "Método"}, {"text": "sistemas de tradução baseados em regras", "type": "Método"}], [{"text": "sistemas de tradução", "type": "Tarefa"}, {"text": "novos pares de línguas", "type": "Outros Termos Científicos"}, {"text": "novos domínios", "type": "Outros Termos Científicos"}], [{"text": "tradução automática estatística", "type": "Método"}], [{"text": "sistema SMT", "type": "Método"}], [{"text": "SMT", "type": "Método"}], [{"text": "STTK", "type": "Método"}, {"text": "kit de ferramentas de tradução automática estatística", "type": "Método"}, {"text": "sistema de tradução", "type": "Tarefa"}], [{"text": "STTK", "type": "Método"}, {"text": "sistema SMT", "type": "Método"}], [{"text": "Este", "type": "Genérico"}, {"text": "módulos de tradução automática baseados em regras e em exemplos", "type": "Método"}, {"text": "sistema de tradução automática multi‑motor", "type": "Tarefa"}], [{"text": "kit de ferramentas", "type": "Genérico"}]], "relations": [[{"head": "A tradução automática estatística -LRB- SMT -RRB-", "tail": "processamento de linguagem natural", "relation": "Hipónimo-de"}], [{"head": "SMT", "tail": "sistemas de tradução baseados em regras", "relation": "Comparado-com"}], [{"head": "sistemas de tradução", "tail": "novos pares de línguas", "relation": "Usado-para"}, {"head": "sistemas de tradução", "tail": "novos domínios", "relation": "Usado-para"}, {"head": "novos pares de línguas", "tail": "novos domínios", "relation": "Conjunção"}], [], [], [], [{"head": "STTK", "tail": "kit de ferramentas de tradução automática estatística", "relation": "Hipónimo-de"}, {"head": "STTK", "tail": "sistema de tradução", "relation": "Usado-para"}], [{"head": "STTK", "tail": "sistema SMT", "relation": "Usado-para"}], [{"head": "Este", "tail": "módulos de tradução automática baseados em regras e em exemplos", "relation": "Conjunção"}, {"head": "Este", "tail": "sistema de tradução automática multi‑motor", "relation": "Usado-para"}, {"head": "módulos de tradução automática baseados em regras e em exemplos", "tail": "sistema de tradução automática multi‑motor", "relation": "Usado-para"}], []], "clusters": [["A tradução automática estatística -LRB- SMT -RRB-", "SMT", "tradução automática estatística", "sistema SMT", "SMT"], ["sistemas de tradução", "sistema de tradução"], ["STTK", "STTK", "Este", "kit de ferramentas"]]}
{"doc_id": "P03-1050", "text": "Este artigo apresenta uma abordagem de aprendizagem não supervisionada para construir um stemmer não inglês -LRB- árabe -RRB- . O modelo de stemming baseia-se em tradução automática estatística e utiliza um stemmer inglês e um pequeno -LRB- 10K frases -RRB- corpus paralelo como os seus únicos recursos de treino . Não é necessário texto paralelo após a fase de treino . Texto monolingue , não anotado pode ser utilizado para melhorar ainda mais o stemmer , permitindo-lhe adaptar-se a um domínio ou género desejado . Serão apresentados exemplos e resultados para árabe , mas a abordagem é aplicável a qualquer língua que necessite de remoção de afixos . A nossa abordagem económica em recursos resulta em 87,5 % de concordância com um stemmer árabe proprietário de ponta construído utilizando regras , listas de afixos e texto anotado manualmente , além de um componente não supervisionado . A avaliação baseada em tarefas utilizando recuperação de informação em árabe indica uma melhoria de 22-38 % na precisão média em relação a texto não stemmizado , e 96 % do desempenho do stemmer proprietário acima referido .", "ner": [[{"text": "abordagem de aprendizagem não supervisionada", "type": "Método"}, {"text": "stemmer não inglês -LRB- árabe -RRB-", "type": "Tarefa"}], [{"text": "modelo de stemming", "type": "Método"}, {"text": "tradução automática estatística", "type": "Método"}, {"text": "lhe", "type": "Genérico"}, {"text": "stemmer inglês", "type": "Método"}, {"text": "corpus paralelo", "type": "Material"}], [{"text": "texto paralelo", "type": "Material"}], [{"text": "Texto monolingue , não anotado", "type": "Material"}, {"text": "stemmer", "type": "Método"}, {"text": "lhe", "type": "Genérico"}], [{"text": "árabe", "type": "Material"}, {"text": "abordagem", "type": "Genérico"}, {"text": "remoção de afixos", "type": "Outros Termos Científicos"}], [{"text": "abordagem económica em recursos", "type": "Método"}, {"text": "concordância", "type": "Métrica"}, {"text": "stemmer árabe", "type": "Método"}, {"text": "regras", "type": "Outros Termos Científicos"}, {"text": "listas de afixos", "type": "Material"}, {"text": "texto anotado manualmente", "type": "Material"}, {"text": "componente não supervisionado", "type": "Método"}], [{"text": "avaliação baseada em tarefas", "type": "Método"}, {"text": "recuperação de informação em árabe", "type": "Tarefa"}, {"text": "precisão média", "type": "Métrica"}, {"text": "texto não stemmizado", "type": "Material"}, {"text": "stemmer", "type": "Método"}]], "relations": [[{"head": "abordagem de aprendizagem não supervisionada", "tail": "stemmer não inglês -LRB- árabe -RRB-", "relation": "Usado-para"}], [{"head": "tradução automática estatística", "tail": "modelo de stemming", "relation": "Usado-para"}, {"head": "stemmer inglês", "tail": "lhe", "relation": "Usado-para"}, {"head": "corpus paralelo", "tail": "lhe", "relation": "Usado-para"}], [], [{"head": "Texto monolingue , não anotado", "tail": "stemmer", "relation": "Usado-para"}], [], [{"head": "abordagem económica em recursos", "tail": "stemmer árabe", "relation": "Comparado-com"}, {"head": "concordância", "tail": "abordagem económica em recursos", "relation": "Avaliado-para"}, {"head": "concordância", "tail": "stemmer árabe", "relation": "Avaliado-para"}, {"head": "regras", "tail": "stemmer árabe", "relation": "Usado-para"}, {"head": "regras", "tail": "listas de afixos", "relation": "Conjunção"}, {"head": "listas de afixos", "tail": "stemmer árabe", "relation": "Usado-para"}, {"head": "listas de afixos", "tail": "texto anotado manualmente", "relation": "Conjunção"}, {"head": "texto anotado manualmente", "tail": "stemmer árabe", "relation": "Usado-para"}, {"head": "texto anotado manualmente", "tail": "componente não supervisionado", "relation": "Conjunção"}, {"head": "componente não supervisionado", "tail": "stemmer árabe", "relation": "Usado-para"}], [{"head": "recuperação de informação em árabe", "tail": "avaliação baseada em tarefas", "relation": "Usado-para"}, {"head": "precisão média", "tail": "avaliação baseada em tarefas", "relation": "Avaliado-para"}, {"head": "precisão média", "tail": "texto não stemmizado", "relation": "Avaliado-para"}]], "clusters": [["stemmer não inglês -LRB- árabe -RRB-", "modelo de stemming", "lhe", "stemmer", "lhe"], ["abordagem de aprendizagem não supervisionada", "abordagem", "abordagem económica em recursos"], ["stemmer árabe", "stemmer"]]}
{"doc_id": "E93-1025", "text": "Apresentamos uma análise da resolução de elipse em termos de um simples algoritmo de cópia de discurso que prevê corretamente uma ampla gama de fenómenos. O tratamento não sofre de problemas inerentes a análises de identidade de relações. Além disso, em contraste com a abordagem de Dalrymple et al. -LSB- 1991 -RSB-, o tratamento codifica diretamente a distinção intuitiva entre SNs completos e os elementos referenciais que correferem com eles através do que denominamos ligação de papéis. As previsões corretas para vários exemplos problemáticos de elipse resultam naturalmente. Finalmente, a análise estende-se diretamente a outros fenómenos de cópia de discurso.", "ner": [[{"text": "análise da resolução de elipse", "type": "Tarefa"}, {"text": "algoritmo de cópia de discurso", "type": "Método"}], [{"text": "tratamento", "type": "Genérico"}, {"text": "análises de identidade de relações", "type": "Tarefa"}], [{"text": "tratamento", "type": "Genérico"}, {"text": "SNs completos", "type": "Outros Termos Científicos"}, {"text": "elementos referenciais", "type": "Outros Termos Científicos"}, {"text": "ligação de papéis", "type": "Tarefa"}], [{"text": "elipse", "type": "Outros Termos Científicos"}], [{"text": "análise", "type": "Genérico"}, {"text": "fenómenos de cópia de discurso", "type": "Tarefa"}]], "relations": [[], [], [{"head": "SNs completos", "tail": "elementos referenciais", "relation": "Conjunção"}], [], [{"head": "análise", "tail": "fenómenos de cópia de discurso", "relation": "Usado-para"}]], "clusters": [["análise da resolução de elipse", "tratamento", "tratamento", "análise"]]}
{"doc_id": "C86-1105", "text": "Como obter relações hierárquicas (por exemplo, relação superordenada - hipónimo, relação de sinonímia) é um dos problemas mais importantes para a construção de um thesaurus. É apresentado um sistema-piloto para extrair estas relações automaticamente a partir de um dicionário de língua japonesa comum (Shinmeikai Kokugojiten, publicado pela Sansei-do, em formato legível por máquina). São discutidas as características das frases de definição no dicionário, a extração mecânica das relações hierárquicas e a avaliação dos resultados.", "ner": [[{"text": "relações hierárquicas", "type": "Outros Termos Científicos"}, {"text": "relação superordenada - hipónimo", "type": "Outros Termos Científicos"}, {"text": "relação de sinonímia", "type": "Outros Termos Científicos"}, {"text": "construção de um thesaurus", "type": "Tarefa"}], [{"text": "relações", "type": "Genérico"}, {"text": "dicionário de língua japonesa", "type": "Material"}], [{"text": "características", "type": "Outros Termos Científicos"}, {"text": "frases de definição", "type": "Outros Termos Científicos"}, {"text": "dicionário", "type": "Genérico"}, {"text": "relações hierárquicas", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "relações hierárquicas", "tail": "construção de um thesaurus", "relation": "Parte-de"}, {"head": "relação superordenada - hipónimo", "tail": "relações hierárquicas", "relation": "Hipónimo-de"}, {"head": "relação superordenada - hipónimo", "tail": "relação de sinonímia", "relation": "Conjunção"}, {"head": "relação de sinonímia", "tail": "relações hierárquicas", "relation": "Hipónimo-de"}], [{"head": "dicionário de língua japonesa", "tail": "relações", "relation": "Usado-para"}], [{"head": "frases de definição", "tail": "características", "relation": "Usado-para"}, {"head": "frases de definição", "tail": "dicionário", "relation": "Parte-de"}]], "clusters": [["dicionário de língua japonesa", "dicionário"], ["relações hierárquicas", "relações", "relações hierárquicas"]]}
{"doc_id": "ICCV_2005_47_abs", "text": "Imagens faciais de vistas não frontais sob fraca iluminação e com baixa resolução reduzem drasticamente a precisão do reconhecimento facial. Isto é evidente de forma particularmente convincente pela taxa de reconhecimento extremamente baixa de todos os sistemas de reconhecimento facial existentes quando aplicados a entradas em direto de câmaras de CCTV. Neste artigo, apresentamos uma estrutura Bayesiana para realizar super-resolução de imagens faciais multimodal -LRB- como variações no ponto de vista e na iluminação -RRB- para reconhecimento em espaço tensorial. Dada uma única imagem facial unimodal de baixa resolução, tiramos partido das múltiplas interações de fatores do tensor de treino e super-resolvemos as suas reconstruções de alta resolução através de diferentes modalidades para reconhecimento facial. Em vez de realizar super-resolução no domínio dos píxeis e reconhecimento de forma independente como dois processos sequenciais separados, integramos as tarefas de super-resolução e reconhecimento computando diretamente um vetor de parâmetros de identidade de máxima verosimilhança em espaço tensorial de alta resolução para reconhecimento. Apresentamos resultados de experiências de super-resolução multimodal e reconhecimento facial em diferentes modalidades de imagem, usando imagens de baixa resolução como entradas de teste e demonstramos taxas de reconhecimento melhoradas em relação às representações tensorface e eigenface padrão.", "ner": [[{"text": "Imagens faciais de vistas não frontais", "type": "Tarefa"}, {"text": "precisão do reconhecimento facial", "type": "Métrica"}], [{"text": "taxa de reconhecimento", "type": "Métrica"}, {"text": "sistemas de reconhecimento facial", "type": "Método"}, {"text": "entradas em direto de câmaras de CCTV", "type": "Material"}], [{"text": "estrutura Bayesiana", "type": "Método"}, {"text": "ponto de vista", "type": "Outros Termos Científicos"}, {"text": "iluminação", "type": "Outros Termos Científicos"}, {"text": "super-resolução de imagens faciais", "type": "Tarefa"}, {"text": "reconhecimento", "type": "Tarefa"}, {"text": "espaço tensorial", "type": "Outros Termos Científicos"}], [{"text": "única imagem facial unimodal de baixa resolução", "type": "Material"}, {"text": "múltiplas interações de fatores do tensor de treino", "type": "Outros Termos Científicos"}, {"text": "reconstruções de alta resolução", "type": "Tarefa"}, {"text": "modalidades", "type": "Outros Termos Científicos"}, {"text": "reconhecimento facial", "type": "Tarefa"}], [{"text": "super-resolução no domínio dos píxeis e reconhecimento", "type": "Tarefa"}, {"text": "super-resolução", "type": "Tarefa"}, {"text": "reconhecimento", "type": "Tarefa"}, {"text": "vetor de parâmetros de identidade de máxima verosimilhança", "type": "Outros Termos Científicos"}, {"text": "espaço tensorial de alta resolução", "type": "Outros Termos Científicos"}, {"text": "reconhecimento", "type": "Tarefa"}], [{"text": "super-resolução multimodal e reconhecimento facial", "type": "Tarefa"}, {"text": "modalidades de imagem", "type": "Outros Termos Científicos"}, {"text": "imagens de baixa resolução", "type": "Material"}, {"text": "taxas de reconhecimento", "type": "Métrica"}, {"text": "representações tensorface e eigenface", "type": "Método"}]], "relations": [[], [{"head": "taxa de reconhecimento", "tail": "sistemas de reconhecimento facial", "relation": "Avaliado-para"}, {"head": "entradas em direto de câmaras de CCTV", "tail": "sistemas de reconhecimento facial", "relation": "Usado-para"}], [{"head": "estrutura Bayesiana", "tail": "super-resolução de imagens faciais", "relation": "Usado-para"}, {"head": "ponto de vista", "tail": "iluminação", "relation": "Conjunção"}, {"head": "super-resolução de imagens faciais", "tail": "reconhecimento", "relation": "Usado-para"}, {"head": "espaço tensorial", "tail": "reconhecimento", "relation": "Característica-de"}], [{"head": "única imagem facial unimodal de baixa resolução", "tail": "reconstruções de alta resolução", "relation": "Usado-para"}, {"head": "múltiplas interações de fatores do tensor de treino", "tail": "reconstruções de alta resolução", "relation": "Usado-para"}, {"head": "reconstruções de alta resolução", "tail": "reconhecimento facial", "relation": "Usado-para"}, {"head": "modalidades", "tail": "reconstruções de alta resolução", "relation": "Característica-de"}], [{"head": "super-resolução", "tail": "super-resolução no domínio dos píxeis e reconhecimento", "relation": "Hipónimo-de"}, {"head": "super-resolução", "tail": "reconhecimento", "relation": "Conjunção"}, {"head": "reconhecimento", "tail": "super-resolução no domínio dos píxeis e reconhecimento", "relation": "Hipónimo-de"}, {"head": "vetor de parâmetros de identidade de máxima verosimilhança", "tail": "super-resolução", "relation": "Usado-para"}, {"head": "vetor de parâmetros de identidade de máxima verosimilhança", "tail": "reconhecimento", "relation": "Usado-para"}, {"head": "vetor de parâmetros de identidade de máxima verosimilhança", "tail": "reconhecimento", "relation": "Usado-para"}, {"head": "espaço tensorial de alta resolução", "tail": "vetor de parâmetros de identidade de máxima verosimilhança", "relation": "Característica-de"}], [{"head": "imagens de baixa resolução", "tail": "super-resolução multimodal e reconhecimento facial", "relation": "Usado-para"}, {"head": "taxas de reconhecimento", "tail": "super-resolução multimodal e reconhecimento facial", "relation": "Avaliado-para"}, {"head": "taxas de reconhecimento", "tail": "representações tensorface e eigenface", "relation": "Avaliado-para"}]], "clusters": [["super-resolução de imagens faciais", "super-resolução"], ["reconhecimento", "reconhecimento facial", "reconhecimento", "reconhecimento"]]}
{"doc_id": "N03-2036", "text": "Neste artigo, descrevemos um modelo de unigramas baseado em frases para tradução automática estatística que utiliza um conjunto de parâmetros de modelo muito mais simples do que modelos baseados em frases semelhantes. As unidades de tradução são blocos – pares de frases. Durante a decodificação, usamos um modelo de unigramas de blocos e um modelo de língua trigramas baseado em palavras. Durante o treino, os blocos são aprendidos a partir de projeções de intervalos de origem usando um alinhamento de palavras subjacente. Apresentamos resultados experimentais sobre critérios de seleção de blocos baseados em contagens de unigramas e comprimento de frases.", "ner": [[{"text": "modelo de unigramas baseado em frases", "type": "Método"}, {"text": "tradução automática estatística", "type": "Tarefa"}, {"text": "parâmetros de modelo", "type": "Outros Termos Científicos"}, {"text": "modelos baseados em frases", "type": "Método"}], [{"text": "blocos", "type": "Outros Termos Científicos"}], [{"text": "decodificação", "type": "Tarefa"}, {"text": "modelo de unigramas de blocos", "type": "Método"}, {"text": "modelo de língua trigramas baseado em palavras", "type": "Método"}], [{"text": "treino", "type": "Tarefa"}, {"text": "blocos", "type": "Outros Termos Científicos"}, {"text": "projeções de intervalos de origem", "type": "Método"}, {"text": "alinhamento de palavras", "type": "Método"}], [{"text": "critérios de seleção de blocos", "type": "Métrica"}, {"text": "contagens de unigramas", "type": "Outros Termos Científicos"}, {"text": "comprimento de frases", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "modelo de unigramas baseado em frases", "tail": "tradução automática estatística", "relation": "Usado-para"}, {"head": "modelo de unigramas baseado em frases", "tail": "modelos baseados em frases", "relation": "Comparado-com"}, {"head": "parâmetros de modelo", "tail": "modelo de unigramas baseado em frases", "relation": "Usado-para"}], [], [{"head": "modelo de unigramas de blocos", "tail": "decodificação", "relation": "Usado-para"}, {"head": "modelo de língua trigramas baseado em palavras", "tail": "decodificação", "relation": "Usado-para"}, {"head": "modelo de língua trigramas baseado em palavras", "tail": "modelo de unigramas de blocos", "relation": "Conjunção"}], [{"head": "projeções de intervalos de origem", "tail": "blocos", "relation": "Usado-para"}, {"head": "alinhamento de palavras", "tail": "projeções de intervalos de origem", "relation": "Usado-para"}], [{"head": "contagens de unigramas", "tail": "critérios de seleção de blocos", "relation": "Usado-para"}, {"head": "contagens de unigramas", "tail": "comprimento de frases", "relation": "Conjunção"}, {"head": "comprimento de frases", "tail": "critérios de seleção de blocos", "relation": "Usado-para"}]], "clusters": [["blocos", "blocos"]]}
{"doc_id": "NIPS_2001_10_abs", "text": "Este artigo desenvolve uma nova abordagem para deteção extremamente rápida em domínios onde a distribuição de exemplos positivos e negativos é altamente enviesada -LRB- por exemplo, deteção de faces ou recuperação de bases de dados -RRB- . Em tais domínios, uma cascata de classificadores simples, cada um treinado para alcançar altas taxas de deteção e modestas taxas de falsos positivos, pode produzir um detetor final com muitas características desejáveis: incluindo altas taxas de deteção, taxas de falsos positivos muito baixas e desempenho rápido. Alcançar taxas de deteção extremamente altas, em vez de erro baixo, não é uma tarefa tipicamente abordada por algoritmos de aprendizagem automática. Propomos uma nova variante do AdaBoost como um mecanismo para treinar os classificadores simples usados na cascata. Resultados experimentais no domínio da deteção de faces mostram que o algoritmo de treino produz melhorias significativas no desempenho em relação ao AdaBoost convencional. O sistema de deteção de faces final consegue processar 15 frames por segundo, alcança mais de 90 % de deteção e uma taxa de falsos positivos de 1 em 1 000 000.", "ner": [[{"text": "abordagem", "type": "Genérico"}, {"text": "deteção extremamente rápida", "type": "Tarefa"}, {"text": "distribuição", "type": "Outros Termos Científicos"}, {"text": "exemplos positivos e negativos", "type": "Material"}, {"text": "deteção de faces", "type": "Tarefa"}, {"text": "recuperação de bases de dados", "type": "Tarefa"}], [{"text": "cascata de classificadores simples", "type": "Método"}, {"text": "classificadores", "type": "Método"}, {"text": "taxas de deteção", "type": "Métrica"}, {"text": "modestas taxas de falsos positivos", "type": "Métrica"}, {"text": "detetor", "type": "Genérico"}, {"text": "características", "type": "Outros Termos Científicos"}, {"text": "taxas de deteção", "type": "Métrica"}, {"text": "taxas de falsos positivos", "type": "Métrica"}, {"text": "desempenho rápido", "type": "Métrica"}], [{"text": "taxas de deteção", "type": "Métrica"}, {"text": "erro baixo", "type": "Métrica"}, {"text": "algoritmos de aprendizagem automática", "type": "Método"}], [{"text": "AdaBoost", "type": "Método"}, {"text": "classificadores", "type": "Outros Termos Científicos"}, {"text": "cascata", "type": "Genérico"}], [{"text": "deteção de faces", "type": "Tarefa"}, {"text": "algoritmo de treino", "type": "Método"}, {"text": "AdaBoost", "type": "Método"}], [{"text": "sistema de deteção de faces", "type": "Método"}, {"text": "deteção", "type": "Métrica"}, {"text": "taxa de falsos positivos", "type": "Métrica"}]], "relations": [[{"head": "abordagem", "tail": "deteção extremamente rápida", "relation": "Usado-para"}, {"head": "deteção de faces", "tail": "recuperação de bases de dados", "relation": "Conjunção"}], [{"head": "cascata de classificadores simples", "tail": "detetor", "relation": "Usado-para"}, {"head": "taxas de deteção", "tail": "classificadores", "relation": "Avaliado-para"}, {"head": "taxas de deteção", "tail": "modestas taxas de falsos positivos", "relation": "Conjunção"}, {"head": "modestas taxas de falsos positivos", "tail": "classificadores", "relation": "Avaliado-para"}, {"head": "características", "tail": "detetor", "relation": "Característica-de"}], [{"head": "taxas de deteção", "tail": "erro baixo", "relation": "Comparado-com"}], [{"head": "AdaBoost", "tail": "classificadores", "relation": "Usado-para"}, {"head": "classificadores", "tail": "cascata", "relation": "Usado-para"}], [{"head": "algoritmo de treino", "tail": "deteção de faces", "relation": "Usado-para"}, {"head": "AdaBoost", "tail": "deteção de faces", "relation": "Usado-para"}, {"head": "AdaBoost", "tail": "algoritmo de treino", "relation": "Comparado-com"}], [{"head": "deteção", "tail": "taxa de falsos positivos", "relation": "Conjunção"}]], "clusters": [["classificadores", "classificadores"], ["taxas de deteção", "taxas de deteção", "taxas de deteção"], ["cascata de classificadores simples", "cascata"], ["deteção de faces", "deteção de faces"], ["abordagem", "sistema de deteção de faces"]]}
{"doc_id": "CVPR_2016_15_abs", "text": "Este artigo propõe um método para aprender incorporações conjuntas de imagens e texto usando uma rede neuronal de dois ramos com múltiplas camadas de projeções lineares seguidas de não linearidades. A rede é treinada usando um objetivo de grande margem que combina restrições de ordenação entre vistas com restrições de preservação da estrutura de vizinhança dentro da mesma vista, inspiradas na literatura de aprendizagem de métricas. Experiências extensivas mostram que a nossa abordagem obtém melhorias significativas na precisão para recuperação de imagem‑para‑texto e texto‑para‑imagem. O nosso método atinge novos resultados de topo do estado da arte nos conjuntos de dados de frases de imagem Flickr30K e MSCOCO e mostra potencial na nova tarefa de localização de expressões no conjunto de dados Flickr30K Entities.", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "incorporações conjuntas de imagens e texto", "type": "Outros Termos Científicos"}, {"text": "rede neuronal de dois ramos", "type": "Método"}, {"text": "múltiplas camadas de projeções lineares", "type": "Outros Termos Científicos"}, {"text": "não linearidades", "type": "Outros Termos Científicos"}], [{"text": "rede", "type": "Genérico"}, {"text": "objetivo de grande margem", "type": "Outros Termos Científicos"}, {"text": "restrições de ordenação entre vistas", "type": "Outros Termos Científicos"}, {"text": "restrições de preservação da estrutura de vizinhança dentro da mesma vista", "type": "Outros Termos Científicos"}, {"text": "literatura de aprendizagem de métricas", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "precisão", "type": "Métrica"}, {"text": "recuperação de imagem‑para‑texto e texto‑para‑imagem", "type": "Tarefa"}], [{"text": "método", "type": "Genérico"}, {"text": "conjuntos de dados de frases de imagem Flickr30K e MSCOCO", "type": "Material"}, {"text": "localização de expressões", "type": "Tarefa"}, {"text": "conjunto de dados Flickr30K Entities", "type": "Material"}]], "relations": [[{"head": "método", "tail": "incorporações conjuntas de imagens e texto", "relation": "Usado-para"}, {"head": "rede neuronal de dois ramos", "tail": "método", "relation": "Usado-para"}, {"head": "múltiplas camadas de projeções lineares", "tail": "rede neuronal de dois ramos", "relation": "Parte-de"}, {"head": "múltiplas camadas de projeções lineares", "tail": "não linearidades", "relation": "Conjunção"}, {"head": "não linearidades", "tail": "rede neuronal de dois ramos", "relation": "Parte-de"}], [{"head": "objetivo de grande margem", "tail": "rede", "relation": "Usado-para"}, {"head": "restrições de ordenação entre vistas", "tail": "objetivo de grande margem", "relation": "Característica-de"}, {"head": "restrições de ordenação entre vistas", "tail": "restrições de preservação da estrutura de vizinhança dentro da mesma vista", "relation": "Conjunção"}, {"head": "restrições de preservação da estrutura de vizinhança dentro da mesma vista", "tail": "objetivo de grande margem", "relation": "Característica-de"}], [{"head": "precisão", "tail": "abordagem", "relation": "Avaliado-para"}, {"head": "recuperação de imagem‑para‑texto e texto‑para‑imagem", "tail": "abordagem", "relation": "Avaliado-para"}], [{"head": "conjuntos de dados de frases de imagem Flickr30K e MSCOCO", "tail": "método", "relation": "Avaliado-para"}, {"head": "localização de expressões", "tail": "método", "relation": "Avaliado-para"}, {"head": "conjunto de dados Flickr30K Entities", "tail": "localização de expressões", "relation": "Usado-para"}]], "clusters": [["rede neuronal de dois ramos", "rede"], ["método", "abordagem", "método"]]}
{"doc_id": "N06-2009", "text": "Os sistemas de Resposta a Perguntas -LRB- QA -RRB- de última geração são muito sensíveis a variações na formulação de uma necessidade de informação. Encontrar a linguagem preferida para tal necessidade é uma tarefa valiosa. Investigamos essa afirmação adotando uma técnica de parafraseamento baseada em MT e avaliando o desempenho de um sistema de QA em perguntas parafraseadas. Verificámos um potencial aumento de 35 % em MRR em relação à pergunta original.", "ner": [[{"text": "sistemas de Resposta a Perguntas -LRB- QA -RRB-", "type": "Método"}], [], [{"text": "técnica de parafraseamento baseada em MT", "type": "Método"}, {"text": "sistema de QA", "type": "Método"}, {"text": "perguntas parafraseadas", "type": "Material"}], [{"text": "MRR", "type": "Métrica"}]], "relations": [[], [], [{"head": "técnica de parafraseamento baseada em MT", "tail": "sistema de QA", "relation": "Usado-para"}, {"head": "perguntas parafraseadas", "tail": "sistema de QA", "relation": "Avaliado-para"}], []], "clusters": [["sistemas de Resposta a Perguntas -LRB- QA -RRB-", "sistema de QA"]]}
{"doc_id": "N03-4004", "text": "O Assistente Automatizado de Analista TAP-XL é uma aplicação concebida para ajudar um analista de língua inglesa a escrever um relatório temático, recolhendo informação a partir de um grande fluxo de dados multilingues e multimédia. Dá aos utilizadores a capacidade de dedicar o seu tempo a encontrar mais dados relevantes para a sua tarefa e dá-lhes alcance translinguístico para outras línguas, tirando partido da tecnologia de linguagem humana.", "ner": [[{"text": "Assistente Automatizado de Analista TAP-XL", "type": "Tarefa"}, {"text": "dados multilingues e multimédia", "type": "Material"}], [{"text": "Ele", "type": "Genérico"}, {"text": "tecnologia de linguagem humana", "type": "Método"}]], "relations": [[{"head": "dados multilingues e multimédia", "tail": "Assistente Automatizado de Analista TAP-XL", "relation": "Usado-para"}], [{"head": "tecnologia de linguagem humana", "tail": "Ele", "relation": "Usado-para"}]], "clusters": [["Assistente Automatizado de Analista TAP-XL", "Ele"]]}
{"doc_id": "C88-1007", "text": "Este artigo discute a aplicação da Gramática Categorial de Unificação -LRB- UCG -RRB- ao enquadramento das Gramáticas Isomórficas para Tradução Automática iniciado por Landsbergen. A abordagem das Gramáticas Isomórficas à TA envolve o desenvolvimento em paralelo das gramáticas das línguas de Origem e de Chegada, de modo a garantir que as expressões LO e LC que se encontram na relação de tradução tenham derivações isomórficas. A principal vantagem desta abordagem é que o conhecimento relativo à equivalência de tradução de expressões pode ser explorado diretamente, tornando desnecessárias respostas a questões semânticas que ainda não possuímos. Informação semântica e de outro tipo pode ainda ser incorporada, mas como restrições sobre a relação de tradução e não como níveis de representação textual. Depois de introduzir esta abordagem ao desenho de sistemas de TA e os conceitos básicos da UCG monolingue, mostraremos como as duas podem ser integradas e apresentaremos um exemplo retirado de um fragmento inglês-espanhol bidirecional implementado. Finalmente, apresentaremos alguns problemas em aberto relacionados com a abordagem.", "ner": [[{"text": "Gramática Categorial de Unificação -LRB- UCG -RRB-", "type": "Método"}, {"text": "Gramáticas Isomórficas", "type": "Método"}, {"text": "Tradução Automática", "type": "Tarefa"}], [{"text": "abordagem das Gramáticas Isomórficas", "type": "Método"}, {"text": "TA", "type": "Tarefa"}, {"text": "relação de tradução", "type": "Outros Termos Científicos"}, {"text": "derivações isomórficas", "type": "Outros Termos Científicos"}], [], [{"text": "relação de tradução", "type": "Outros Termos Científicos"}, {"text": "representação textual", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "desenho de sistemas de TA", "type": "Tarefa"}, {"text": "UCG monolingue", "type": "Tarefa"}, {"text": "duas", "type": "Genérico"}, {"text": "fragmento inglês-espanhol bidirecional", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}]], "relations": [[{"head": "Gramática Categorial de Unificação -LRB- UCG -RRB-", "tail": "Gramáticas Isomórficas", "relation": "Usado-para"}, {"head": "Gramáticas Isomórficas", "tail": "Tradução Automática", "relation": "Usado-para"}], [{"head": "abordagem das Gramáticas Isomórficas", "tail": "TA", "relation": "Usado-para"}], [], [], [{"head": "abordagem", "tail": "desenho de sistemas de TA", "relation": "Usado-para"}, {"head": "abordagem", "tail": "UCG monolingue", "relation": "Usado-para"}, {"head": "desenho de sistemas de TA", "tail": "UCG monolingue", "relation": "Conjunção"}, {"head": "desenho de sistemas de TA", "tail": "duas", "relation": "Hipónimo-de"}, {"head": "UCG monolingue", "tail": "duas", "relation": "Hipónimo-de"}], []], "clusters": [["Gramáticas Isomórficas", "abordagem das Gramáticas Isomórficas", "abordagem", "abordagem"], ["Tradução Automática", "TA", "desenho de sistemas de TA"]]}
{"doc_id": "ICCV_2011_50_abs", "text": "No domínio da segurança, um problema-chave é identificar comportamentos raros de interesse. Exemplos de treino para estes comportamentos podem ou não existir e, caso existam, haverá poucos exemplos, muito provavelmente apenas um. Apresentamos um novo algoritmo fracamente supervisionado que pode detetar comportamentos que nunca foram vistos antes ou para os quais existem poucos exemplos. O contexto global é modelado, permitindo a deteção de comportamentos anómalos que, isoladamente, parecem normais. São considerados aspetos pragmáticos, de forma a que não seja necessária afinação de parâmetros e que seja alcançado desempenho em tempo real.", "ner": [[{"text": "domínio da segurança", "type": "Tarefa"}, {"text": "identificar comportamentos raros de interesse", "type": "Tarefa"}, {"text": "comportamentos raros de interesse", "type": "Outros Termos Científicos"}], [{"text": "Exemplos de treino", "type": "Material"}, {"text": "comportamentos", "type": "Genérico"}, {"text": "estes", "type": "Genérico"}], [{"text": "algoritmo fracamente supervisionado", "type": "Método"}, {"text": "comportamentos", "type": "Outros Termos Científicos"}], [{"text": "contexto global", "type": "Outros Termos Científicos"}, {"text": "deteção de comportamentos anómalos", "type": "Tarefa"}], [{"text": "aspetos pragmáticos", "type": "Outros Termos Científicos"}, {"text": "afinação de parâmetros", "type": "Método"}]], "relations": [[{"head": "identificar comportamentos raros de interesse", "tail": "domínio da segurança", "relation": "Parte-de"}], [{"head": "Exemplos de treino", "tail": "comportamentos", "relation": "Usado-para"}], [{"head": "algoritmo fracamente supervisionado", "tail": "comportamentos", "relation": "Usado-para"}], [{"head": "contexto global", "tail": "deteção de comportamentos anómalos", "relation": "Usado-para"}], []], "clusters": [["Exemplos de treino", "estes"], ["comportamentos raros de interesse", "comportamentos"], ["identificar comportamentos raros de interesse", "deteção de comportamentos anómalos"]]}
{"doc_id": "C88-2130", "text": "Desenvolvemos um modelo computacional do processo de descrever a disposição de um apartamento ou casa, uma tarefa de discurso muito estudada, inicialmente caracterizada linguisticamente por Linde -LRB- 1974 -RRB-. O modelo está incorporado num programa, APT, que pode reproduzir segmentos de descrições reais gravadas em fita, utilizando estratégias organizacionais e de discurso derivadas da análise do nosso corpus.", "ner": [[{"text": "modelo computacional", "type": "Genérico"}, {"text": "tarefa de discurso", "type": "Tarefa"}], [{"text": "modelo", "type": "Genérico"}, {"text": "programa", "type": "Genérico"}, {"text": "APT", "type": "Método"}, {"text": "estratégias organizacionais e de discurso", "type": "Método"}]], "relations": [[{"head": "modelo computacional", "tail": "tarefa de discurso", "relation": "Usado-para"}], [{"head": "modelo", "tail": "programa", "relation": "Parte-de"}, {"head": "estratégias organizacionais e de discurso", "tail": "APT", "relation": "Usado-para"}]], "clusters": [["programa", "APT"], ["modelo computacional", "modelo"]]}
{"doc_id": "H01-1070", "text": "Este artigo propõe uma abordagem prática que emprega modelos de n-gramas e regras de correção de erros para previsão de teclas em tailandês e identificação de língua tailandês-inglês. O artigo também propõe um algoritmo de redução de regras que aplica informação mútua para reduzir as regras de correção de erros. O nosso algoritmo apresentou mais de 99 % de precisão tanto na identificação de língua como na previsão de teclas.", "ner": [[{"text": "abordagem", "type": "Genérico"}, {"text": "modelos de n-gramas", "type": "Método"}, {"text": "regras de correção de erros", "type": "Método"}, {"text": "previsão de teclas em tailandês", "type": "Tarefa"}, {"text": "identificação de língua tailandês-inglês", "type": "Tarefa"}], [{"text": "algoritmo de redução de regras", "type": "Método"}, {"text": "informação mútua", "type": "Outros Termos Científicos"}, {"text": "regras de correção de erros", "type": "Outros Termos Científicos"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "precisão", "type": "Métrica"}, {"text": "identificação de língua", "type": "Tarefa"}, {"text": "previsão de teclas", "type": "Tarefa"}]], "relations": [[{"head": "abordagem", "tail": "previsão de teclas em tailandês", "relation": "Usado-para"}, {"head": "abordagem", "tail": "identificação de língua tailandês-inglês", "relation": "Usado-para"}, {"head": "modelos de n-gramas", "tail": "abordagem", "relation": "Usado-para"}, {"head": "modelos de n-gramas", "tail": "regras de correção de erros", "relation": "Conjunção"}, {"head": "regras de correção de erros", "tail": "abordagem", "relation": "Usado-para"}, {"head": "previsão de teclas em tailandês", "tail": "identificação de língua tailandês-inglês", "relation": "Conjunção"}], [{"head": "informação mútua", "tail": "algoritmo de redução de regras", "relation": "Usado-para"}, {"head": "informação mútua", "tail": "regras de correção de erros", "relation": "Usado-para"}], [{"head": "algoritmo", "tail": "identificação de língua", "relation": "Usado-para"}, {"head": "algoritmo", "tail": "previsão de teclas", "relation": "Usado-para"}, {"head": "precisão", "tail": "algoritmo", "relation": "Avaliado-para"}]], "clusters": [["abordagem", "algoritmo"]]}
{"doc_id": "H05-1115", "text": "Consideramos o problema de recuperação de frases focadas na pergunta a partir de artigos noticiosos complexos que descrevem histórias com múltiplos eventos publicadas ao longo do tempo. Os anotadores geraram uma lista de perguntas centrais para a compreensão de cada história no nosso corpus. Devido à natureza dinâmica das histórias, muitas perguntas são sensíveis ao tempo -LRB- por exemplo, 'Quantas vítimas foram encontradas?' -RRB-. Os juízes encontraram frases que forneciam uma resposta a cada pergunta. Para abordar o problema de recuperação de frases, aplicamos um método estocástico baseado em grafos para comparar a importância relativa das unidades textuais, que foi previamente usado com sucesso para sumarização genérica. Atualmente, apresentamos uma versão sensível ao tópico do nosso método e hipotetizamos que ele pode superar uma linha de base competitiva, que compara a similaridade de cada frase com a pergunta de entrada através da sobreposição de palavras ponderada por IDF. Nas nossas experiências, o método atinge uma pontuação TRDR significativamente mais alta do que a da linha de base.", "ner": [[{"text": "recuperação de frases focadas na pergunta", "type": "Tarefa"}, {"text": "artigos noticiosos", "type": "Material"}, {"text": "histórias com múltiplos eventos", "type": "Material"}], [], [], [], [], [{"text": "problema de recuperação de frases", "type": "Tarefa"}, {"text": "método estocástico baseado em grafos", "type": "Método"}, {"text": "sumarização genérica", "type": "Tarefa"}], [{"text": "método", "type": "Genérico"}, {"text": "ele", "type": "Genérico"}, {"text": "linha de base", "type": "Genérico"}, {"text": "sobreposição de palavras ponderada por IDF", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "pontuação TRDR", "type": "Métrica"}, {"text": "linha de base", "type": "Genérico"}]], "relations": [[{"head": "artigos noticiosos", "tail": "recuperação de frases focadas na pergunta", "relation": "Usado-para"}, {"head": "histórias com múltiplos eventos", "tail": "artigos noticiosos", "relation": "Característica-de"}], [], [], [], [], [{"head": "método estocástico baseado em grafos", "tail": "problema de recuperação de frases", "relation": "Usado-para"}, {"head": "método estocástico baseado em grafos", "tail": "sumarização genérica", "relation": "Usado-para"}], [{"head": "linha de base", "tail": "ele", "relation": "Comparado-com"}], [{"head": "método", "tail": "linha de base", "relation": "Comparado-com"}, {"head": "pontuação TRDR", "tail": "método", "relation": "Avaliado-para"}, {"head": "pontuação TRDR", "tail": "linha de base", "relation": "Avaliado-para"}]], "clusters": [["método estocástico baseado em grafos", "método", "ele", "método"], ["linha de base", "linha de base"], ["recuperação de frases focadas na pergunta", "problema de recuperação de frases"]]}
{"doc_id": "C90-3046", "text": "Este artigo propõe que a análise de frases deve ser tratada como raciocínio derrotável e apresenta tal tratamento para análises de frases japonesas utilizando um sistema de argumentação de Konolige, que é uma formalização de raciocínio derrotável que inclui argumentos e regras de derrota que captam a derrotabilidade.", "ner": [[{"text": "análise de frases", "type": "Tarefa"}, {"text": "raciocínio derrotável", "type": "Método"}, {"text": "tratamento", "type": "Genérico"}, {"text": "análises de frases japonesas", "type": "Tarefa"}, {"text": "sistema de argumentação", "type": "Método"}, {"text": "formalização de raciocínio derrotável", "type": "Método"}, {"text": "raciocínio derrotável", "type": "Método"}, {"text": "argumentos", "type": "Outros Termos Científicos"}, {"text": "regras de derrota", "type": "Outros Termos Científicos"}, {"text": "derrotabilidade", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "raciocínio derrotável", "tail": "análise de frases", "relation": "Usado-para"}, {"head": "tratamento", "tail": "análises de frases japonesas", "relation": "Usado-para"}, {"head": "sistema de argumentação", "tail": "análises de frases japonesas", "relation": "Usado-para"}, {"head": "argumentos", "tail": "formalização de raciocínio derrotável", "relation": "Parte-de"}, {"head": "argumentos", "tail": "regras de derrota", "relation": "Conjunção"}, {"head": "regras de derrota", "tail": "formalização de raciocínio derrotável", "relation": "Parte-de"}, {"head": "derrotabilidade", "tail": "argumentos", "relation": "Característica-de"}, {"head": "derrotabilidade", "tail": "regras de derrota", "relation": "Característica-de"}]], "clusters": [["raciocínio derrotável", "tratamento", "raciocínio derrotável"]]}
{"doc_id": "INTERSPEECH_2008_21_abs", "text": "Este artigo apresenta uma investigação sobre o sistema de cabeça falante checo. Apresenta uma visão geral dos métodos utilizados para animação de fala visual, parametrização de uma face humana e de uma língua, fontes de dados necessárias e um método de síntese. É utilizado um modelo de animação 3D para um esquema de animação pseudo-muscular para criar tal animação de fala visual que seja utilizável para leitura labial. É apresentada uma extensão do esquema de animação para alcançar deformações mais precisas principalmente na área labial. Além disso, é formulado um problema de formação de trajectórias articulatórias para resolver efeitos de coarticulação labial. É utilizado para o método de síntese baseado numa selecção de alvos articulatórios e numa técnica de interpolação.", "ner": [[{"text": "sistema de cabeça falante checo", "type": "Tarefa"}], [{"text": "métodos", "type": "Genérico"}, {"text": "animação de fala visual", "type": "Tarefa"}, {"text": "método de síntese", "type": "Método"}], [{"text": "modelo de animação 3D", "type": "Método"}, {"text": "esquema de animação pseudo-muscular", "type": "Método"}, {"text": "animação de fala visual", "type": "Tarefa"}, {"text": "leitura labial", "type": "Tarefa"}], [{"text": "esquema de animação", "type": "Método"}], [{"text": "formação de trajectórias articulatórias", "type": "Tarefa"}, {"text": "efeitos de coarticulação labial", "type": "Outros Termos Científicos"}], [{"text": "É", "type": "Genérico"}, {"text": "método de síntese", "type": "Método"}, {"text": "selecção de alvos articulatórios", "type": "Outros Termos Científicos"}, {"text": "técnica de interpolação", "type": "Método"}]], "relations": [[], [{"head": "métodos", "tail": "animação de fala visual", "relation": "Usado-para"}], [{"head": "modelo de animação 3D", "tail": "esquema de animação pseudo-muscular", "relation": "Usado-para"}, {"head": "esquema de animação pseudo-muscular", "tail": "animação de fala visual", "relation": "Usado-para"}, {"head": "animação de fala visual", "tail": "leitura labial", "relation": "Usado-para"}], [], [{"head": "formação de trajectórias articulatórias", "tail": "efeitos de coarticulação labial", "relation": "Usado-para"}], [{"head": "É", "tail": "método de síntese", "relation": "Usado-para"}, {"head": "selecção de alvos articulatórios", "tail": "É", "relation": "Usado-para"}, {"head": "selecção de alvos articulatórios", "tail": "técnica de interpolação", "relation": "Conjunção"}, {"head": "técnica de interpolação", "tail": "É", "relation": "Usado-para"}]], "clusters": [["animação de fala visual", "animação de fala visual"], ["formação de trajectórias articulatórias", "É"]]}
{"doc_id": "A92-1026", "text": "Parte-se frequentemente do princípio de que, quando o processamento de linguagem natural se depara com o mundo real, o ideal de procurar interpretações completas e corretas tem de ser abandonado. No entanto, a nossa experiência com o TACITUS, especialmente na avaliação MUC-3, mostrou que técnicas fundamentadas para análise sintáctica e pragmática podem ser reforçadas com métodos para alcançar robustez. Descrevemos três técnicas para tornar a análise sintáctica mais robusta — um analisador de agenda para agendamento, uma técnica de recuperação para análises falhadas e uma nova técnica chamada análise de subcadeias terminais. Para o processamento pragmático, descrevemos como o método de inferência abductiva é intrinsecamente robusto, na medida em que uma interpretação é sempre possível, de modo que, na ausência do conhecimento do mundo necessário, o desempenho se degrada gradualmente. Cada uma destas técnicas foi avaliada e os resultados das avaliações são apresentados.", "ner": [[{"text": "processamento de linguagem natural", "type": "Tarefa"}], [{"text": "TACITUS", "type": "Método"}, {"text": "avaliação MUC-3", "type": "Métrica"}, {"text": "técnicas", "type": "Genérico"}, {"text": "análise sintáctica e pragmática", "type": "Tarefa"}, {"text": "métodos", "type": "Genérico"}, {"text": "robustez", "type": "Métrica"}], [{"text": "três técnicas", "type": "Genérico"}, {"text": "análise sintáctica", "type": "Tarefa"}, {"text": "analisador de agenda para agendamento", "type": "Método"}, {"text": "técnica de recuperação", "type": "Método"}, {"text": "análises falhadas", "type": "Outros Termos Científicos"}, {"text": "técnica", "type": "Genérico"}, {"text": "análise de subcadeias terminais", "type": "Método"}], [{"text": "processamento pragmático", "type": "Tarefa"}, {"text": "inferência abductiva", "type": "Método"}, {"text": "conhecimento do mundo", "type": "Outros Termos Científicos"}], [{"text": "estas técnicas", "type": "Genérico"}]], "relations": [[], [{"head": "técnicas", "tail": "análise sintáctica e pragmática", "relation": "Usado-para"}, {"head": "robustez", "tail": "métodos", "relation": "Avaliado-para"}], [{"head": "três técnicas", "tail": "análise sintáctica", "relation": "Usado-para"}, {"head": "analisador de agenda para agendamento", "tail": "três técnicas", "relation": "Hipónimo-de"}, {"head": "analisador de agenda para agendamento", "tail": "técnica de recuperação", "relation": "Conjunção"}, {"head": "técnica de recuperação", "tail": "três técnicas", "relation": "Hipónimo-de"}, {"head": "técnica de recuperação", "tail": "análise sintáctica", "relation": "Usado-para"}, {"head": "técnica de recuperação", "tail": "análises falhadas", "relation": "Usado-para"}, {"head": "técnica de recuperação", "tail": "técnica", "relation": "Conjunção"}, {"head": "técnica", "tail": "três técnicas", "relation": "Hipónimo-de"}], [{"head": "inferência abductiva", "tail": "processamento pragmático", "relation": "Usado-para"}], []], "clusters": [["técnica", "análise de subcadeias terminais"]]}
{"doc_id": "P02-1060", "text": "Este artigo propõe um Modelo de Markov Escondido -LRB- HMM -RRB- e um etiquetador de segmentos baseado em HMM, a partir dos quais é construído um sistema de reconhecimento de entidades com nome -LRB- NE -RRB- -LRB- NER -RRB- para reconhecer e classificar nomes, datas e quantidades numéricas. Através do HMM, o nosso sistema é capaz de aplicar e integrar quatro tipos de evidências internas e externas: 1 -RRB- característica interna determinística das palavras, como capitalização e digitalização; 2 -RRB- característica semântica interna de gatilhos importantes; 3 -RRB- característica interna de gazetteer; 4 -RRB- característica externa de macrocontexto. Desta forma, o problema de NER pode ser resolvido de forma eficaz. A avaliação do nosso sistema nas tarefas de NE em inglês do MUC-6 e MUC-7 atinge F-medidas de 96,6 % e 94,1 %, respetivamente. Mostra que o desempenho é significativamente melhor do que o reportado por qualquer outro sistema de aprendizagem automática. Além disso, o desempenho é ainda consistentemente melhor do que o dos sistemas baseados em regras elaboradas manualmente.", "ner": [[{"text": "Modelo de Markov Escondido -LRB- HMM -RRB-", "type": "Método"}, {"text": "etiquetador de segmentos baseado em HMM", "type": "Método"}, {"text": "sistema de reconhecimento de entidades com nome -LRB- NE -RRB- -LRB- NER -RRB-", "type": "Método"}, {"text": "nomes", "type": "Outros Termos Científicos"}, {"text": "datas e quantidades numéricas", "type": "Outros Termos Científicos"}], [{"text": "HMM", "type": "Método"}, {"text": "característica interna determinística das palavras", "type": "Outros Termos Científicos"}, {"text": "capitalização", "type": "Outros Termos Científicos"}, {"text": "digitalização", "type": "Outros Termos Científicos"}, {"text": "característica interna de gazetteer", "type": "Outros Termos Científicos"}, {"text": "característica externa de macrocontexto", "type": "Outros Termos Científicos"}], [{"text": "problema de NER", "type": "Tarefa"}], [{"text": "sistema", "type": "Genérico"}, {"text": "tarefas de NE em inglês do MUC-6 e MUC-7", "type": "Material"}, {"text": "F-medidas", "type": "Métrica"}], [{"text": "sistema de aprendizagem automática", "type": "Método"}], [{"text": "regras elaboradas manualmente", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "Modelo de Markov Escondido -LRB- HMM -RRB-", "tail": "etiquetador de segmentos baseado em HMM", "relation": "Conjunção"}, {"head": "Modelo de Markov Escondido -LRB- HMM -RRB-", "tail": "sistema de reconhecimento de entidades com nome -LRB- NE -RRB- -LRB- NER -RRB-", "relation": "Usado-para"}, {"head": "etiquetador de segmentos baseado em HMM", "tail": "sistema de reconhecimento de entidades com nome -LRB- NE -RRB- -LRB- NER -RRB-", "relation": "Usado-para"}, {"head": "sistema de reconhecimento de entidades com nome -LRB- NE -RRB- -LRB- NER -RRB-", "tail": "nomes", "relation": "Usado-para"}, {"head": "sistema de reconhecimento de entidades com nome -LRB- NE -RRB- -LRB- NER -RRB-", "tail": "datas e quantidades numéricas", "relation": "Usado-para"}, {"head": "nomes", "tail": "datas e quantidades numéricas", "relation": "Conjunção"}], [{"head": "capitalização", "tail": "característica interna determinística das palavras", "relation": "Hipónimo-de"}, {"head": "capitalização", "tail": "digitalização", "relation": "Conjunção"}, {"head": "digitalização", "tail": "característica interna determinística das palavras", "relation": "Hipónimo-de"}], [], [{"head": "tarefas de NE em inglês do MUC-6 e MUC-7", "tail": "sistema", "relation": "Avaliado-para"}, {"head": "F-medidas", "tail": "sistema", "relation": "Avaliado-para"}], [], []], "clusters": [["Modelo de Markov Escondido -LRB- HMM -RRB-", "HMM"], ["sistema de reconhecimento de entidades com nome -LRB- NE -RRB- -LRB- NER -RRB-", "sistema"]]}
{"doc_id": "H93-1076", "text": "Dois temas evoluíram no trabalho de processamento de fala e de imagens de texto na Xerox PARC que expandem e redefinem o papel da tecnologia de reconhecimento em aplicações orientadas a documentos. Um é o desenvolvimento de sistemas que fornecem funcionalidades semelhantes às dos processadores de texto, mas que operam diretamente sobre dados de áudio e de imagens digitalizadas. Um segundo tema, relacionado, é a utilização do reconhecimento de fala e de imagens de texto para recuperar informações arbitrárias, especificadas pelo utilizador, a partir de documentos com conteúdo de sinal. Este artigo discute três iniciativas de investigação no PARC que exemplificam estes temas: um editor de imagens de texto -LSB- 1 -RSB-, um localizador de palavras para edição e indexação de voz -LSB- 12 -RSB-, e uma estrutura de descodificação para recuperação de conteúdo de documentos digitalizados -LSB- 4 -RSB-. A discussão centra-se em conceitos-chave incorporados na investigação que permitem funcionalidades inovadoras de processamento de documentos baseadas em sinais.", "ner": [[{"text": "temas", "type": "Genérico"}, {"text": "processamento de fala e de imagens de texto", "type": "Tarefa"}, {"text": "tecnologia de reconhecimento", "type": "Método"}, {"text": "aplicações orientadas a documentos", "type": "Tarefa"}], [{"text": "Um", "type": "Genérico"}, {"text": "sistemas", "type": "Genérico"}, {"text": "processadores de texto", "type": "Método"}, {"text": "dados de áudio e de imagens digitalizadas", "type": "Material"}], [{"text": "tema", "type": "Genérico"}, {"text": "reconhecimento de fala e de imagens de texto", "type": "Método"}, {"text": "documentos com conteúdo de sinal", "type": "Outros Termos Científicos"}], [{"text": "investigação", "type": "Genérico"}, {"text": "temas", "type": "Genérico"}, {"text": "editor de imagens de texto", "type": "Método"}, {"text": "localizador de palavras", "type": "Método"}, {"text": "edição e indexação de voz", "type": "Tarefa"}, {"text": "estrutura de descodificação", "type": "Método"}, {"text": "recuperação de conteúdo de documentos digitalizados", "type": "Tarefa"}], [{"text": "funcionalidades inovadoras de processamento de documentos baseadas em sinais", "type": "Tarefa"}]], "relations": [[{"head": "temas", "tail": "processamento de fala e de imagens de texto", "relation": "Parte-de"}, {"head": "tecnologia de reconhecimento", "tail": "aplicações orientadas a documentos", "relation": "Usado-para"}], [{"head": "sistemas", "tail": "processadores de texto", "relation": "Conjunção"}, {"head": "dados de áudio e de imagens digitalizadas", "tail": "sistemas", "relation": "Usado-para"}], [{"head": "reconhecimento de fala e de imagens de texto", "tail": "tema", "relation": "Usado-para"}, {"head": "documentos com conteúdo de sinal", "tail": "reconhecimento de fala e de imagens de texto", "relation": "Usado-para"}], [{"head": "editor de imagens de texto", "tail": "investigação", "relation": "Hipónimo-de"}, {"head": "editor de imagens de texto", "tail": "localizador de palavras", "relation": "Conjunção"}, {"head": "localizador de palavras", "tail": "investigação", "relation": "Hipónimo-de"}, {"head": "localizador de palavras", "tail": "edição e indexação de voz", "relation": "Conjunção"}, {"head": "edição e indexação de voz", "tail": "estrutura de descodificação", "relation": "Conjunção"}, {"head": "estrutura de descodificação", "tail": "investigação", "relation": "Hipónimo-de"}, {"head": "estrutura de descodificação", "tail": "recuperação de conteúdo de documentos digitalizados", "relation": "Usado-para"}], []], "clusters": [["Um", "sistemas"], ["temas", "temas"]]}
{"doc_id": "IJCAI_2003_15_abs", "text": "Muitas lógicas de descrição -LRB- LDs -RRB- combinam representação de conhecimento a um nível abstrato e lógico com uma interface para domínios 'concretos' como números e cadeias de caracteres. Propomos estender tais LDs com restrições de chave que permitem a expressão de afirmações como cidadãos dos EUA são identificados de forma única pelo seu número de segurança social. Com base nesta ideia, introduzimos um conjunto de lógicas de descrição naturais e apresentamos resultados de -LRB- in -RRB-decidibilidade e limites de complexidade NEx-PTlME apertados.", "ner": [[{"text": "lógicas de descrição -LRB- LDs -RRB-", "type": "Método"}, {"text": "representação de conhecimento", "type": "Método"}], [{"text": "LDs", "type": "Método"}], [{"text": "lógicas de descrição naturais", "type": "Método"}, {"text": "limites de complexidade NEx-PTlME apertados", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "representação de conhecimento", "tail": "lógicas de descrição -LRB- LDs -RRB-", "relation": "Conjunção"}], [], []], "clusters": [["lógicas de descrição -LRB- LDs -RRB-", "LDs"]]}
{"doc_id": "E06-1045", "text": "Descrevemos uma implementação de seleção baseada em dados de exibições faciais enfáticas para um agente conversacional incarnado num sistema de diálogo. Foi gravado um corpus de frases no domínio do sistema de diálogo alvo, e foram anotadas as exibições faciais usadas pelo orador. Os dados dessas gravações foram usados numa variedade de modelos para gerar exibições faciais, sendo que cada modelo utilizava uma quantidade diferente de contexto ou escolhia exibições de forma diferente dentro de um contexto. Os modelos foram avaliados de duas maneiras: por validação cruzada em relação ao corpus e pedindo aos utilizadores que avaliassem a saída. As previsões do estudo de validação cruzada diferiram das avaliações reais dos utilizadores. Enquanto a validação cruzada atribuía as pontuações mais altas a modelos que faziam uma escolha maioritária dentro de um contexto, o estudo com utilizadores mostrou uma preferência significativa por modelos que produziam mais variação. Esta preferência foi especialmente forte entre as participantes do sexo feminino.", "ner": [[{"text": "seleção baseada em dados", "type": "Tarefa"}, {"text": "exibições faciais enfáticas", "type": "Material"}, {"text": "agente conversacional incarnado", "type": "Tarefa"}, {"text": "sistema de diálogo", "type": "Tarefa"}], [{"text": "corpus de frases", "type": "Material"}, {"text": "sistema de diálogo", "type": "Método"}, {"text": "exibições faciais", "type": "Material"}], [{"text": "dados", "type": "Genérico"}, {"text": "modelos", "type": "Genérico"}, {"text": "exibições faciais", "type": "Material"}, {"text": "modelo", "type": "Genérico"}], [{"text": "modelos", "type": "Genérico"}, {"text": "validação cruzada", "type": "Método"}, {"text": "corpus", "type": "Genérico"}], [{"text": "validação cruzada", "type": "Método"}], [{"text": "validação cruzada", "type": "Método"}], []], "relations": [[{"head": "seleção baseada em dados", "tail": "agente conversacional incarnado", "relation": "Usado-para"}, {"head": "exibições faciais enfáticas", "tail": "seleção baseada em dados", "relation": "Usado-para"}, {"head": "agente conversacional incarnado", "tail": "sistema de diálogo", "relation": "Parte-de"}], [], [{"head": "dados", "tail": "modelos", "relation": "Usado-para"}, {"head": "modelos", "tail": "exibições faciais", "relation": "Usado-para"}], [{"head": "validação cruzada", "tail": "modelos", "relation": "Avaliado-para"}], [], [], []], "clusters": [["corpus de frases", "dados", "corpus"], ["modelos", "modelo", "modelos"], ["sistema de diálogo", "sistema de diálogo"], ["exibições faciais enfáticas", "exibições faciais", "exibições faciais"], ["validação cruzada", "validação cruzada", "validação cruzada"]]}
{"doc_id": "CVPR_2010_11_abs", "text": "Ao classificar dados de sequência de alta dimensão , métodos tradicionais -LRB- por exemplo , HMMs , CRFs -RRB- podem requerer grandes quantidades de dados de treino para evitar sobreajuste . Em tais casos , a redução de dimensionalidade pode ser empregue para encontrar uma representação de baixa dimensão sobre a qual a classificação pode ser feita de forma mais eficiente . Os métodos existentes para redução de dimensionalidade supervisionada presumem frequentemente que os dados são amostrados de forma densa , de modo que uma estrutura de grafo de vizinhança possa ser formada , ou que os dados resultem de uma distribuição conhecida . As técnicas de redução de dimensão suficiente visam encontrar uma representação de baixa dimensão tal que os graus de liberdade remanescentes se tornem condicionalmente independentes dos valores de saída . Neste artigo desenvolvemos uma nova abordagem de redução de dimensão de núcleo de sequência -LRB- S-KDR -RRB- . A nossa abordagem não faz suposições fortes sobre a distribuição dos dados de entrada . A informação espacial , temporal e periódica é combinada de forma fundamentada , e uma variedade ótima é aprendida para a tarefa final . Demonstramos a eficácia da nossa abordagem em várias tarefas envolvendo a discriminação de categorias de gestos e movimentos humanos , bem como numa base de dados de texturas dinâmicas .", "ner": [[{"text": "classificar dados de sequência de alta dimensão", "type": "Tarefa"}, {"text": "HMMs", "type": "Método"}, {"text": "CRFs", "type": "Método"}, {"text": "sobreajuste", "type": "Outros Termos Científicos"}], [{"text": "redução de dimensionalidade", "type": "Método"}, {"text": "representação de baixa dimensão", "type": "Método"}, {"text": "classificação", "type": "Tarefa"}], [{"text": "métodos existentes", "type": "Genérico"}, {"text": "redução de dimensionalidade supervisionada", "type": "Tarefa"}, {"text": "estrutura de grafo de vizinhança", "type": "Outros Termos Científicos"}, {"text": "distribuição conhecida", "type": "Outros Termos Científicos"}], [{"text": "técnicas de redução de dimensão suficiente", "type": "Método"}, {"text": "representação de baixa dimensão", "type": "Método"}], [{"text": "abordagem de redução de dimensão de núcleo de sequência -LRB- S-KDR -RRB-", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}], [{"text": "informação espacial , temporal e periódica", "type": "Outros Termos Científicos"}, {"text": "variedade", "type": "Outros Termos Científicos"}, {"text": "tarefa final", "type": "Genérico"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "discriminação de categorias de gestos e movimentos humanos", "type": "Tarefa"}, {"text": "base de dados de texturas dinâmicas", "type": "Material"}]], "relations": [[{"head": "HMMs", "tail": "classificar dados de sequência de alta dimensão", "relation": "Usado-para"}, {"head": "HMMs", "tail": "CRFs", "relation": "Conjunção"}, {"head": "CRFs", "tail": "classificar dados de sequência de alta dimensão", "relation": "Usado-para"}], [{"head": "redução de dimensionalidade", "tail": "representação de baixa dimensão", "relation": "Usado-para"}, {"head": "representação de baixa dimensão", "tail": "classificação", "relation": "Usado-para"}], [{"head": "métodos existentes", "tail": "redução de dimensionalidade supervisionada", "relation": "Usado-para"}], [{"head": "técnicas de redução de dimensão suficiente", "tail": "representação de baixa dimensão", "relation": "Usado-para"}], [], [], [{"head": "variedade", "tail": "tarefa final", "relation": "Usado-para"}], [{"head": "discriminação de categorias de gestos e movimentos humanos", "tail": "abordagem", "relation": "Avaliado-para"}, {"head": "base de dados de texturas dinâmicas", "tail": "abordagem", "relation": "Avaliado-para"}]], "clusters": [["abordagem de redução de dimensão de núcleo de sequência -LRB- S-KDR -RRB-", "abordagem", "abordagem"]]}
{"doc_id": "I08-1027", "text": "A estimação automática da significância das palavras orientada para Recuperação de Informação baseada na fala -LRB- IR -RRB- é abordada. Dado que a significância das palavras difere em IR, o desempenho do reconhecimento automático de fala -LRB- ASR -RRB- foi avaliado com base na taxa de erro de palavras ponderada -LRB- WWER -RRB-, que atribui um peso aos erros do ponto de vista da IR, em vez da taxa de erro de palavras -LRB- WER -RRB-, que trata todas as palavras de forma uniforme. Foi apresentada uma estratégia de descodificação que minimiza a WWER com base num enquadramento de Risco Bayesiano Mínimo, e foi reportada a redução de erros tanto em ASR como em IR. Neste artigo, propomos um método de estimação automática da significância das palavras -LRB- pesos -RRB- com base na sua influência na IR. Especificamente, os pesos são estimados de forma a que as medidas de avaliação de ASR e IR sejam equivalentes. Aplicamos o método proposto a um sistema de recuperação de informação baseada na fala, que é um sistema de IR típico, e mostramos que o método funciona bem.", "ner": [[{"text": "estimação automática da significância das palavras", "type": "Tarefa"}, {"text": "significância das palavras", "type": "Outros Termos Científicos"}, {"text": "Recuperação de Informação baseada na fala -LRB- IR -RRB-", "type": "Tarefa"}], [{"text": "significância", "type": "Outros Termos Científicos"}, {"text": "IR", "type": "Tarefa"}, {"text": "reconhecimento automático de fala -LRB- ASR -RRB-", "type": "Tarefa"}, {"text": "taxa de erro de palavras ponderada -LRB- WWER -RRB-", "type": "Métrica"}, {"text": "IR", "type": "Tarefa"}, {"text": "taxa de erro de palavras -LRB- WER -RRB-", "type": "Métrica"}], [{"text": "estratégia de descodificação", "type": "Método"}, {"text": "WWER", "type": "Métrica"}, {"text": "enquadramento de Risco Bayesiano Mínimo", "type": "Método"}, {"text": "ASR", "type": "Tarefa"}, {"text": "IR", "type": "Tarefa"}], [{"text": "método de estimação automática", "type": "Método"}, {"text": "significância das palavras -LRB- pesos -RRB-", "type": "Outros Termos Científicos"}, {"text": "IR", "type": "Tarefa"}], [{"text": "medidas de avaliação", "type": "Métrica"}, {"text": "ASR", "type": "Tarefa"}, {"text": "IR", "type": "Tarefa"}], [{"text": "método", "type": "Genérico"}, {"text": "sistema de recuperação de informação baseada na fala", "type": "Tarefa"}, {"text": "sistema de IR", "type": "Tarefa"}, {"text": "método", "type": "Genérico"}]], "relations": [[{"head": "estimação automática da significância das palavras", "tail": "Recuperação de Informação baseada na fala -LRB- IR -RRB-", "relation": "Usado-para"}], [{"head": "taxa de erro de palavras ponderada -LRB- WWER -RRB-", "tail": "reconhecimento automático de fala -LRB- ASR -RRB-", "relation": "Avaliado-para"}, {"head": "taxa de erro de palavras -LRB- WER -RRB-", "tail": "taxa de erro de palavras ponderada -LRB- WWER -RRB-", "relation": "Comparado-com"}], [{"head": "estratégia de descodificação", "tail": "WWER", "relation": "Usado-para"}, {"head": "enquadramento de Risco Bayesiano Mínimo", "tail": "estratégia de descodificação", "relation": "Usado-para"}, {"head": "ASR", "tail": "IR", "relation": "Conjunção"}], [{"head": "método de estimação automática", "tail": "significância das palavras -LRB- pesos -RRB-", "relation": "Avaliado-para"}], [{"head": "medidas de avaliação", "tail": "ASR", "relation": "Avaliado-para"}, {"head": "medidas de avaliação", "tail": "IR", "relation": "Avaliado-para"}, {"head": "ASR", "tail": "IR", "relation": "Conjunção"}], [{"head": "método", "tail": "sistema de recuperação de informação baseada na fala", "relation": "Usado-para"}, {"head": "sistema de recuperação de informação baseada na fala", "tail": "sistema de IR", "relation": "Hipónimo-de"}]], "clusters": [["IR", "IR", "IR", "IR", "IR", "sistema de IR"], ["reconhecimento automático de fala -LRB- ASR -RRB-", "ASR", "ASR"], ["taxa de erro de palavras ponderada -LRB- WWER -RRB-", "WWER"], ["significância das palavras", "significância", "significância das palavras -LRB- pesos -RRB-"], ["Recuperação de Informação baseada na fala -LRB- IR -RRB-", "sistema de recuperação de informação baseada na fala"], ["método de estimação automática", "método", "método"]]}
{"doc_id": "A94-1037", "text": "Métodos desenvolvidos para correção ortográfica para línguas como o inglês -LRB- ver a revisão de Kukich -LRB- Kukich , 1992 -RRB- -RRB- não são facilmente aplicáveis a línguas aglutinativas . Este poster apresenta uma abordagem para correção ortográfica em línguas aglutinativas que se baseia em morfologia de dois níveis e num algoritmo de pesquisa baseado em programação dinâmica . Após uma visão geral da nossa abordagem , apresentamos resultados de experiências com correção ortográfica em turco .", "ner": [[{"text": "Métodos", "type": "Genérico"}, {"text": "correção ortográfica", "type": "Tarefa"}, {"text": "línguas", "type": "Outros Termos Científicos"}, {"text": "inglês", "type": "Outros Termos Científicos"}, {"text": "línguas aglutinativas", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "correção ortográfica", "type": "Tarefa"}, {"text": "línguas aglutinativas", "type": "Outros Termos Científicos"}, {"text": "morfologia de dois níveis", "type": "Outros Termos Científicos"}, {"text": "algoritmo de pesquisa baseado em programação dinâmica", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "correção ortográfica", "type": "Tarefa"}, {"text": "turco", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "Métodos", "tail": "correção ortográfica", "relation": "Usado-para"}, {"head": "correção ortográfica", "tail": "línguas", "relation": "Usado-para"}, {"head": "inglês", "tail": "línguas", "relation": "Hipónimo-de"}], [{"head": "abordagem", "tail": "correção ortográfica", "relation": "Usado-para"}, {"head": "línguas aglutinativas", "tail": "correção ortográfica", "relation": "Usado-para"}, {"head": "morfologia de dois níveis", "tail": "correção ortográfica", "relation": "Usado-para"}, {"head": "morfologia de dois níveis", "tail": "algoritmo de pesquisa baseado em programação dinâmica", "relation": "Conjunção"}, {"head": "algoritmo de pesquisa baseado em programação dinâmica", "tail": "correção ortográfica", "relation": "Usado-para"}], [{"head": "turco", "tail": "correção ortográfica", "relation": "Usado-para"}]], "clusters": [["abordagem", "abordagem"], ["correção ortográfica", "correção ortográfica", "correção ortográfica"]]}
{"doc_id": "P05-1069", "text": "Neste artigo , apresentamos um novo método de treino para um modelo localizado de previsão baseado em frases para tradução automática estatística -LRB- SMT -RRB- . O modelo prevê blocos com orientação para lidar com a reordenação local de frases . Utilizamos um critério de máxima verosimilhança para treinar um modelo bigrama de blocos log-linear que usa características de valor real -LRB- por exemplo , uma pontuação de modelo de linguagem -RRB- bem como características binárias baseadas nas próprias identidades dos blocos , por exemplo , características de bigrama de blocos . O nosso algoritmo de treino pode facilmente lidar com milhões de características . O melhor sistema obtém uma melhoria de 18,6 % em relação à linha de base numa tarefa de tradução Árabe-Inglês padrão.", "ner": [[{"text": "método de treino", "type": "Método"}, {"text": "modelo localizado de previsão baseado em frases", "type": "Método"}, {"text": "tradução automática estatística -LRB- SMT -RRB-", "type": "Tarefa"}], [{"text": "modelo", "type": "Genérico"}, {"text": "reordenação local de frases", "type": "Tarefa"}], [{"text": "critério de máxima verosimilhança", "type": "Outros Termos Científicos"}, {"text": "modelo bigrama de blocos log-linear", "type": "Método"}, {"text": "características de valor real", "type": "Outros Termos Científicos"}, {"text": "pontuação de modelo de linguagem", "type": "Outros Termos Científicos"}, {"text": "características binárias", "type": "Outros Termos Científicos"}], [{"text": "algoritmo de treino", "type": "Método"}, {"text": "características", "type": "Outros Termos Científicos"}], [{"text": "sistema", "type": "Genérico"}, {"text": "linha de base", "type": "Genérico"}, {"text": "tarefa de tradução Árabe-Inglês", "type": "Tarefa"}]], "relations": [[{"head": "método de treino", "tail": "modelo localizado de previsão baseado em frases", "relation": "Usado-para"}, {"head": "modelo localizado de previsão baseado em frases", "tail": "tradução automática estatística -LRB- SMT -RRB-", "relation": "Usado-para"}], [{"head": "modelo", "tail": "reordenação local de frases", "relation": "Usado-para"}], [{"head": "critério de máxima verosimilhança", "tail": "modelo bigrama de blocos log-linear", "relation": "Usado-para"}, {"head": "características de valor real", "tail": "modelo bigrama de blocos log-linear", "relation": "Usado-para"}, {"head": "características de valor real", "tail": "características binárias", "relation": "Conjunção"}, {"head": "pontuação de modelo de linguagem", "tail": "características de valor real", "relation": "Hipónimo-de"}, {"head": "características binárias", "tail": "modelo bigrama de blocos log-linear", "relation": "Usado-para"}], [{"head": "características", "tail": "algoritmo de treino", "relation": "Usado-para"}], [{"head": "sistema", "tail": "linha de base", "relation": "Comparado-com"}, {"head": "tarefa de tradução Árabe-Inglês", "tail": "sistema", "relation": "Avaliado-para"}, {"head": "tarefa de tradução Árabe-Inglês", "tail": "linha de base", "relation": "Avaliado-para"}]], "clusters": [["modelo localizado de previsão baseado em frases", "modelo"], ["método de treino", "algoritmo de treino"]]}
{"doc_id": "H94-1102", "text": "O principal objetivo deste programa é desenvolver e demonstrar técnicas robustas de reconhecimento contínuo da fala -LRB- CSR -RRB- de alto desempenho, focadas na aplicação em Sistemas de Linguagem Falada -LRB- SLS -RRB- que irão aumentar a eficácia de sistemas informáticos militares e civis. Um objetivo complementar-chave é definir e desenvolver aplicações de sistemas robustos de reconhecimento e compreensão da fala, e ajudar a catalisar a transição da tecnologia de linguagem falada para sistemas militares e civis, com especial enfoque na aplicação de CSR robusto ao comando e controlo militar móvel. O esforço de investigação foca-se no desenvolvimento de modelização acústica avançada, pesquisa rápida e técnicas de adaptação em tempo de reconhecimento para CSR robusto de grande vocabulário, e na aplicação destas técnicas aos novos corpos de CSR de grande vocabulário da ARPA e a tarefas de aplicação militar.", "ner": [[{"text": "técnicas robustas de reconhecimento contínuo da fala -LRB- CSR -RRB-", "type": "Método"}, {"text": "Sistemas de Linguagem Falada -LRB- SLS -RRB-", "type": "Tarefa"}, {"text": "sistemas informáticos militares e civis", "type": "Tarefa"}], [{"text": "sistemas robustos de reconhecimento e compreensão da fala", "type": "Tarefa"}, {"text": "tecnologia de linguagem falada", "type": "Método"}, {"text": "sistemas militares e civis", "type": "Tarefa"}, {"text": "CSR", "type": "Método"}, {"text": "comando e controlo militar móvel", "type": "Tarefa"}], [{"text": "modelização acústica", "type": "Método"}, {"text": "pesquisa rápida", "type": "Método"}, {"text": "técnicas de adaptação em tempo de reconhecimento", "type": "Método"}, {"text": "CSR de grande vocabulário", "type": "Método"}, {"text": "técnicas", "type": "Genérico"}, {"text": "corpos de CSR de grande vocabulário da ARPA", "type": "Material"}, {"text": "tarefas de aplicação militar", "type": "Tarefa"}]], "relations": [[{"head": "técnicas robustas de reconhecimento contínuo da fala -LRB- CSR -RRB-", "tail": "Sistemas de Linguagem Falada -LRB- SLS -RRB-", "relation": "Usado-para"}, {"head": "Sistemas de Linguagem Falada -LRB- SLS -RRB-", "tail": "sistemas informáticos militares e civis", "relation": "Usado-para"}], [{"head": "tecnologia de linguagem falada", "tail": "sistemas militares e civis", "relation": "Usado-para"}, {"head": "CSR", "tail": "comando e controlo militar móvel", "relation": "Usado-para"}], [{"head": "modelização acústica", "tail": "pesquisa rápida", "relation": "Conjunção"}, {"head": "modelização acústica", "tail": "CSR de grande vocabulário", "relation": "Usado-para"}, {"head": "modelização acústica", "tail": "técnicas", "relation": "Hipónimo-de"}, {"head": "modelização acústica", "tail": "tarefas de aplicação militar", "relation": "Usado-para"}, {"head": "pesquisa rápida", "tail": "técnicas de adaptação em tempo de reconhecimento", "relation": "Conjunção"}, {"head": "pesquisa rápida", "tail": "CSR de grande vocabulário", "relation": "Usado-para"}, {"head": "pesquisa rápida", "tail": "técnicas", "relation": "Hipónimo-de"}, {"head": "pesquisa rápida", "tail": "tarefas de aplicação militar", "relation": "Usado-para"}, {"head": "técnicas de adaptação em tempo de reconhecimento", "tail": "CSR de grande vocabulário", "relation": "Usado-para"}, {"head": "técnicas de adaptação em tempo de reconhecimento", "tail": "técnicas", "relation": "Hipónimo-de"}, {"head": "técnicas de adaptação em tempo de reconhecimento", "tail": "tarefas de aplicação militar", "relation": "Usado-para"}, {"head": "CSR de grande vocabulário", "tail": "corpos de CSR de grande vocabulário da ARPA", "relation": "Usado-para"}, {"head": "técnicas", "tail": "tarefas de aplicação militar", "relation": "Usado-para"}, {"head": "corpos de CSR de grande vocabulário da ARPA", "tail": "técnicas", "relation": "Avaliado-para"}]], "clusters": [["sistemas informáticos militares e civis", "sistemas militares e civis"], ["técnicas robustas de reconhecimento contínuo da fala -LRB- CSR -RRB-", "CSR"], ["Sistemas de Linguagem Falada -LRB- SLS -RRB-", "tecnologia de linguagem falada"]]}
{"doc_id": "P06-2110", "text": "Este artigo analisa que tipo de semelhança entre palavras pode ser representado por que tipo de vetores de palavras no modelo de espaço vetorial. Através de duas experiências, três métodos para a construção de vetores de palavras, ou seja, métodos baseados em LSA, baseados em coocorrência e baseados em dicionário, foram comparados em termos da capacidade de representar dois tipos de semelhança, isto é, semelhança taxonómica e semelhança associativa. O resultado da comparação foi que os vetores de palavras baseados em dicionário refletem melhor a semelhança taxonómica, enquanto os vetores de palavras baseados em LSA e vetores de palavras baseados em coocorrência refletem melhor a semelhança associativa.", "ner": [[{"text": "semelhança entre palavras", "type": "Outros Termos Científicos"}, {"text": "vetores de palavras", "type": "Outros Termos Científicos"}, {"text": "modelo de espaço vetorial", "type": "Método"}], [{"text": "métodos", "type": "Genérico"}, {"text": "construção de vetores de palavras", "type": "Tarefa"}, {"text": "métodos baseados em LSA, baseados em coocorrência e baseados em dicionário", "type": "Método"}, {"text": "semelhança", "type": "Genérico"}, {"text": "semelhança taxonómica", "type": "Outros Termos Científicos"}, {"text": "semelhança associativa", "type": "Outros Termos Científicos"}], [{"text": "vetores de palavras baseados em dicionário", "type": "Outros Termos Científicos"}, {"text": "semelhança taxonómica", "type": "Outros Termos Científicos"}, {"text": "vetores de palavras baseados em LSA e vetores de palavras baseados em coocorrência", "type": "Outros Termos Científicos"}, {"text": "semelhança associativa", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "vetores de palavras", "tail": "semelhança entre palavras", "relation": "Usado-para"}, {"head": "modelo de espaço vetorial", "tail": "vetores de palavras", "relation": "Usado-para"}], [{"head": "métodos", "tail": "construção de vetores de palavras", "relation": "Usado-para"}, {"head": "métodos baseados em LSA, baseados em coocorrência e baseados em dicionário", "tail": "semelhança", "relation": "Usado-para"}, {"head": "semelhança taxonómica", "tail": "semelhança", "relation": "Hipónimo-de"}, {"head": "semelhança taxonómica", "tail": "semelhança associativa", "relation": "Conjunção"}, {"head": "semelhança associativa", "tail": "semelhança", "relation": "Hipónimo-de"}], [{"head": "vetores de palavras baseados em dicionário", "tail": "semelhança taxonómica", "relation": "Usado-para"}, {"head": "vetores de palavras baseados em LSA e vetores de palavras baseados em coocorrência", "tail": "semelhança associativa", "relation": "Usado-para"}]], "clusters": [["métodos", "métodos baseados em LSA, baseados em coocorrência e baseados em dicionário"]]}
{"doc_id": "H05-1012", "text": "Este artigo apresenta um algoritmo de alinhamento de palavras de entropia máxima para árabe-inglês baseado em dados de treino supervisionados. Demonstramos que é viável criar material de treino para problemas em tradução automática e que uma mistura de métodos supervisionados e não supervisionados produz um desempenho superior. O modelo probabilístico utilizado no alinhamento modela diretamente as decisões de ligação. É demonstrada uma melhoria significativa em relação às técnicas tradicionais de alinhamento de palavras, bem como melhoria em vários testes de tradução automática. O desempenho do algoritmo é contrastado com o desempenho da anotação humana.", "ner": [[{"text": "algoritmo de alinhamento de palavras de entropia máxima", "type": "Método"}, {"text": "árabe-inglês", "type": "Material"}, {"text": "dados de treino supervisionados", "type": "Material"}], [{"text": "material de treino", "type": "Material"}, {"text": "tradução automática", "type": "Tarefa"}, {"text": "métodos supervisionados e não supervisionados", "type": "Método"}], [{"text": "modelo probabilístico", "type": "Método"}, {"text": "alinhamento", "type": "Tarefa"}, {"text": "decisões de ligação", "type": "Tarefa"}], [{"text": "técnicas tradicionais de alinhamento de palavras", "type": "Método"}, {"text": "testes de tradução automática", "type": "Outros Termos Científicos"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "anotação humana", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "árabe-inglês", "tail": "algoritmo de alinhamento de palavras de entropia máxima", "relation": "Usado-para"}, {"head": "dados de treino supervisionados", "tail": "algoritmo de alinhamento de palavras de entropia máxima", "relation": "Usado-para"}], [{"head": "material de treino", "tail": "tradução automática", "relation": "Usado-para"}], [{"head": "modelo probabilístico", "tail": "alinhamento", "relation": "Usado-para"}, {"head": "modelo probabilístico", "tail": "decisões de ligação", "relation": "Usado-para"}], [{"head": "técnicas tradicionais de alinhamento de palavras", "tail": "testes de tradução automática", "relation": "Usado-para"}], [{"head": "algoritmo", "tail": "anotação humana", "relation": "Comparado-com"}]], "clusters": [["algoritmo de alinhamento de palavras de entropia máxima", "algoritmo"]]}
{"doc_id": "N03-3010", "text": "Neste artigo, propomos um novo Modelo Cooperativo para compreensão de linguagem natural num sistema de diálogo. Construímo-lo com base tanto no Modelo de Estados Finitos -LRB- FSM -RRB- como no Modelo de Aprendizagem Estatística -LRB- SLM -RRB-. O FSM fornece duas estratégias para compreensão de linguagem e tem uma elevada precisão, mas pouca robustez e flexibilidade. A abordagem estatística é muito mais robusta, mas menos precisa. O Modelo Cooperativo incorpora em conjunto as três estratégias e, assim, consegue suprimir todas as desvantagens das diferentes estratégias e possui todas as vantagens das três estratégias.", "ner": [[{"text": "Modelo Cooperativo", "type": "Método"}, {"text": "compreensão de linguagem natural", "type": "Tarefa"}, {"text": "sistema de diálogo", "type": "Tarefa"}], [{"text": "este", "type": "Genérico"}, {"text": "Modelo de Estados Finitos -LRB- FSM -RRB-", "type": "Método"}, {"text": "Modelo de Aprendizagem Estatística -LRB- SLM -RRB-", "type": "Método"}], [{"text": "FSM", "type": "Método"}, {"text": "compreensão de linguagem", "type": "Tarefa"}], [{"text": "abordagem estatística", "type": "Método"}], [{"text": "Modelo Cooperativo", "type": "Método"}]], "relations": [[{"head": "Modelo Cooperativo", "tail": "compreensão de linguagem natural", "relation": "Usado-para"}, {"head": "compreensão de linguagem natural", "tail": "sistema de diálogo", "relation": "Usado-para"}], [{"head": "Modelo de Estados Finitos -LRB- FSM -RRB-", "tail": "este", "relation": "Usado-para"}, {"head": "Modelo de Estados Finitos -LRB- FSM -RRB-", "tail": "Modelo de Aprendizagem Estatística -LRB- SLM -RRB-", "relation": "Conjunção"}, {"head": "Modelo de Aprendizagem Estatística -LRB- SLM -RRB-", "tail": "este", "relation": "Usado-para"}], [{"head": "FSM", "tail": "compreensão de linguagem", "relation": "Usado-para"}], [], []], "clusters": [["Modelo de Aprendizagem Estatística -LRB- SLM -RRB-", "abordagem estatística"], ["Modelo de Estados Finitos -LRB- FSM -RRB-", "FSM"], ["Modelo Cooperativo", "este", "Modelo Cooperativo"]]}
{"doc_id": "I05-2044", "text": "Na língua chinesa, um verbo pode ter os seus dependentes à esquerda, à direita ou em ambos os lados. A resolução da ambiguidade das dependências do lado direito é essencial para a análise de dependências de frases com dois ou mais verbos. Trabalhos anteriores sobre analisadores de dependências shift-reduce podem não garantir a conectividade de uma árvore de dependências devido à sua fraqueza em resolver as dependências do lado direito. Este artigo propõe um analisador de dependências shift-reduce em duas fases baseado em aprendizagem SVM. Os dependentes do lado esquerdo e os dependentes nominais do lado direito são detetados na Fase I, e os dependentes verbais do lado direito são decididos na Fase II. Na avaliação experimental, o nosso método proposto supera os anteriores analisadores de dependências shift-reduce para a língua chinesa, mostrando uma melhoria da exatidão de dependência de 10,08%.", "ner": [[{"text": "língua chinesa", "type": "Material"}], [{"text": "resolução da ambiguidade das dependências do lado direito", "type": "Tarefa"}, {"text": "análise de dependências", "type": "Tarefa"}], [{"text": "analisadores de dependências shift-reduce", "type": "Método"}, {"text": "conectividade", "type": "Métrica"}, {"text": "árvore de dependências", "type": "Outros Termos Científicos"}, {"text": "dependências do lado direito", "type": "Outros Termos Científicos"}], [{"text": "analisador de dependências shift-reduce em duas fases", "type": "Método"}, {"text": "aprendizagem SVM", "type": "Método"}], [{"text": "dependentes do lado esquerdo", "type": "Outros Termos Científicos"}, {"text": "dependentes nominais do lado direito", "type": "Outros Termos Científicos"}, {"text": "dependentes verbais do lado direito", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "analisadores de dependências shift-reduce", "type": "Método"}, {"text": "língua chinesa", "type": "Material"}, {"text": "exatidão de dependência", "type": "Métrica"}]], "relations": [[], [{"head": "resolução da ambiguidade das dependências do lado direito", "tail": "análise de dependências", "relation": "Usado-para"}], [{"head": "conectividade", "tail": "árvore de dependências", "relation": "Avaliado-para"}], [{"head": "aprendizagem SVM", "tail": "analisador de dependências shift-reduce em duas fases", "relation": "Usado-para"}], [{"head": "dependentes do lado esquerdo", "tail": "dependentes nominais do lado direito", "relation": "Conjunção"}, {"head": "dependentes verbais do lado direito", "tail": "dependentes nominais do lado direito", "relation": "Conjunção"}], [{"head": "método", "tail": "analisadores de dependências shift-reduce", "relation": "Comparado-com"}, {"head": "língua chinesa", "tail": "método", "relation": "Avaliado-para"}, {"head": "língua chinesa", "tail": "analisadores de dependências shift-reduce", "relation": "Avaliado-para"}, {"head": "exatidão de dependência", "tail": "método", "relation": "Avaliado-para"}, {"head": "exatidão de dependência", "tail": "analisadores de dependências shift-reduce", "relation": "Avaliado-para"}]], "clusters": [["analisador de dependências shift-reduce em duas fases", "método"], ["analisadores de dependências shift-reduce", "analisadores de dependências shift-reduce"], ["língua chinesa", "língua chinesa"]]}
{"doc_id": "C80-1039", "text": "Para satisfazer as necessidades de uma publicação de artigos em inglês, muitos sistemas para imprimir textos foram desenvolvidos. Neste artigo, apresentamos um sistema FROFF que pode produzir uma cópia limpa não só de textos, mas também de gráficos e tabelas indispensáveis para os nossos artigos. A sua seleção de tipos de letra e especificação do tamanho de caracteres são dinamicamente modificáveis, e a posição de digitação também pode ser alterada nas direções lateral ou longitudinal. Cada caractere tem a sua própria largura e o comprimento de uma linha é contado pela soma de cada caractere. Utilizando comandos ou regras que são definidos para facilitar a construção do formato esperado ou de algumas expressões matemáticas, é possível obter documentos elaborados e bastante agradáveis.", "ner": [[], [{"text": "sistema", "type": "Genérico"}, {"text": "FROFF", "type": "Método"}], [{"text": "posição de digitação", "type": "Outros Termos Científicos"}], [], [{"text": "comandos", "type": "Outros Termos Científicos"}, {"text": "regras", "type": "Outros Termos Científicos"}, {"text": "expressões matemáticas", "type": "Outros Termos Científicos"}]], "relations": [[], [], [], [], [{"head": "comandos", "tail": "regras", "relation": "Conjunção"}, {"head": "comandos", "tail": "expressões matemáticas", "relation": "Usado-para"}, {"head": "regras", "tail": "expressões matemáticas", "relation": "Usado-para"}]], "clusters": [["sistema", "FROFF"]]}
{"doc_id": "I05-5009", "text": "Este artigo apresenta um método de avaliação que emprega um modelo de variável latente para paráfrases com os seus contextos. Assumimos que o contexto de uma frase é indicado por uma variável latente do modelo como um tópico e que a verosimilhança de cada variável pode ser inferida. Uma paráfrase é avaliada quanto a saber se as suas frases são usadas no mesmo contexto. Resultados experimentais mostraram que o método proposto atinge quase 60 % de precisão e que não há uma grande diferença de desempenho entre os dois modelos. Os resultados também revelaram um limite superior de precisão de 77 % com o método ao usar apenas informação de tópico.", "ner": [[{"text": "método de avaliação", "type": "Genérico"}, {"text": "modelo de variável latente", "type": "Método"}, {"text": "paráfrases", "type": "Outros Termos Científicos"}], [{"text": "variável latente", "type": "Outros Termos Científicos"}, {"text": "modelo", "type": "Genérico"}], [{"text": "paráfrase", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}], [{"text": "precisão", "type": "Métrica"}, {"text": "método", "type": "Genérico"}, {"text": "informação de tópico", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "método de avaliação", "tail": "paráfrases", "relation": "Avaliado-para"}, {"head": "modelo de variável latente", "tail": "método de avaliação", "relation": "Usado-para"}], [], [], [], [{"head": "precisão", "tail": "método", "relation": "Avaliado-para"}, {"head": "informação de tópico", "tail": "método", "relation": "Usado-para"}]], "clusters": [["método de avaliação", "método", "método"], ["modelo de variável latente", "modelo"]]}
{"doc_id": "CVPR_2015_300_abs", "text": "Abordamos o problema de estimar informação de localização de uma imagem usando princípios de aprendizagem automática de representações. Prosseguimos com uma abordagem hierárquica de codificação esparsa que aprende características úteis para discriminar imagens entre localizações, inicializando-a com um prévio geométrico correspondente a transformações entre o espaço de aparência da imagem e o respetivo espaço de agrupamento de localizações usando a noção de transporte paralelo em variedades. Em seguida, estendemos esta abordagem para ter em conta a disponibilidade de modalidades de dados heterogéneas, como geo-tags e vídeos referentes a diferentes localizações, e estudamos também um problema relativamente pouco abordado de transferir conhecimento disponível a partir de certas localizações para inferir o agrupamento de dados de novas localizações. Avaliamos a nossa abordagem em vários conjuntos de dados padrão, como im2gps, San Francisco e MediaEval2010, e obtemos resultados de última geração.", "ner": [[{"text": "estimar informação de localização", "type": "Tarefa"}, {"text": "imagem", "type": "Material"}, {"text": "aprendizagem automática de representações", "type": "Método"}], [{"text": "abordagem hierárquica de codificação esparsa", "type": "Método"}, {"text": "características", "type": "Outros Termos Científicos"}, {"text": "a", "type": "Genérico"}, {"text": "prévio geométrico", "type": "Outros Termos Científicos"}, {"text": "espaço de aparência da imagem", "type": "Outros Termos Científicos"}, {"text": "espaço de agrupamento de localizações", "type": "Outros Termos Científicos"}, {"text": "transporte paralelo em variedades", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "modalidades de dados heterogéneas", "type": "Outros Termos Científicos"}, {"text": "geo-tags", "type": "Outros Termos Científicos"}, {"text": "vídeos", "type": "Outros Termos Científicos"}, {"text": "transferir conhecimento", "type": "Tarefa"}, {"text": "agrupamento de dados", "type": "Tarefa"}], [{"text": "abordagem", "type": "Método"}, {"text": "conjuntos de dados", "type": "Genérico"}, {"text": "im2gps", "type": "Material"}, {"text": "San Francisco", "type": "Material"}, {"text": "MediaEval2010", "type": "Material"}]], "relations": [[{"head": "imagem", "tail": "estimar informação de localização", "relation": "Usado-para"}, {"head": "aprendizagem automática de representações", "tail": "estimar informação de localização", "relation": "Usado-para"}], [{"head": "prévio geométrico", "tail": "a", "relation": "Usado-para"}, {"head": "transporte paralelo em variedades", "tail": "prévio geométrico", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "modalidades de dados heterogéneas", "relation": "Usado-para"}, {"head": "geo-tags", "tail": "modalidades de dados heterogéneas", "relation": "Hipónimo-de"}, {"head": "geo-tags", "tail": "vídeos", "relation": "Conjunção"}, {"head": "vídeos", "tail": "modalidades de dados heterogéneas", "relation": "Hipónimo-de"}, {"head": "transferir conhecimento", "tail": "agrupamento de dados", "relation": "Usado-para"}], [{"head": "conjuntos de dados", "tail": "abordagem", "relation": "Avaliado-para"}, {"head": "im2gps", "tail": "conjuntos de dados", "relation": "Hipónimo-de"}, {"head": "im2gps", "tail": "San Francisco", "relation": "Conjunção"}, {"head": "San Francisco", "tail": "conjuntos de dados", "relation": "Hipónimo-de"}, {"head": "San Francisco", "tail": "MediaEval2010", "relation": "Conjunção"}, {"head": "MediaEval2010", "tail": "conjuntos de dados", "relation": "Hipónimo-de"}]], "clusters": [["abordagem hierárquica de codificação esparsa", "a", "abordagem", "abordagem"]]}
{"doc_id": "C88-2086", "text": "Soames 1979 apresenta alguns contraexemplos à teoria das pressuposições da linguagem natural que é apresentada em Gazdar 1979. Soames 1982 apresenta uma teoria que explica estes contraexemplos. Mercer 1987 rejeita a solução encontrada em Soames 1982, deixando estes contraexemplos por explicar. Ao reavaliar estes contraexemplos perspicazes, a teoria inferencial das pressuposições da linguagem natural descrita em Mercer 1987, 1988 fornece uma explicação simples e direta para a natureza pressupositiva destas frases.", "ner": [[{"text": "pressuposições da linguagem natural", "type": "Tarefa"}], [], [], [{"text": "pressuposições da linguagem natural", "type": "Tarefa"}, {"text": "natureza pressupositiva", "type": "Outros Termos Científicos"}]], "relations": [[], [], [], []], "clusters": [["pressuposições da linguagem natural", "pressuposições da linguagem natural"]]}
{"doc_id": "E99-1029", "text": "Um dos benefícios alegados das Tree Adjoining Grammars é que estas têm um domínio de localidade alargado -LRB- EDOL -RRB- . Consideramos como isto pode ser explorado para limitar a necessidade de unificação de estruturas de traços durante a análise . Comparamos duas gramáticas lexicalizadas de inglês de ampla cobertura , LEXSYS e XTAG , constatando que as duas gramáticas exploram o EDOL de maneiras diferentes .", "ner": [[{"text": "Tree Adjoining Grammars", "type": "Método"}, {"text": "estas", "type": "Genérico"}, {"text": "domínio de localidade alargado -LRB- EDOL -RRB-", "type": "Outros Termos Científicos"}], [{"text": "unificação de estruturas de traços", "type": "Método"}, {"text": "análise", "type": "Tarefa"}], [{"text": "gramáticas lexicalizadas de inglês", "type": "Método"}, {"text": "LEXSYS", "type": "Método"}, {"text": "XTAG", "type": "Método"}, {"text": "gramáticas", "type": "Método"}, {"text": "EDOL", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "Tree Adjoining Grammars", "tail": "domínio de localidade alargado -LRB- EDOL -RRB-", "relation": "Característica-de"}], [{"head": "unificação de estruturas de traços", "tail": "análise", "relation": "Usado-para"}], [{"head": "LEXSYS", "tail": "gramáticas lexicalizadas de inglês", "relation": "Hipónimo-de"}, {"head": "LEXSYS", "tail": "XTAG", "relation": "Comparado-com"}, {"head": "XTAG", "tail": "gramáticas lexicalizadas de inglês", "relation": "Hipónimo-de"}, {"head": "gramáticas", "tail": "EDOL", "relation": "Usado-para"}]], "clusters": [["gramáticas lexicalizadas de inglês", "gramáticas"], ["Tree Adjoining Grammars", "estas"], ["domínio de localidade alargado -LRB- EDOL -RRB-", "EDOL"]]}
{"doc_id": "NIPS_2002_10_abs", "text": "A incerteza de identidade é um problema omnipresente na análise de dados do mundo real. Surge sempre que os objetos não são rotulados com identificadores únicos ou quando esses identificadores podem não ser percecionados perfeitamente. Nesses casos, duas observações podem ou não corresponder ao mesmo objeto. Neste artigo, consideramos o problema no contexto da correspondência de citações — o problema de decidir quais citações correspondem à mesma publicação. A nossa abordagem baseia-se no uso de um modelo de probabilidade relacional para definir um modelo gerativo para o domínio, incluindo modelos de corrupção de autor e título e uma gramática probabilística de citações. A incerteza de identidade é tratada estendendo modelos padrão para incorporar probabilidades sobre os possíveis mapeamentos entre termos na linguagem e objetos no domínio. A inferência baseia-se em Cadeias de Markov de Monte Carlo, aumentadas com métodos específicos para gerar propostas eficientes quando o domínio contém muitos objetos. Resultados em vários conjuntos de dados de citações mostram que o método supera os algoritmos atuais para correspondência de citações. A natureza declarativa e relacional do modelo também significa que o nosso algoritmo pode determinar características de objetos como nomes de autores, combinando múltiplas citações de múltiplos artigos.", "ner": [[{"text": "Incerteza de identidade", "type": "Tarefa"}, {"text": "análise de dados do mundo real", "type": "Tarefa"}], [{"text": "identificadores", "type": "Genérico"}, {"text": "identificadores", "type": "Genérico"}], [], [{"text": "problema", "type": "Genérico"}, {"text": "correspondência de citações", "type": "Tarefa"}, {"text": "citações", "type": "Outros Termos Científicos"}, {"text": "publicação", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "modelo de probabilidade relacional", "type": "Método"}, {"text": "modelo gerativo", "type": "Método"}, {"text": "domínio", "type": "Genérico"}, {"text": "modelos de corrupção de autor e título", "type": "Método"}, {"text": "gramática probabilística de citações", "type": "Método"}], [{"text": "Incerteza de identidade", "type": "Tarefa"}, {"text": "modelos", "type": "Genérico"}, {"text": "mapeamentos", "type": "Outros Termos Científicos"}, {"text": "domínio", "type": "Outros Termos Científicos"}], [{"text": "Inferência", "type": "Tarefa"}, {"text": "Cadeias de Markov de Monte Carlo", "type": "Método"}, {"text": "métodos", "type": "Genérico"}], [{"text": "conjuntos de dados de citações", "type": "Material"}, {"text": "método", "type": "Genérico"}, {"text": "algoritmos atuais", "type": "Método"}, {"text": "correspondência de citações", "type": "Tarefa"}], [{"text": "modelo", "type": "Genérico"}, {"text": "algoritmo", "type": "Genérico"}, {"text": "características de objetos", "type": "Outros Termos Científicos"}, {"text": "nomes de autores", "type": "Outros Termos Científicos"}, {"text": "citações", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "Incerteza de identidade", "tail": "análise de dados do mundo real", "relation": "Hipónimo-de"}], [], [], [], [{"head": "modelo de probabilidade relacional", "tail": "abordagem", "relation": "Usado-para"}, {"head": "modelo de probabilidade relacional", "tail": "modelo gerativo", "relation": "Usado-para"}, {"head": "modelo gerativo", "tail": "domínio", "relation": "Usado-para"}, {"head": "modelos de corrupção de autor e título", "tail": "modelo de probabilidade relacional", "relation": "Parte-de"}, {"head": "modelos de corrupção de autor e título", "tail": "gramática probabilística de citações", "relation": "Conjunção"}, {"head": "gramática probabilística de citações", "tail": "modelo de probabilidade relacional", "relation": "Parte-de"}], [{"head": "modelos", "tail": "Incerteza de identidade", "relation": "Usado-para"}], [{"head": "Cadeias de Markov de Monte Carlo", "tail": "Inferência", "relation": "Usado-para"}, {"head": "métodos", "tail": "Inferência", "relation": "Usado-para"}], [{"head": "conjuntos de dados de citações", "tail": "método", "relation": "Avaliado-para"}, {"head": "método", "tail": "algoritmos atuais", "relation": "Comparado-com"}, {"head": "método", "tail": "correspondência de citações", "relation": "Usado-para"}, {"head": "algoritmos atuais", "tail": "correspondência de citações", "relation": "Usado-para"}], [{"head": "algoritmo", "tail": "características de objetos", "relation": "Usado-para"}, {"head": "nomes de autores", "tail": "características de objetos", "relation": "Hipónimo-de"}]], "clusters": [["abordagem", "método", "modelo", "algoritmo"], ["correspondência de citações", "domínio", "correspondência de citações"], ["identificadores", "identificadores"], ["Incerteza de identidade", "problema", "Incerteza de identidade"]]}
{"doc_id": "W02-1404", "text": "Neste estudo, propomos um método independente do conhecimento para alinhar termos e assim extrair traduções a partir de um pequeno corpus específico de domínio, composto por acórdãos judiciais paralelos em inglês e chinês de Hong Kong. Com um corpus alinhado ao nível de frase, as equivalências de tradução são sugeridas através da análise dos perfis de frequência de concordâncias paralelas. O método supera as limitações dos métodos estatísticos convencionais, que requerem grandes corpora para serem eficazes, e das abordagens lexicais, que dependem de dicionários bilingues existentes. Testes-piloto realizados num corpus paralelo de cerca de 113 mil palavras chinesas e 120 mil palavras inglesas apresentam uns encorajadores 85 % de precisão e 45 % de revocação. Trabalho futuro inclui o afinamento do algoritmo com base na análise dos erros e a aquisição de um léxico de tradução para terminologia jurídica, filtrando os termos gerais.", "ner": [[{"text": "método independente do conhecimento", "type": "Método"}, {"text": "pequeno corpus específico de domínio", "type": "Material"}, {"text": "acórdãos judiciais paralelos em inglês e chinês", "type": "Material"}], [{"text": "corpus alinhado ao nível de frase", "type": "Material"}, {"text": "equivalências de tradução", "type": "Outros Termos Científicos"}, {"text": "perfis de frequência", "type": "Genérico"}, {"text": "concordâncias paralelas", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "métodos estatísticos", "type": "Método"}, {"text": "grandes corpora", "type": "Material"}, {"text": "abordagens lexicais", "type": "Método"}, {"text": "dicionários bilingues", "type": "Material"}], [{"text": "corpus paralelo", "type": "Material"}, {"text": "precisão", "type": "Métrica"}, {"text": "revocação", "type": "Métrica"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "léxico de tradução", "type": "Outros Termos Científicos"}, {"text": "terminologia jurídica", "type": "Material"}]], "relations": [[{"head": "acórdãos judiciais paralelos em inglês e chinês", "tail": "pequeno corpus específico de domínio", "relation": "Parte-de"}], [{"head": "corpus alinhado ao nível de frase", "tail": "equivalências de tradução", "relation": "Usado-para"}, {"head": "perfis de frequência", "tail": "concordâncias paralelas", "relation": "Parte-de"}], [{"head": "método", "tail": "métodos estatísticos", "relation": "Comparado-com"}, {"head": "método", "tail": "abordagens lexicais", "relation": "Comparado-com"}, {"head": "grandes corpora", "tail": "métodos estatísticos", "relation": "Usado-para"}, {"head": "dicionários bilingues", "tail": "abordagens lexicais", "relation": "Usado-para"}], [{"head": "precisão", "tail": "revocação", "relation": "Conjunção"}], [{"head": "léxico de tradução", "tail": "terminologia jurídica", "relation": "Usado-para"}]], "clusters": [["método independente do conhecimento", "método", "algoritmo"]]}
{"doc_id": "P05-2008", "text": "A Classificação de Sentimentos procura identificar um trecho de texto de acordo com o sentimento geral do seu autor em relação ao respetivo assunto, seja ele positivo ou negativo. Técnicas tradicionais de aprendizagem automática têm sido aplicadas a este problema com sucesso razoável, mas verificou-se que funcionam bem apenas quando existe uma boa correspondência entre os dados de treino e de teste no que diz respeito ao tópico. Este artigo demonstra que a correspondência no que diz respeito ao domínio e ao tempo também é importante, e apresenta experiências preliminares com dados de treino rotulados com emoticons, que têm o potencial de ser independentes do domínio, do tópico e do tempo.", "ner": [[{"text": "Classificação de Sentimentos", "type": "Tarefa"}], [{"text": "técnicas tradicionais de aprendizagem automática", "type": "Método"}, {"text": "problema", "type": "Genérico"}, {"text": "dados de treino e de teste", "type": "Material"}], [{"text": "dados de treino", "type": "Material"}, {"text": "emoticons", "type": "Outros Termos Científicos"}]], "relations": [[], [{"head": "técnicas tradicionais de aprendizagem automática", "tail": "problema", "relation": "Usado-para"}], [{"head": "emoticons", "tail": "dados de treino", "relation": "Característica-de"}]], "clusters": [["Classificação de Sentimentos", "problema"]]}
{"doc_id": "CVPR_2013_10_abs", "text": "Apresentamos um novo algoritmo para estimar a estrutura geométrica 3D ampla de cenas de vídeo exteriores. Tirando partido da segmentação espaço‑temporal de vídeo, decompomos uma cena dinâmica captada por um vídeo em classes geométricas, com base em previsões feitas por classificadores de regiões que são treinados em características de aparência e movimento. Ao examinar a homogeneidade da previsão, combinamos previsões em vários níveis de hierarquia de segmentação, atenuando a necessidade de determinar a granularidade a priori. Construímos um novo e extenso conjunto de dados sobre o contexto geométrico de vídeo para avaliar o nosso método, consistindo em mais de 100 vídeos exteriores anotados com verdade‑terreno e com mais de 20 000 fotogramas. Para escalar ainda mais para além deste conjunto de dados, propomos uma estrutura de aprendizagem semi‑supervisionada para expandir o conjunto de dados rotulados com previsões de alta confiança obtidas a partir de dados não rotulados. O nosso sistema produz uma previsão precisa do contexto geométrico de vídeo, alcançando 96 % de exactidão nas principais classes geométricas.", "ner": [[{"text": "algoritmo", "type": "Genérico"}, {"text": "estrutura geométrica 3D ampla de cenas de vídeo exteriores", "type": "Tarefa"}], [{"text": "segmentação espaço‑temporal de vídeo", "type": "Método"}, {"text": "cena dinâmica", "type": "Outros Termos Científicos"}, {"text": "classes geométricas", "type": "Outros Termos Científicos"}, {"text": "classificadores de regiões", "type": "Método"}, {"text": "características de aparência e movimento", "type": "Outros Termos Científicos"}], [{"text": "níveis de hierarquia de segmentação", "type": "Outros Termos Científicos"}, {"text": "granularidade a priori", "type": "Outros Termos Científicos"}], [{"text": "conjunto de dados", "type": "Genérico"}, {"text": "contexto geométrico de vídeo", "type": "Outros Termos Científicos"}, {"text": "método", "type": "Genérico"}, {"text": "vídeos exteriores anotados", "type": "Outros Termos Científicos"}], [{"text": "conjunto de dados", "type": "Genérico"}, {"text": "estrutura de aprendizagem semi‑supervisionada", "type": "Método"}, {"text": "dados rotulados", "type": "Material"}, {"text": "previsões de alta confiança", "type": "Outros Termos Científicos"}, {"text": "dados não rotulados", "type": "Outros Termos Científicos"}], [{"text": "sistema", "type": "Genérico"}, {"text": "contexto geométrico de vídeo", "type": "Outros Termos Científicos"}, {"text": "exactidão", "type": "Métrica"}]], "relations": [[{"head": "algoritmo", "tail": "estrutura geométrica 3D ampla de cenas de vídeo exteriores", "relation": "Usado-para"}], [{"head": "segmentação espaço‑temporal de vídeo", "tail": "cena dinâmica", "relation": "Usado-para"}, {"head": "classes geométricas", "tail": "cena dinâmica", "relation": "Parte-de"}, {"head": "classificadores de regiões", "tail": "classes geométricas", "relation": "Usado-para"}, {"head": "características de aparência e movimento", "tail": "classificadores de regiões", "relation": "Usado-para"}], [], [{"head": "conjunto de dados", "tail": "método", "relation": "Avaliado-para"}, {"head": "contexto geométrico de vídeo", "tail": "conjunto de dados", "relation": "Característica-de"}, {"head": "vídeos exteriores anotados", "tail": "conjunto de dados", "relation": "Parte-de"}], [{"head": "estrutura de aprendizagem semi‑supervisionada", "tail": "dados rotulados", "relation": "Usado-para"}, {"head": "previsões de alta confiança", "tail": "estrutura de aprendizagem semi‑supervisionada", "relation": "Usado-para"}, {"head": "dados não rotulados", "tail": "previsões de alta confiança", "relation": "Usado-para"}], [{"head": "sistema", "tail": "contexto geométrico de vídeo", "relation": "Usado-para"}, {"head": "exactidão", "tail": "sistema", "relation": "Avaliado-para"}]], "clusters": [["conjunto de dados", "conjunto de dados"], ["algoritmo", "método", "sistema"]]}
{"doc_id": "C86-1132", "text": "Este artigo descreve um sistema -LRB- RAREAS -RRB- que sintetiza previsões meteorológicas marítimas diretamente a partir de dados meteorológicos formatados. Tal síntese parece ser exequível em certas sublínguas naturais com estrutura de texto estereotipada. O RAREAS baseia-se em vários tipos de conhecimento linguístico e não linguístico e reflete a aparente tendência de um previsonista atribuir advérbios temporais menos precisos a eventos meteorológicos mais distantes. A abordagem pode ser facilmente adaptada para sintetizar textos bilingues ou multilingues.", "ner": [[{"text": "sistema", "type": "Genérico"}, {"text": "RAREAS", "type": "Método"}, {"text": "previsões meteorológicas marítimas", "type": "Tarefa"}, {"text": "dados meteorológicos formatados", "type": "Material"}], [{"text": "síntese", "type": "Genérico"}, {"text": "sublínguas naturais com estrutura de texto estereotipada", "type": "Material"}], [{"text": "RAREAS", "type": "Método"}, {"text": "conhecimento linguístico e não linguístico", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "textos bilingues ou multilingues", "type": "Material"}]], "relations": [[{"head": "sistema", "tail": "previsões meteorológicas marítimas", "relation": "Usado-para"}, {"head": "dados meteorológicos formatados", "tail": "sistema", "relation": "Usado-para"}], [{"head": "sublínguas naturais com estrutura de texto estereotipada", "tail": "síntese", "relation": "Usado-para"}], [{"head": "conhecimento linguístico e não linguístico", "tail": "RAREAS", "relation": "Usado-para"}], [{"head": "textos bilingues ou multilingues", "tail": "abordagem", "relation": "Usado-para"}]], "clusters": [["sistema", "RAREAS", "síntese", "RAREAS", "abordagem"]]}
{"doc_id": "P80-1026", "text": "Quando as pessoas usam linguagem natural em contextos naturais, muitas vezes usam-na de forma agramatical, omitindo ou repetindo palavras, interrompendo-se e recomeçando, falando em fragmentos, etc. Os seus ouvintes humanos conseguem normalmente lidar com estes desvios com pouca dificuldade. Se um sistema informático pretende aceitar, de forma rotineira, input em linguagem natural por parte dos seus utilizadores, tem de exibir uma indiferença semelhante. Neste artigo, apresentamos um conjunto de flexibilidades de análise sintática que um sistema deste tipo deve proporcionar. Prosseguimos, depois, descrevendo o FlexP, um analisador de correspondência de padrões ascendente que concebemos e implementámos para proporcionar estas flexibilidades para input de linguagem natural restrita a um sistema informático de domínio limitado.", "ner": [[{"text": "linguagem natural", "type": "Outros Termos Científicos"}, {"text": "a", "type": "Genérico"}], [], [{"text": "sistema informático", "type": "Método"}, {"text": "input em linguagem natural", "type": "Outros Termos Científicos"}], [{"text": "flexibilidades de análise sintática", "type": "Outros Termos Científicos"}, {"text": "sistema", "type": "Genérico"}], [{"text": "FlexP", "type": "Método"}, {"text": "analisador de correspondência de padrões ascendente", "type": "Método"}, {"text": "flexibilidades", "type": "Genérico"}, {"text": "linguagem natural restrita", "type": "Outros Termos Científicos"}, {"text": "sistema informático de domínio limitado", "type": "Método"}]], "relations": [[], [], [], [], [{"head": "FlexP", "tail": "analisador de correspondência de padrões ascendente", "relation": "Hipónimo-de"}, {"head": "analisador de correspondência de padrões ascendente", "tail": "flexibilidades", "relation": "Usado-para"}, {"head": "flexibilidades", "tail": "linguagem natural restrita", "relation": "Característica-de"}, {"head": "flexibilidades", "tail": "sistema informático de domínio limitado", "relation": "Parte-de"}, {"head": "linguagem natural restrita", "tail": "analisador de correspondência de padrões ascendente", "relation": "Usado-para"}]], "clusters": [["flexibilidades de análise sintática", "flexibilidades"], ["sistema informático", "sistema"], ["linguagem natural", "a"]]}
{"doc_id": "H01-1001", "text": "A comunicação oral é ubíqua e transporta informação importante, mas também é demorada de documentar. Dado o desenvolvimento dos suportes de armazenamento e redes, poderia simplesmente gravar-se e armazenar-se uma conversa para documentação. A questão é, no entanto, como seria encontrado um elemento de informação interessante numa base de dados grande. As técnicas de recuperação de informação tradicionais utilizam um histograma de palavras-chave como representação do documento, mas a comunicação oral pode oferecer índices adicionais, como o momento e o local da réplica e a assistência. Um índice alternativo poderia ser a atividade, como discutir, planear, informar, contar histórias, etc. Este artigo aborda o problema da deteção automática dessas atividades em situações de reunião e em réplicas do quotidiano. Estão a ser discutidas e/ou avaliadas várias extensões desta ideia básica: de forma semelhante às atividades, podem definir-se subconjuntos de uma base de dados maior e detetá-los automaticamente, o que é demonstrado numa grande base de dados de programas de televisão. Emoções e outros índices, como a distribuição de dominância dos oradores, podem estar disponíveis à superfície e poderiam ser usados diretamente. Apesar da pequena dimensão das bases de dados utilizadas, podem obter-se alguns resultados sobre a eficácia destes índices.", "ner": [[{"text": "comunicação oral", "type": "Material"}], [{"text": "suportes de armazenamento e redes", "type": "Tarefa"}, {"text": "conversa", "type": "Material"}], [], [{"text": "técnicas de recuperação de informação", "type": "Método"}, {"text": "histograma de palavras-chave", "type": "Método"}, {"text": "representação do documento", "type": "Método"}, {"text": "comunicação oral", "type": "Material"}], [{"text": "atividade", "type": "Outros Termos Científicos"}, {"text": "discutir", "type": "Outros Termos Científicos"}, {"text": "planear", "type": "Outros Termos Científicos"}, {"text": "informar", "type": "Outros Termos Científicos"}, {"text": "contar histórias", "type": "Outros Termos Científicos"}], [{"text": "deteção automática", "type": "Tarefa"}, {"text": "atividades", "type": "Genérico"}], [{"text": "atividades", "type": "Genérico"}, {"text": "base de dados de programas de televisão", "type": "Material"}], [{"text": "Emoções", "type": "Material"}, {"text": "distribuição de dominância dos oradores", "type": "Outros Termos Científicos"}], []], "relations": [[], [], [], [{"head": "histograma de palavras-chave", "tail": "técnicas de recuperação de informação", "relation": "Usado-para"}, {"head": "histograma de palavras-chave", "tail": "representação do documento", "relation": "Usado-para"}], [{"head": "discutir", "tail": "atividade", "relation": "Hipónimo-de"}, {"head": "discutir", "tail": "planear", "relation": "Conjunção"}, {"head": "planear", "tail": "atividade", "relation": "Hipónimo-de"}, {"head": "planear", "tail": "informar", "relation": "Conjunção"}, {"head": "informar", "tail": "atividade", "relation": "Hipónimo-de"}, {"head": "informar", "tail": "contar histórias", "relation": "Conjunção"}, {"head": "contar histórias", "tail": "atividade", "relation": "Hipónimo-de"}], [{"head": "atividades", "tail": "deteção automática", "relation": "Usado-para"}], [], [], []], "clusters": [["atividade", "atividades", "atividades"], ["comunicação oral", "comunicação oral"]]}
{"doc_id": "J87-3001", "text": "Este artigo mostra como as definições de sentidos de palavras de dicionário podem ser analisadas aplicando uma hierarquia de padrões frásicos. Foi implementado um sistema experimental que incorpora este mecanismo para processar definições do Longman Dictionary of Contemporary English. Uma propriedade deste dicionário, explorada pelo sistema, é que utiliza um vocabulário restrito nas suas definições de sentidos de palavras. As estruturas geradas pelo sistema experimental destinam-se a ser utilizadas para a classificação de novos sentidos de palavras em termos dos sentidos das palavras do vocabulário restrito. São apresentados exemplos que ilustram a saída gerada, e são discutidos alguns resultados qualitativos de desempenho e problemas que foram encontrados. O processo de análise aplica sucessivamente regras de análise frásica mais específicas, conforme determinado por uma hierarquia de padrões em que padrões menos específicos dominam os mais específicos. Isto assegura que sejam produzidas análises razoáveis, embora incompletas, das definições quando análises mais completas não são possíveis, resultando num mecanismo de análise relativamente robusto. Assim, o trabalho apresentado aborda dois problemas de robustez enfrentados pelos actuais sistemas experimentais de processamento de linguagem natural: lidar com um léxico incompleto e com um conhecimento incompleto de construções frásicas.", "ner": [[{"text": "definições de sentidos de palavras de dicionário", "type": "Outros Termos Científicos"}, {"text": "hierarquia de padrões frásicos", "type": "Método"}], [{"text": "sistema", "type": "Genérico"}, {"text": "mecanismo", "type": "Genérico"}, {"text": "Longman Dictionary of Contemporary English", "type": "Material"}], [{"text": "dicionário", "type": "Genérico"}, {"text": "sistema", "type": "Genérico"}, {"text": "este", "type": "Genérico"}, {"text": "vocabulário restrito", "type": "Outros Termos Científicos"}, {"text": "definições de sentidos de palavras", "type": "Outros Termos Científicos"}], [{"text": "classificação de novos sentidos de palavras", "type": "Tarefa"}, {"text": "vocabulário restrito", "type": "Outros Termos Científicos"}], [], [{"text": "regras de análise frásica", "type": "Outros Termos Científicos"}], [], [{"text": "problemas de robustez", "type": "Tarefa"}, {"text": "sistemas experimentais de processamento de linguagem natural", "type": "Método"}, {"text": "léxico incompleto", "type": "Material"}, {"text": "conhecimento incompleto de construções frásicas", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "hierarquia de padrões frásicos", "tail": "definições de sentidos de palavras de dicionário", "relation": "Usado-para"}], [{"head": "mecanismo", "tail": "sistema", "relation": "Parte-de"}], [{"head": "vocabulário restrito", "tail": "este", "relation": "Usado-para"}, {"head": "vocabulário restrito", "tail": "definições de sentidos de palavras", "relation": "Usado-para"}], [{"head": "vocabulário restrito", "tail": "classificação de novos sentidos de palavras", "relation": "Usado-para"}], [], [], [], [{"head": "problemas de robustez", "tail": "sistemas experimentais de processamento de linguagem natural", "relation": "Característica-de"}, {"head": "léxico incompleto", "tail": "problemas de robustez", "relation": "Hipónimo-de"}, {"head": "conhecimento incompleto de construções frásicas", "tail": "problemas de robustez", "relation": "Hipónimo-de"}]], "clusters": [["Longman Dictionary of Contemporary English", "dicionário", "este"], ["vocabulário restrito", "vocabulário restrito"], ["sistema", "sistema"], ["hierarquia de padrões frásicos", "mecanismo"]]}
{"doc_id": "I05-3022", "text": "Este artigo apresenta um sistema de segmentação de palavras na France Telecom R&D Beijing, que utiliza uma abordagem unificada para separação de palavras e identificação de OOV. A saída pode ser personalizada para cumprir diferentes normas de segmentação através da aplicação de uma lista ordenada de transformações. O sistema participou em todas as pistas do 'segmentation bakeoff' -- PK-open, PK-closed, AS-open, AS-closed, HK-open, HK-closed, MSR-open e MSR - closed -- e alcançou desempenho de ponta nas pistas MSR-open, MSR-close e PK-open. A análise dos resultados mostra que cada componente do sistema contribuiu para as pontuações.", "ner": [[{"text": "sistema de segmentação de palavras", "type": "Método"}, {"text": "abordagem", "type": "Genérico"}, {"text": "separação de palavras", "type": "Tarefa"}, {"text": "identificação de OOV", "type": "Tarefa"}], [], [{"text": "sistema", "type": "Genérico"}, {"text": "segmentation bakeoff", "type": "Outros Termos Científicos"}, {"text": "PK-open", "type": "Outros Termos Científicos"}, {"text": "PK-closed", "type": "Outros Termos Científicos"}, {"text": "AS-open", "type": "Outros Termos Científicos"}, {"text": "AS-closed", "type": "Outros Termos Científicos"}, {"text": "HK-open", "type": "Outros Termos Científicos"}, {"text": "HK-closed", "type": "Outros Termos Científicos"}, {"text": "MSR-open", "type": "Outros Termos Científicos"}, {"text": "MSR - closed", "type": "Outros Termos Científicos"}, {"text": "MSR-open", "type": "Outros Termos Científicos"}, {"text": "MSR-close", "type": "Outros Termos Científicos"}, {"text": "PK-open", "type": "Outros Termos Científicos"}], [{"text": "sistema", "type": "Genérico"}]], "relations": [[{"head": "abordagem", "tail": "sistema de segmentação de palavras", "relation": "Usado-para"}, {"head": "abordagem", "tail": "separação de palavras", "relation": "Usado-para"}, {"head": "abordagem", "tail": "identificação de OOV", "relation": "Usado-para"}, {"head": "separação de palavras", "tail": "identificação de OOV", "relation": "Conjunção"}], [], [{"head": "PK-open", "tail": "segmentation bakeoff", "relation": "Hipónimo-de"}, {"head": "PK-open", "tail": "PK-closed", "relation": "Conjunção"}, {"head": "PK-closed", "tail": "segmentation bakeoff", "relation": "Hipónimo-de"}, {"head": "PK-closed", "tail": "AS-open", "relation": "Conjunção"}, {"head": "AS-open", "tail": "segmentation bakeoff", "relation": "Hipónimo-de"}, {"head": "AS-open", "tail": "AS-closed", "relation": "Conjunção"}, {"head": "AS-closed", "tail": "segmentation bakeoff", "relation": "Hipónimo-de"}, {"head": "AS-closed", "tail": "HK-open", "relation": "Conjunção"}, {"head": "HK-open", "tail": "segmentation bakeoff", "relation": "Hipónimo-de"}, {"head": "HK-open", "tail": "HK-closed", "relation": "Conjunção"}, {"head": "HK-closed", "tail": "segmentation bakeoff", "relation": "Hipónimo-de"}, {"head": "HK-closed", "tail": "MSR-open", "relation": "Conjunção"}, {"head": "MSR-open", "tail": "segmentation bakeoff", "relation": "Hipónimo-de"}, {"head": "MSR-open", "tail": "MSR - closed", "relation": "Conjunção"}, {"head": "MSR - closed", "tail": "segmentation bakeoff", "relation": "Hipónimo-de"}, {"head": "MSR-open", "tail": "MSR-close", "relation": "Conjunção"}, {"head": "MSR-close", "tail": "PK-open", "relation": "Conjunção"}], []], "clusters": [["PK-open", "PK-open"], ["sistema de segmentação de palavras", "sistema", "sistema"], ["MSR - closed", "MSR-close"], ["MSR-open", "MSR-open"]]}
{"doc_id": "P05-3025", "text": "Este artigo descreve um método de visualização interativa e orientação do processo de tradução de uma frase. O método permite a um utilizador explorar um modelo de tradução automática estatística baseada em sintaxe -LRB- MT -RRB-, compreender os pontos fortes e fracos do modelo e compará-lo com outros sistemas de MT. Utilizando este método de visualização, podemos identificar e abordar problemas conceptuais e práticos num sistema de MT. Na nossa demonstração na ACL, novos utilizadores da nossa ferramenta irão controlar eles próprios um descodificador baseado em sintaxe.", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "visualização interativa e orientação do processo de tradução", "type": "Tarefa"}], [{"text": "método", "type": "Genérico"}, {"text": "modelo", "type": "Genérico"}, {"text": "tradução automática estatística baseada em sintaxe -LRB- MT -RRB-", "type": "Tarefa"}, {"text": "modelo", "type": "Genérico"}, {"text": "o", "type": "Genérico"}, {"text": "sistemas de MT", "type": "Método"}], [{"text": "método de visualização", "type": "Método"}, {"text": "sistema de MT", "type": "Método"}], [{"text": "descodificador baseado em sintaxe", "type": "Método"}]], "relations": [[{"head": "método", "tail": "visualização interativa e orientação do processo de tradução", "relation": "Usado-para"}], [{"head": "método", "tail": "modelo", "relation": "Usado-para"}, {"head": "modelo", "tail": "tradução automática estatística baseada em sintaxe -LRB- MT -RRB-", "relation": "Usado-para"}, {"head": "o", "tail": "sistemas de MT", "relation": "Comparado-com"}], [{"head": "método de visualização", "tail": "sistema de MT", "relation": "Usado-para"}], []], "clusters": [["modelo", "modelo", "o"], ["método", "método"]]}
{"doc_id": "H91-1077", "text": "É proposto um método de resolução de sentidos baseado em WordNet, uma base de dados lexical em linha que incorpora relações semânticas -LRB- sinonímia, antonímia, hiponímia, meronímia, implicação causal e troponímica -RRB- sob a forma de apontadores rotulados entre sentidos de palavras. Com o WordNet, é fácil recuperar conjuntos de palavras semanticamente relacionadas, uma funcionalidade que será usada para a resolução de sentidos durante o processamento de texto, do seguinte modo. Quando é encontrada uma palavra com múltiplos sentidos, será seguido um de dois procedimentos. Ou -LRB- 1 -RRB- serão recuperadas palavras relacionadas em significado com os sentidos alternativos da palavra polissémica; serão derivadas novas cadeias substituindo essas palavras relacionadas no contexto da palavra polissémica; um grande corpus textual será então pesquisado para essas cadeias derivadas; e será escolhido o sentido que corresponder à cadeia derivada que for encontrada mais frequentemente no corpus. Ou -LRB- 2 -RRB- o contexto da palavra polissémica será usado como chave para pesquisar um grande corpus; serão registadas todas as palavras que se verifique ocorrerem nesse contexto; o WordNet será então usado para estimar a distância semântica dessas palavras aos sentidos alternativos da palavra polissémica; e será escolhido o sentido que for mais próximo em significado de outras palavras que ocorram no mesmo contexto. Se tiver sucesso, este procedimento poderá ter aplicações práticas em problemas de recuperação de informação, tradução mecânica, sistemas de tutoria inteligente e outros.", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "resolução de sentidos", "type": "Tarefa"}, {"text": "WordNet", "type": "Material"}, {"text": "base de dados lexical em linha", "type": "Material"}, {"text": "relações semânticas", "type": "Outros Termos Científicos"}, {"text": "sinonímia", "type": "Outros Termos Científicos"}, {"text": "antonímia", "type": "Outros Termos Científicos"}, {"text": "hiponímia", "type": "Outros Termos Científicos"}, {"text": "meronímia", "type": "Outros Termos Científicos"}, {"text": "implicação causal e troponímica", "type": "Outros Termos Científicos"}], [{"text": "WordNet", "type": "Material"}, {"text": "palavras semanticamente relacionadas", "type": "Outros Termos Científicos"}, {"text": "resolução de sentidos", "type": "Tarefa"}, {"text": "processamento de texto", "type": "Tarefa"}], [{"text": "procedimentos", "type": "Genérico"}], [{"text": "sentidos alternativos", "type": "Outros Termos Científicos"}, {"text": "palavra polissémica", "type": "Outros Termos Científicos"}, {"text": "palavra polissémica", "type": "Outros Termos Científicos"}], [{"text": "palavra polissémica", "type": "Outros Termos Científicos"}, {"text": "WordNet", "type": "Material"}, {"text": "distância semântica", "type": "Outros Termos Científicos"}, {"text": "procedimento", "type": "Genérico"}, {"text": "recuperação de informação", "type": "Tarefa"}, {"text": "tradução mecânica", "type": "Tarefa"}, {"text": "sistemas de tutoria inteligente", "type": "Tarefa"}]], "relations": [[{"head": "método", "tail": "resolução de sentidos", "relation": "Usado-para"}, {"head": "WordNet", "tail": "método", "relation": "Usado-para"}, {"head": "WordNet", "tail": "base de dados lexical em linha", "relation": "Hipónimo-de"}, {"head": "relações semânticas", "tail": "WordNet", "relation": "Parte-de"}, {"head": "sinonímia", "tail": "relações semânticas", "relation": "Hipónimo-de"}, {"head": "sinonímia", "tail": "antonímia", "relation": "Conjunção"}, {"head": "antonímia", "tail": "relações semânticas", "relation": "Hipónimo-de"}, {"head": "antonímia", "tail": "hiponímia", "relation": "Conjunção"}, {"head": "hiponímia", "tail": "relações semânticas", "relation": "Hipónimo-de"}, {"head": "hiponímia", "tail": "meronímia", "relation": "Conjunção"}, {"head": "meronímia", "tail": "relações semânticas", "relation": "Hipónimo-de"}, {"head": "meronímia", "tail": "implicação causal e troponímica", "relation": "Conjunção"}, {"head": "implicação causal e troponímica", "tail": "relações semânticas", "relation": "Hipónimo-de"}], [{"head": "WordNet", "tail": "palavras semanticamente relacionadas", "relation": "Usado-para"}, {"head": "palavras semanticamente relacionadas", "tail": "resolução de sentidos", "relation": "Usado-para"}, {"head": "resolução de sentidos", "tail": "processamento de texto", "relation": "Usado-para"}], [], [], [{"head": "WordNet", "tail": "distância semântica", "relation": "Usado-para"}, {"head": "procedimento", "tail": "recuperação de informação", "relation": "Usado-para"}, {"head": "procedimento", "tail": "tradução mecânica", "relation": "Usado-para"}, {"head": "procedimento", "tail": "sistemas de tutoria inteligente", "relation": "Usado-para"}, {"head": "recuperação de informação", "tail": "tradução mecânica", "relation": "Conjunção"}, {"head": "tradução mecânica", "tail": "sistemas de tutoria inteligente", "relation": "Conjunção"}]], "clusters": [["WordNet", "WordNet", "WordNet"]]}
{"doc_id": "C86-1021", "text": "A abordagem interlingual à TM tem sido repetidamente defendida por investigadores originalmente interessados em compreensão de linguagem natural que encaram a tradução automática como uma possível aplicação. No entanto, não só a ambiguidade mas também a vagueza que toda a linguagem natural inevitavelmente possui conduz esta abordagem a dificuldades essenciais. Em contraste, o nosso projecto, o projecto Mu, adopta a abordagem de transferência como quadro básico da TM. Este artigo descreve a construção detalhada da fase de transferência do nosso sistema do japonês para o inglês e dá alguns exemplos de problemas que parecem difíceis de tratar na abordagem interlingual. Os princípios básicos de concepção da fase de transferência do nosso sistema já foram mencionados em -LRB- 1 -RRB- -LRB- 2 -RRB-. Alguns dos princípios que são relevantes para o tema deste artigo são: -LRB- a -RRB- Múltiplas Camadas de Gramáticas -LRB- b -RRB- Apresentação em Múltiplas Camadas -LRB- c -RRB- Processamento Orientado pelo Léxico -LRB- d -RRB- Descrição de Dicionário Orientada para a Forma. Este artigo também mostra como estes princípios são concretizados no sistema actual.", "ner": [[{"text": "abordagem interlingual", "type": "Método"}, {"text": "TM", "type": "Genérico"}, {"text": "compreensão de linguagem natural", "type": "Tarefa"}, {"text": "tradução automática", "type": "Tarefa"}], [], [{"text": "projecto Mu", "type": "Método"}, {"text": "abordagem de transferência", "type": "Método"}, {"text": "TM", "type": "Tarefa"}], [{"text": "fase de transferência", "type": "Genérico"}, {"text": "sistema", "type": "Genérico"}, {"text": "japonês", "type": "Material"}, {"text": "inglês", "type": "Material"}, {"text": "abordagem interlingual", "type": "Método"}], [{"text": "fase de transferência", "type": "Genérico"}, {"text": "sistema", "type": "Genérico"}], [{"text": "princípios", "type": "Genérico"}, {"text": "Múltiplas Camadas de Gramáticas", "type": "Método"}, {"text": "Apresentação em Múltiplas Camadas", "type": "Método"}, {"text": "Processamento Orientado pelo Léxico", "type": "Método"}, {"text": "Descrição de Dicionário Orientada para a Forma", "type": "Método"}], [{"text": "princípios", "type": "Genérico"}, {"text": "sistema", "type": "Genérico"}]], "relations": [[{"head": "abordagem interlingual", "tail": "TM", "relation": "Usado-para"}], [], [{"head": "projecto Mu", "tail": "TM", "relation": "Usado-para"}, {"head": "abordagem de transferência", "tail": "projecto Mu", "relation": "Usado-para"}], [{"head": "fase de transferência", "tail": "sistema", "relation": "Parte-de"}], [{"head": "fase de transferência", "tail": "sistema", "relation": "Parte-de"}], [{"head": "Múltiplas Camadas de Gramáticas", "tail": "princípios", "relation": "Parte-de"}, {"head": "Múltiplas Camadas de Gramáticas", "tail": "Apresentação em Múltiplas Camadas", "relation": "Conjunção"}, {"head": "Apresentação em Múltiplas Camadas", "tail": "princípios", "relation": "Parte-de"}, {"head": "Apresentação em Múltiplas Camadas", "tail": "Processamento Orientado pelo Léxico", "relation": "Conjunção"}, {"head": "Processamento Orientado pelo Léxico", "tail": "princípios", "relation": "Parte-de"}, {"head": "Processamento Orientado pelo Léxico", "tail": "Descrição de Dicionário Orientada para a Forma", "relation": "Conjunção"}, {"head": "Descrição de Dicionário Orientada para a Forma", "tail": "princípios", "relation": "Parte-de"}], [{"head": "princípios", "tail": "sistema", "relation": "Parte-de"}]], "clusters": [["abordagem de transferência", "fase de transferência", "fase de transferência"], ["projecto Mu", "sistema", "sistema", "sistema"], ["TM", "tradução automática"], ["abordagem interlingual", "abordagem interlingual"], ["princípios", "princípios"]]}
{"doc_id": "C92-1052", "text": "Neste artigo, os segmentos de discurso são definidos e é proposto um método para segmentação de discurso baseado principalmente na abdução de relações temporais entre segmentos. Este método é preciso, computacionalmente exequível e é sustentado por trabalhos anteriores na área da resolução de anáforas temporais.", "ner": [[{"text": "segmentos de discurso", "type": "Outros Termos Científicos"}, {"text": "método", "type": "Genérico"}, {"text": "segmentação de discurso", "type": "Tarefa"}, {"text": "abdução de relações temporais", "type": "Tarefa"}], [{"text": "método", "type": "Genérico"}, {"text": "resolução de anáforas temporais", "type": "Tarefa"}]], "relations": [[{"head": "método", "tail": "segmentação de discurso", "relation": "Usado-para"}, {"head": "abdução de relações temporais", "tail": "segmentação de discurso", "relation": "Usado-para"}], [{"head": "resolução de anáforas temporais", "tail": "método", "relation": "Usado-para"}]], "clusters": [["método", "método"]]}
{"doc_id": "C02-1071", "text": "Este artigo descreve em que medida o processamento profundo pode beneficiar de técnicas superficiais e apresenta um sistema de PLN que integra um etiquetador e segmentador linguístico de PoS como um módulo de pré-processamento de uma gramática de unificação de ampla cobertura do espanhol. As experiências mostram que a eficiência da análise global melhora significativamente e que o nosso sistema também proporciona robustez ao processamento linguístico, mantendo tanto a exatidão como a precisão da gramática.", "ner": [[{"text": "processamento profundo", "type": "Tarefa"}, {"text": "técnicas superficiais", "type": "Método"}, {"text": "sistema de PLN", "type": "Método"}, {"text": "etiquetador e segmentador linguístico de PoS", "type": "Método"}, {"text": "gramática de unificação de ampla cobertura do espanhol", "type": "Método"}], [{"text": "sistema", "type": "Genérico"}, {"text": "robustez", "type": "Métrica"}, {"text": "processamento linguístico", "type": "Tarefa"}, {"text": "exatidão", "type": "Métrica"}, {"text": "precisão", "type": "Métrica"}]], "relations": [[{"head": "técnicas superficiais", "tail": "processamento profundo", "relation": "Usado-para"}, {"head": "etiquetador e segmentador linguístico de PoS", "tail": "gramática de unificação de ampla cobertura do espanhol", "relation": "Parte-de"}, {"head": "gramática de unificação de ampla cobertura do espanhol", "tail": "sistema de PLN", "relation": "Usado-para"}], [{"head": "sistema", "tail": "processamento linguístico", "relation": "Usado-para"}, {"head": "robustez", "tail": "sistema", "relation": "Avaliado-para"}, {"head": "exatidão", "tail": "sistema", "relation": "Avaliado-para"}, {"head": "exatidão", "tail": "precisão", "relation": "Conjunção"}, {"head": "precisão", "tail": "sistema", "relation": "Avaliado-para"}]], "clusters": [["sistema de PLN", "sistema"]]}
{"doc_id": "ECCV_2016_215_abs", "text": "Filtros conjuntos de imagem podem aproveitar a imagem de orientação como um priore e transferir os detalhes estruturais da imagem de orientação para a imagem alvo para suprimir o ruído ou melhorar a resolução espacial. Os métodos existentes baseiam-se em vários tipos de construção explícita de filtros ou funções objetivo desenhadas manualmente. Assim, é difícil compreendê-los, melhorá-los e acelerá-los num enquadramento coerente. Neste artigo, propomos uma abordagem baseada em aprendizagem para construir um filtro conjunto com base em Redes Neurais Convolucionais. Em contraste com os métodos existentes que consideram apenas a imagem de orientação, o nosso método pode seletivamente transferir estruturas salientes que são consistentes tanto nas imagens de orientação como nas imagens alvo. Mostramos que o modelo treinado num certo tipo de dados, por exemplo, imagens RGB e de profundidade, generaliza bem para outras modalidades, por exemplo, imagens Flash/Non-Flash e RGB/NIR. Validamos a eficácia do filtro conjunto proposto através de extensas comparações com métodos de última geração.", "ner": [[{"text": "Filtros conjuntos de imagem", "type": "Método"}, {"text": "imagem de orientação", "type": "Material"}, {"text": "imagem de orientação", "type": "Material"}, {"text": "suprimir o ruído", "type": "Tarefa"}, {"text": "melhorar a resolução espacial", "type": "Tarefa"}], [{"text": "métodos existentes", "type": "Genérico"}, {"text": "construção explícita de filtros", "type": "Método"}, {"text": "funções objetivo desenhadas manualmente", "type": "Método"}], [{"text": "compreendê-los, melhorá-los e acelerá-los", "type": "Genérico"}, {"text": "enquadramento coerente", "type": "Genérico"}], [{"text": "abordagem baseada em aprendizagem", "type": "Método"}, {"text": "filtro conjunto", "type": "Método"}, {"text": "Redes Neurais Convolucionais", "type": "Método"}], [{"text": "métodos", "type": "Genérico"}, {"text": "imagem de orientação", "type": "Material"}, {"text": "método", "type": "Genérico"}, {"text": "transferir estruturas salientes", "type": "Tarefa"}], [{"text": "modelo", "type": "Genérico"}, {"text": "dados", "type": "Genérico"}, {"text": "imagens RGB e de profundidade", "type": "Material"}, {"text": "modalidades", "type": "Genérico"}, {"text": "imagens Flash/Non-Flash e RGB/NIR", "type": "Material"}], [{"text": "filtro conjunto", "type": "Método"}, {"text": "métodos de última geração", "type": "Genérico"}]], "relations": [[{"head": "Filtros conjuntos de imagem", "tail": "suprimir o ruído", "relation": "Usado-para"}, {"head": "Filtros conjuntos de imagem", "tail": "melhorar a resolução espacial", "relation": "Usado-para"}, {"head": "imagem de orientação", "tail": "Filtros conjuntos de imagem", "relation": "Usado-para"}, {"head": "suprimir o ruído", "tail": "melhorar a resolução espacial", "relation": "Conjunção"}], [{"head": "construção explícita de filtros", "tail": "métodos existentes", "relation": "Usado-para"}, {"head": "construção explícita de filtros", "tail": "funções objetivo desenhadas manualmente", "relation": "Conjunção"}, {"head": "funções objetivo desenhadas manualmente", "tail": "métodos existentes", "relation": "Usado-para"}], [{"head": "enquadramento coerente", "tail": "compreendê-los, melhorá-los e acelerá-los", "relation": "Usado-para"}], [{"head": "abordagem baseada em aprendizagem", "tail": "filtro conjunto", "relation": "Usado-para"}, {"head": "Redes Neurais Convolucionais", "tail": "abordagem baseada em aprendizagem", "relation": "Usado-para"}], [{"head": "métodos", "tail": "método", "relation": "Comparado-com"}, {"head": "imagem de orientação", "tail": "métodos", "relation": "Usado-para"}, {"head": "método", "tail": "transferir estruturas salientes", "relation": "Usado-para"}], [{"head": "modelo", "tail": "modalidades", "relation": "Usado-para"}, {"head": "dados", "tail": "modelo", "relation": "Usado-para"}, {"head": "imagens RGB e de profundidade", "tail": "dados", "relation": "Hipónimo-de"}, {"head": "imagens Flash/Non-Flash e RGB/NIR", "tail": "modalidades", "relation": "Hipónimo-de"}], [{"head": "filtro conjunto", "tail": "métodos de última geração", "relation": "Comparado-com"}]], "clusters": [["métodos existentes", "compreendê-los, melhorá-los e acelerá-los", "métodos"], ["Filtros conjuntos de imagem", "filtro conjunto", "filtro conjunto"], ["abordagem baseada em aprendizagem", "método", "modelo"]]}
{"doc_id": "A92-1010", "text": "Na nossa investigação atual sobre a conceção de interfaces cognitivamente bem motivadas que dependem principalmente da apresentação de informação gráfica, observámos que a informação gráfica por si só não fornece apoio suficiente aos utilizadores — particularmente quando surgem situações que não correspondem simplesmente às expetativas dos utilizadores. Isto pode ocorrer devido a demasiada informação ser solicitada, demasiado pouca, informação do tipo errado, etc. Para resolver este problema, estamos a trabalhar na integração da geração de linguagem natural para aumentar a interação", "ner": [[{"text": "interfaces cognitivamente bem motivadas", "type": "Tarefa"}, {"text": "apresentação de informação gráfica", "type": "Outros Termos Científicos"}, {"text": "informação gráfica", "type": "Outros Termos Científicos"}], [], [{"text": "geração de linguagem natural", "type": "Tarefa"}, {"text": "interação", "type": "Genérico"}]], "relations": [[{"head": "apresentação de informação gráfica", "tail": "interfaces cognitivamente bem motivadas", "relation": "Usado-para"}], [], [{"head": "geração de linguagem natural", "tail": "interação", "relation": "Usado-para"}]], "clusters": [["apresentação de informação gráfica", "informação gráfica"]]}
{"doc_id": "P03-1058", "text": "Um problema central da desambiguação de sentidos de palavras -LRB- WSD -RRB- é a falta de dados manualmente anotados com sentidos necessários para aprendizagem supervisionada. Neste artigo, avaliamos uma abordagem para adquirir automaticamente dados de treino anotados com sentidos a partir de corpora paralelos inglês-chinês, que são depois usados para desambiguar os substantivos na tarefa de amostra lexical de inglês do SENSEVAL-2. A nossa investigação revela que este método de aquisição de dados anotados com sentidos é promissor. Numa subparte dos substantivos SENSEVAL-2 mais difíceis, a diferença de exactidão entre as duas abordagens é de apenas 14,0 % e a diferença poderá reduzir-se ainda mais para 6,5 % se desconsiderarmos a vantagem que os dados manualmente anotados com sentidos têm na sua cobertura de sentidos. A nossa análise também realça a importância da questão da dependência de domínio na avaliação de programas de WSD.", "ner": [[{"text": "desambiguação de sentidos de palavras -LRB- WSD -RRB-", "type": "Tarefa"}, {"text": "dados manualmente anotados com sentidos", "type": "Material"}, {"text": "aprendizagem supervisionada", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "dados de treino anotados com sentidos", "type": "Material"}, {"text": "corpora paralelos inglês-chinês", "type": "Material"}, {"text": "substantivos", "type": "Outros Termos Científicos"}, {"text": "tarefa de amostra lexical de inglês do SENSEVAL-2", "type": "Material"}], [{"text": "método", "type": "Genérico"}, {"text": "aquisição de dados anotados com sentidos", "type": "Tarefa"}], [{"text": "substantivos SENSEVAL-2", "type": "Outros Termos Científicos"}, {"text": "exactidão", "type": "Métrica"}, {"text": "dados manualmente anotados com sentidos", "type": "Material"}, {"text": "cobertura de sentidos", "type": "Métrica"}], [{"text": "dependência de domínio", "type": "Outros Termos Científicos"}, {"text": "avaliação de programas de WSD", "type": "Tarefa"}, {"text": "programas de WSD", "type": "Tarefa"}]], "relations": [[{"head": "dados manualmente anotados com sentidos", "tail": "aprendizagem supervisionada", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "dados de treino anotados com sentidos", "relation": "Usado-para"}, {"head": "abordagem", "tail": "substantivos", "relation": "Usado-para"}, {"head": "corpora paralelos inglês-chinês", "tail": "dados de treino anotados com sentidos", "relation": "Usado-para"}, {"head": "substantivos", "tail": "tarefa de amostra lexical de inglês do SENSEVAL-2", "relation": "Parte-de"}], [{"head": "método", "tail": "aquisição de dados anotados com sentidos", "relation": "Usado-para"}], [{"head": "cobertura de sentidos", "tail": "dados manualmente anotados com sentidos", "relation": "Característica-de"}], [{"head": "dependência de domínio", "tail": "avaliação de programas de WSD", "relation": "Característica-de"}]], "clusters": [["abordagem", "método"], ["dados manualmente anotados com sentidos", "dados manualmente anotados com sentidos"], ["desambiguação de sentidos de palavras -LRB- WSD -RRB-", "programas de WSD"]]}
{"doc_id": "E95-1036", "text": "Este artigo apresenta uma análise da anáfora temporal em frases que contêm quantificação sobre eventos, no quadro da Teoria da Representação do Discurso. A análise em -LRB- Partee, 1984 -RRB- de frases quantificadas, introduzidas por um conector temporal, fornece condições de verdade erradas quando o conector temporal na oração subordinada é antes ou depois. Este problema foi previamente analisado em -LRB- de Swart, 1991 -RRB- como um exemplo do problema de proporção e foi-lhe dada uma solução a partir de uma abordagem de Quantificador Generalizado. Usando uma distinção cuidadosa entre as diferentes noções de tempo de referência baseada em -LRB- Kamp e Reyle, 1993 -RRB-, propomos uma solução para este problema, no quadro da TRD. Mostramos algumas aplicações desta solução a fenómenos de anáfora temporal adicionais em frases quantificadas.", "ner": [[{"text": "anáfora temporal", "type": "Tarefa"}, {"text": "quantificação sobre eventos", "type": "Outros Termos Científicos"}, {"text": "Teoria da Representação do Discurso", "type": "Método"}], [{"text": "frases quantificadas", "type": "Material"}, {"text": "conector temporal", "type": "Outros Termos Científicos"}, {"text": "conector temporal", "type": "Outros Termos Científicos"}, {"text": "oração subordinada", "type": "Outros Termos Científicos"}], [{"text": "problema", "type": "Genérico"}, {"text": "problema de proporção", "type": "Outros Termos Científicos"}, {"text": "solução", "type": "Genérico"}, {"text": "abordagem de Quantificador Generalizado", "type": "Método"}], [{"text": "tempo de referência", "type": "Outros Termos Científicos"}, {"text": "solução", "type": "Genérico"}, {"text": "problema", "type": "Genérico"}, {"text": "TRD", "type": "Método"}], [{"text": "solução", "type": "Genérico"}, {"text": "fenómenos de anáfora temporal", "type": "Tarefa"}, {"text": "frases quantificadas", "type": "Material"}]], "relations": [[{"head": "quantificação sobre eventos", "tail": "anáfora temporal", "relation": "Parte-de"}, {"head": "Teoria da Representação do Discurso", "tail": "anáfora temporal", "relation": "Usado-para"}], [{"head": "conector temporal", "tail": "oração subordinada", "relation": "Parte-de"}], [{"head": "abordagem de Quantificador Generalizado", "tail": "problema", "relation": "Usado-para"}], [{"head": "solução", "tail": "problema", "relation": "Usado-para"}, {"head": "TRD", "tail": "problema", "relation": "Usado-para"}], [{"head": "solução", "tail": "fenómenos de anáfora temporal", "relation": "Usado-para"}, {"head": "frases quantificadas", "tail": "solução", "relation": "Usado-para"}]], "clusters": [["anáfora temporal", "problema", "problema"], ["Teoria da Representação do Discurso", "TRD"], ["solução", "solução"], ["solução", "abordagem de Quantificador Generalizado"]]}
{"doc_id": "P06-1112", "text": "Neste artigo, exploramos a correlação de percursos de relações de dependência para ordenar respostas candidatas na extracção de respostas. Usando a medida de correlação, comparamos as relações de dependência de uma resposta candidata e dos sintagmas de pergunta mapeados na frase com as relações correspondentes na pergunta. Diferentemente de estudos anteriores, propomos um algoritmo aproximado de mapeamento de sintagmas e incorporamos a pontuação de mapeamento na medida de correlação. As correlações são ainda incorporadas num modelo de ordenação baseado em Máxima Entropia que estima pesos de percursos a partir de treino. Os resultados experimentais mostram que o nosso método supera significativamente os métodos de relações sintácticas de última geração em até 20 % em MRR.", "ner": [[{"text": "correlação de percursos de relações de dependência", "type": "Outros Termos Científicos"}, {"text": "extracção de respostas", "type": "Tarefa"}], [{"text": "medida de correlação", "type": "Métrica"}, {"text": "relações de dependência", "type": "Outros Termos Científicos"}], [{"text": "algoritmo aproximado de mapeamento de sintagmas", "type": "Método"}, {"text": "pontuação de mapeamento", "type": "Outros Termos Científicos"}, {"text": "medida de correlação", "type": "Métrica"}], [{"text": "correlações", "type": "Genérico"}, {"text": "modelo de ordenação baseado em Máxima Entropia", "type": "Método"}], [{"text": "método", "type": "Genérico"}, {"text": "métodos de relações sintácticas", "type": "Método"}, {"text": "MRR", "type": "Métrica"}]], "relations": [[{"head": "correlação de percursos de relações de dependência", "tail": "extracção de respostas", "relation": "Usado-para"}], [{"head": "medida de correlação", "tail": "relações de dependência", "relation": "Usado-para"}], [{"head": "pontuação de mapeamento", "tail": "medida de correlação", "relation": "Parte-de"}], [{"head": "correlações", "tail": "modelo de ordenação baseado em Máxima Entropia", "relation": "Parte-de"}], [{"head": "método", "tail": "métodos de relações sintácticas", "relation": "Comparado-com"}, {"head": "MRR", "tail": "método", "relation": "Avaliado-para"}, {"head": "MRR", "tail": "métodos de relações sintácticas", "relation": "Avaliado-para"}]], "clusters": [["algoritmo aproximado de mapeamento de sintagmas", "método"], ["correlação de percursos de relações de dependência", "correlações"]]}
{"doc_id": "A92-1023", "text": "Uma metodologia de avaliação significativa pode fazer avançar o estado da arte ao encorajar aplicações maduras e práticas em vez de implementações 'de brincadeira'. A avaliação é também crucial para apreciar reivindicações concorrentes e identificar abordagens técnicas promissoras. Embora o trabalho em reconhecimento de fala -LRB- SR -RRB- tenha um historial de metodologias de avaliação que permitem a comparação entre vários sistemas, até há pouco tempo não existia qualquer metodologia nem para os desenvolvedores de interfaces de linguagem natural -LRB- NL -RRB- nem para os investigadores em compreensão de fala -LRB- SU -RRB- para avaliarem e compararem os sistemas que desenvolviam. Recentemente, foram feitos progressos consideráveis por vários grupos envolvidos no programa DARPA Spoken Language Systems -LRB- SLS -RRB- para acordar numa metodologia para a avaliação de sistemas SLS, e essa metodologia foi posta em prática várias vezes em testes comparativos de vários sistemas SLS. Estas avaliações são provavelmente as únicas avaliações NL, para além da série de Message Understanding Conferences -LRB- Sundheim, 1989; Sundheim, 1991 -RRB-, a terem sido desenvolvidas e utilizadas por um grupo de investigadores em diferentes locais, embora tenham sido realizados vários excelentes workshops para estudar alguns destes problemas -LRB- Palmer et al., 1989; Neal et al., 1991 -RRB-. Este artigo descreve uma metodologia de 'caixa preta' prática para avaliação automática de sistemas NL de resposta a perguntas. Embora cada novo domínio de aplicação exija algum desenvolvimento de recursos especiais, o cerne da metodologia é independente do domínio, e ela pode ser utilizada com entrada em fala ou texto. As características particulares da abordagem são descritas na secção seguinte: as secções subsequentes apresentam a sua implementação na comunidade DARPA SLS, e alguns problemas e direções para desenvolvimento futuro.", "ner": [[{"text": "metodologia de avaliação", "type": "Tarefa"}], [{"text": "Avaliação", "type": "Tarefa"}, {"text": "abordagens", "type": "Genérico"}], [{"text": "reconhecimento de fala -LRB- SR -RRB-", "type": "Tarefa"}, {"text": "metodologias de avaliação", "type": "Genérico"}, {"text": "interfaces de linguagem natural -LRB- NL -RRB-", "type": "Outros Termos Científicos"}, {"text": "compreensão de fala -LRB- SU -RRB-", "type": "Tarefa"}], [{"text": "metodologia", "type": "Genérico"}, {"text": "avaliação de sistemas SLS", "type": "Tarefa"}, {"text": "sistemas SLS", "type": "Método"}, {"text": "metodologia", "type": "Genérico"}, {"text": "sistemas SLS", "type": "Método"}], [{"text": "avaliações", "type": "Genérico"}, {"text": "avaliações NL", "type": "Tarefa"}, {"text": "Message Understanding Conferences", "type": "Material"}], [{"text": "metodologia de 'caixa preta'", "type": "Métrica"}, {"text": "avaliação automática de sistemas NL de resposta a perguntas", "type": "Tarefa"}], [{"text": "metodologia", "type": "Genérico"}, {"text": "ela", "type": "Genérico"}, {"text": "entrada em fala ou texto", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}]], "relations": [[], [{"head": "Avaliação", "tail": "abordagens", "relation": "Usado-para"}], [], [{"head": "metodologia", "tail": "avaliação de sistemas SLS", "relation": "Avaliado-para"}, {"head": "metodologia", "tail": "sistemas SLS", "relation": "Avaliado-para"}], [{"head": "avaliações", "tail": "avaliações NL", "relation": "Hipónimo-de"}, {"head": "avaliações", "tail": "Message Understanding Conferences", "relation": "Conjunção"}], [{"head": "metodologia de 'caixa preta'", "tail": "avaliação automática de sistemas NL de resposta a perguntas", "relation": "Avaliado-para"}], [{"head": "entrada em fala ou texto", "tail": "ela", "relation": "Usado-para"}], []], "clusters": [["metodologia", "metodologia"], ["avaliação de sistemas SLS", "avaliações"], ["metodologia de avaliação", "Avaliação", "metodologias de avaliação"], ["metodologia de 'caixa preta'", "metodologia", "ela", "abordagem"], ["sistemas SLS", "sistemas SLS"]]}
{"doc_id": "CVPR_2014_21_abs", "text": "Neste artigo apresentamos um novo pipeline autónomo para construir um modelo paramétrico personalizado -LRB- avatar orientado pela pose -RRB- usando um único sensor de profundidade. O nosso método começa por capturar alguns scans de alta qualidade do utilizador, rodando-se a si próprio em múltiplas poses a partir de diferentes vistas. Ajustamos cada scan incompleto usando técnicas de ajuste de template com um template humano genérico, e registamos todos os scans a cada pose usando restrições de consistência global. Após o registo, estes modelos estanques com poses diferentes são usados para treinar um modelo paramétrico de forma semelhante ao método SCAPE. Uma vez construído o modelo paramétrico, ele pode ser usado como um avatar animável ou, de forma mais interessante, para sintetizar modelos 3D dinâmicos a partir de vídeos de profundidade de vista única. Os resultados experimentais demonstram a eficácia do nosso sistema em produzir modelos dinâmicos.", "ner": [[{"text": "pipeline autónomo", "type": "Genérico"}, {"text": "modelo paramétrico personalizado -LRB- avatar orientado pela pose -RRB-", "type": "Método"}, {"text": "único sensor de profundidade", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}], [{"text": "técnicas de ajuste de template", "type": "Método"}, {"text": "template humano", "type": "Outros Termos Científicos"}, {"text": "restrições de consistência global", "type": "Outros Termos Científicos"}], [{"text": "modelos estanques", "type": "Método"}, {"text": "modelo paramétrico", "type": "Método"}, {"text": "método SCAPE", "type": "Método"}], [{"text": "modelo paramétrico", "type": "Método"}, {"text": "ele", "type": "Genérico"}, {"text": "avatar animável", "type": "Outros Termos Científicos"}, {"text": "modelos 3D dinâmicos", "type": "Método"}, {"text": "vídeos de profundidade de vista única", "type": "Material"}], [{"text": "sistema", "type": "Genérico"}, {"text": "modelos dinâmicos", "type": "Método"}]], "relations": [[{"head": "pipeline autónomo", "tail": "modelo paramétrico personalizado -LRB- avatar orientado pela pose -RRB-", "relation": "Usado-para"}, {"head": "único sensor de profundidade", "tail": "pipeline autónomo", "relation": "Usado-para"}], [], [{"head": "template humano", "tail": "técnicas de ajuste de template", "relation": "Usado-para"}], [{"head": "modelos estanques", "tail": "modelo paramétrico", "relation": "Usado-para"}, {"head": "método SCAPE", "tail": "modelo paramétrico", "relation": "Usado-para"}], [{"head": "ele", "tail": "avatar animável", "relation": "Usado-para"}, {"head": "ele", "tail": "modelos 3D dinâmicos", "relation": "Usado-para"}, {"head": "vídeos de profundidade de vista única", "tail": "modelos 3D dinâmicos", "relation": "Usado-para"}], [{"head": "sistema", "tail": "modelos dinâmicos", "relation": "Usado-para"}]], "clusters": [["modelo paramétrico", "modelo paramétrico", "ele"], ["pipeline autónomo", "método", "sistema"]]}
{"doc_id": "ICASSP_2011_587_abs", "text": "Neste artigo, propomos um novo algoritmo para detetar/compensar os efeitos de interferência em linha ao integrar o Sistema Global de Navegação por Satélite -LRB- GNSS -RRB- e o Sistema de Navegação Inercial -LRB- INS -RRB-. O acoplamento GNSS/INS é normalmente realizado por um Filtro de Kalman Estendido -LRB- EKF -RRB-, que fornece uma localização precisa e robusta. No entanto, as interferências fazem com que o ruído de medição GNSS aumente de forma inesperada, degradando assim a precisão do posicionamento. Neste contexto, a nossa contribuição é dupla. Primeiro estudamos o impacto do aumento do ruído GNSS na covariância das saídas do EKF, de forma a calcular uma estimativa de mínimos quadrados dos potenciais saltos de variância. Em seguida, esta estimativa é usada num teste Bayesiano que decide se as interferências estão ou não a corromper o sinal GNSS. Isto permite-nos também estimar os seus instantes de ocorrência. Deste modo, as medições deterioradas podem ser descartadas enquanto o seu impacto na solução de navegação pode ser compensado. Os resultados mostram o desempenho da abordagem proposta em dados simulados.", "ner": [[{"text": "algoritmo", "type": "Genérico"}, {"text": "efeitos de interferência em linha", "type": "Tarefa"}, {"text": "Sistema Global de Navegação por Satélite -LRB- GNSS -RRB-", "type": "Tarefa"}, {"text": "Sistema de Navegação Inercial -LRB- INS -RRB-", "type": "Tarefa"}], [{"text": "acoplamento GNSS/INS", "type": "Tarefa"}, {"text": "Filtro de Kalman Estendido -LRB- EKF -RRB-", "type": "Método"}, {"text": "localização precisa e robusta", "type": "Tarefa"}], [{"text": "interferências", "type": "Outros Termos Científicos"}, {"text": "ruído de medição GNSS", "type": "Outros Termos Científicos"}, {"text": "precisão do posicionamento", "type": "Métrica"}], [], [{"text": "covariância", "type": "Outros Termos Científicos"}, {"text": "saídas do EKF", "type": "Outros Termos Científicos"}, {"text": "estimativa de mínimos quadrados", "type": "Método"}, {"text": "saltos de variância", "type": "Outros Termos Científicos"}], [{"text": "estimativa", "type": "Genérico"}, {"text": "teste Bayesiano", "type": "Método"}, {"text": "sinal GNSS", "type": "Outros Termos Científicos"}], [], [{"text": "solução de navegação", "type": "Tarefa"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "dados simulados", "type": "Material"}]], "relations": [[{"head": "algoritmo", "tail": "efeitos de interferência em linha", "relation": "Usado-para"}, {"head": "Sistema Global de Navegação por Satélite -LRB- GNSS -RRB-", "tail": "Sistema de Navegação Inercial -LRB- INS -RRB-", "relation": "Conjunção"}], [{"head": "Filtro de Kalman Estendido -LRB- EKF -RRB-", "tail": "acoplamento GNSS/INS", "relation": "Usado-para"}, {"head": "Filtro de Kalman Estendido -LRB- EKF -RRB-", "tail": "localização precisa e robusta", "relation": "Usado-para"}], [], [], [{"head": "saídas do EKF", "tail": "covariância", "relation": "Característica-de"}, {"head": "estimativa de mínimos quadrados", "tail": "saltos de variância", "relation": "Usado-para"}], [{"head": "estimativa", "tail": "teste Bayesiano", "relation": "Usado-para"}], [], [], [{"head": "dados simulados", "tail": "abordagem", "relation": "Avaliado-para"}]], "clusters": [["estimativa de mínimos quadrados", "estimativa"], ["algoritmo", "teste Bayesiano", "abordagem"]]}
{"doc_id": "CVPR_2012_11_abs", "text": "Propomos uma formulação variacional unificada para estimação e segmentação conjunta do movimento com tratamento explícito de oclusões. Isto é feito através de uma representação multi‑rótulo do campo de fluxo, em que cada rótulo corresponde a uma representação paramétrica do movimento. Utilizamos uma formulação convexa do modelo Potts multi‑rótulo com custos de rótulo e mostramos que o critério assimétrico de unicidade de mapa pode ser integrado na nossa formulação por meio de restrições convexas. O tratamento explícito de oclusões elimina erros que, de outra forma, seriam criados pela regularização. Como as oclusões só podem ocorrer nos limites dos objetos, pode ser necessário um grande número de objetos. Ao usar um algoritmo primal‑dual rápido, conseguimos lidar com várias centenas de segmentos de movimento. Apresentamos resultados em vários exemplos de segmentação clássica de movimento e de fluxo óptico.", "ner": [[{"text": "formulação variacional unificada", "type": "Método"}, {"text": "estimação e segmentação conjunta do movimento", "type": "Tarefa"}, {"text": "tratamento explícito de oclusões", "type": "Método"}], [{"text": "representação multi‑rótulo do campo de fluxo", "type": "Método"}, {"text": "representação paramétrica do movimento", "type": "Tarefa"}], [{"text": "formulação convexa", "type": "Método"}, {"text": "modelo Potts multi‑rótulo", "type": "Método"}, {"text": "critério assimétrico de unicidade de mapa", "type": "Métrica"}, {"text": "formulação", "type": "Genérico"}, {"text": "restrições convexas", "type": "Outros Termos Científicos"}], [{"text": "Tratamento explícito de oclusões", "type": "Método"}, {"text": "regularização", "type": "Outros Termos Científicos"}], [{"text": "oclusões", "type": "Outros Termos Científicos"}, {"text": "limites dos objetos", "type": "Outros Termos Científicos"}], [{"text": "algoritmo primal‑dual", "type": "Método"}, {"text": "segmentos de movimento", "type": "Outros Termos Científicos"}], [{"text": "segmentação clássica de movimento", "type": "Tarefa"}, {"text": "fluxo óptico", "type": "Tarefa"}]], "relations": [[{"head": "formulação variacional unificada", "tail": "estimação e segmentação conjunta do movimento", "relation": "Usado-para"}, {"head": "tratamento explícito de oclusões", "tail": "formulação variacional unificada", "relation": "Usado-para"}], [], [{"head": "formulação convexa", "tail": "modelo Potts multi‑rótulo", "relation": "Usado-para"}, {"head": "critério assimétrico de unicidade de mapa", "tail": "formulação", "relation": "Parte-de"}, {"head": "restrições convexas", "tail": "formulação", "relation": "Usado-para"}], [], [], [{"head": "algoritmo primal‑dual", "tail": "segmentos de movimento", "relation": "Usado-para"}], []], "clusters": [["formulação convexa", "formulação"], ["tratamento explícito de oclusões", "Tratamento explícito de oclusões"]]}
{"doc_id": "ECCV_2016_205_abs", "text": "Duas classes principais de abordagens têm sido estudadas para realizar reconstrução 3D monocular não rígida: métodos baseados em modelos e técnicas de estrutura não rígida a partir de movimento. Enquanto as primeiras têm sido aplicadas para reconstruir superfícies com pouca textura, elas assumem a disponibilidade de um modelo de forma 3D antes da reconstrução. Em contraste, as segundas não requerem tal modelo de forma, mas, em vez disso, dependem de pontos que são acompanhados ao longo de uma sequência de vídeo e, portanto, são pouco adequadas para lidar com superfícies com pouca textura. Neste artigo, introduzimos uma abordagem sem modelo para reconstruir uma superfície deformável com pouca textura. Para este fim, tiramos partido da isometria da superfície e formulamos a reconstrução 3D como o problema conjunto de registo de imagem não rígido e estimação de profundidade. As nossas experiências demonstram que a nossa abordagem produz reconstruções 3D muito mais precisas do que as técnicas de último grito.", "ner": [[{"text": "abordagens", "type": "Genérico"}, {"text": "reconstrução 3D monocular não rígida", "type": "Tarefa"}, {"text": "métodos baseados em modelos", "type": "Método"}, {"text": "técnicas de estrutura não rígida a partir de movimento", "type": "Método"}], [{"text": "primeiras", "type": "Genérico"}, {"text": "superfícies com pouca textura", "type": "Outros Termos Científicos"}, {"text": "elas", "type": "Genérico"}, {"text": "modelo de forma 3D", "type": "Método"}, {"text": "reconstrução", "type": "Tarefa"}], [{"text": "segundas", "type": "Genérico"}, {"text": "modelo de forma", "type": "Outros Termos Científicos"}, {"text": "sequência de vídeo", "type": "Material"}, {"text": "superfícies com pouca textura", "type": "Outros Termos Científicos"}], [{"text": "abordagem sem modelo", "type": "Método"}, {"text": "superfície deformável com pouca textura", "type": "Outros Termos Científicos"}], [{"text": "isometria da superfície", "type": "Método"}, {"text": "reconstrução 3D", "type": "Tarefa"}, {"text": "problema conjunto de registo de imagem não rígido e estimação de profundidade", "type": "Tarefa"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "reconstruções 3D", "type": "Tarefa"}, {"text": "técnicas de último grito", "type": "Genérico"}]], "relations": [[{"head": "abordagens", "tail": "reconstrução 3D monocular não rígida", "relation": "Usado-para"}, {"head": "métodos baseados em modelos", "tail": "abordagens", "relation": "Hipónimo-de"}, {"head": "métodos baseados em modelos", "tail": "técnicas de estrutura não rígida a partir de movimento", "relation": "Conjunção"}, {"head": "técnicas de estrutura não rígida a partir de movimento", "tail": "abordagens", "relation": "Hipónimo-de"}], [{"head": "primeiras", "tail": "superfícies com pouca textura", "relation": "Usado-para"}, {"head": "modelo de forma 3D", "tail": "elas", "relation": "Usado-para"}], [], [{"head": "abordagem sem modelo", "tail": "superfície deformável com pouca textura", "relation": "Usado-para"}], [{"head": "isometria da superfície", "tail": "reconstrução 3D", "relation": "Usado-para"}, {"head": "problema conjunto de registo de imagem não rígido e estimação de profundidade", "tail": "reconstrução 3D", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "técnicas de último grito", "relation": "Comparado-com"}, {"head": "reconstruções 3D", "tail": "abordagem", "relation": "Avaliado-para"}, {"head": "reconstruções 3D", "tail": "técnicas de último grito", "relation": "Avaliado-para"}]], "clusters": [["reconstrução 3D monocular não rígida", "reconstrução", "reconstrução 3D", "reconstruções 3D"], ["métodos baseados em modelos", "primeiras", "elas"], ["técnicas de estrutura não rígida a partir de movimento", "segundas"], ["abordagem sem modelo", "abordagem"]]}
{"doc_id": "CVPR_2009_21_abs", "text": "Muitas aplicações de visão por computador, como a classificação de imagens e a indexação de vídeo, são normalmente problemas de classificação multi-rótulo em que uma instância pode ser atribuída a mais do que uma categoria. Neste artigo, apresentamos uma nova abordagem de classificação multi-rótulo com regularização por hipergrafo que aborda as correlações entre diferentes categorias. Primeiro, é construído um hipergrafo para capturar as correlações entre diferentes categorias, em que cada vértice representa uma instância de treino e cada hiperaresta para uma categoria contém todas as instâncias que pertencem à mesma categoria. De seguida, é proposto um sistema de aprendizagem do tipo SVM melhorado, que incorpora a regularização por hipergrafo, denominado Rank-HLapSVM, para tratar problemas de classificação multi-rótulo. Verificamos que o problema de otimização correspondente pode ser eficientemente resolvido pelo método de descida coordenada dual. Vários resultados experimentais promissores em conjuntos de dados reais, incluindo o ImageCLEF e o Me-diaMill, demonstram a eficácia e a eficiência do algoritmo proposto.", "ner": [[{"text": "aplicações de visão por computador", "type": "Tarefa"}, {"text": "classificação de imagens", "type": "Tarefa"}, {"text": "indexação de vídeo", "type": "Tarefa"}, {"text": "problemas de classificação multi-rótulo", "type": "Tarefa"}], [{"text": "abordagem de classificação multi-rótulo", "type": "Método"}, {"text": "regularização por hipergrafo", "type": "Outros Termos Científicos"}], [{"text": "hipergrafo", "type": "Outros Termos Científicos"}], [{"text": "sistema de aprendizagem do tipo SVM", "type": "Método"}, {"text": "regularização por hipergrafo", "type": "Outros Termos Científicos"}, {"text": "Rank-HLapSVM", "type": "Método"}, {"text": "problemas de classificação multi-rótulo", "type": "Tarefa"}], [{"text": "problema de otimização", "type": "Tarefa"}, {"text": "método de descida coordenada dual", "type": "Método"}], [{"text": "conjuntos de dados reais", "type": "Genérico"}, {"text": "ImageCLEF", "type": "Material"}, {"text": "Me-diaMill", "type": "Material"}, {"text": "algoritmo", "type": "Genérico"}]], "relations": [[{"head": "classificação de imagens", "tail": "aplicações de visão por computador", "relation": "Hipónimo-de"}, {"head": "classificação de imagens", "tail": "indexação de vídeo", "relation": "Conjunção"}, {"head": "indexação de vídeo", "tail": "aplicações de visão por computador", "relation": "Hipónimo-de"}, {"head": "problemas de classificação multi-rótulo", "tail": "aplicações de visão por computador", "relation": "Usado-para"}], [{"head": "regularização por hipergrafo", "tail": "abordagem de classificação multi-rótulo", "relation": "Característica-de"}], [], [{"head": "sistema de aprendizagem do tipo SVM", "tail": "problemas de classificação multi-rótulo", "relation": "Usado-para"}, {"head": "regularização por hipergrafo", "tail": "sistema de aprendizagem do tipo SVM", "relation": "Parte-de"}, {"head": "Rank-HLapSVM", "tail": "sistema de aprendizagem do tipo SVM", "relation": "Hipónimo-de"}], [{"head": "método de descida coordenada dual", "tail": "problema de otimização", "relation": "Usado-para"}], [{"head": "conjuntos de dados reais", "tail": "algoritmo", "relation": "Avaliado-para"}, {"head": "ImageCLEF", "tail": "conjuntos de dados reais", "relation": "Hipónimo-de"}, {"head": "ImageCLEF", "tail": "Me-diaMill", "relation": "Conjunção"}, {"head": "Me-diaMill", "tail": "conjuntos de dados reais", "relation": "Hipónimo-de"}]], "clusters": [["problemas de classificação multi-rótulo", "problemas de classificação multi-rótulo"], ["abordagem de classificação multi-rótulo", "sistema de aprendizagem do tipo SVM", "algoritmo"]]}
{"doc_id": "AAAI_2015_11_abs", "text": "Derivamos um problema de otimização convexa para a tarefa de segmentar dados sequenciais, que trata explicitamente da presença de outliers. Descrevemos dois algoritmos para resolver este problema, um exato e outro uma abordagem nova de cima para baixo, e derivamos um resultado de consistência para o caso de dois segmentos e sem outliers. A robustez a outliers é avaliada em duas tarefas do mundo real relacionadas com a segmentação da fala. Os nossos algoritmos superam algoritmos de segmentação de linha de base.", "ner": [[{"text": "problema de otimização convexa", "type": "Tarefa"}, {"text": "segmentar dados sequenciais", "type": "Tarefa"}, {"text": "outliers", "type": "Outros Termos Científicos"}], [{"text": "algoritmos", "type": "Genérico"}, {"text": "problema", "type": "Genérico"}], [{"text": "robustez", "type": "Métrica"}, {"text": "outliers", "type": "Outros Termos Científicos"}, {"text": "tarefas do mundo real", "type": "Tarefa"}, {"text": "segmentação da fala", "type": "Tarefa"}], [{"text": "algoritmos", "type": "Genérico"}, {"text": "algoritmos de segmentação de linha de base", "type": "Método"}]], "relations": [[{"head": "problema de otimização convexa", "tail": "segmentar dados sequenciais", "relation": "Usado-para"}, {"head": "segmentar dados sequenciais", "tail": "outliers", "relation": "Usado-para"}], [{"head": "algoritmos", "tail": "problema", "relation": "Usado-para"}], [{"head": "outliers", "tail": "robustez", "relation": "Característica-de"}, {"head": "tarefas do mundo real", "tail": "robustez", "relation": "Avaliado-para"}, {"head": "segmentação da fala", "tail": "robustez", "relation": "Avaliado-para"}, {"head": "segmentação da fala", "tail": "tarefas do mundo real", "relation": "Característica-de"}], [{"head": "algoritmos", "tail": "algoritmos de segmentação de linha de base", "relation": "Comparado-com"}]], "clusters": [["algoritmos", "algoritmos"], ["problema de otimização convexa", "problema"]]}
{"doc_id": "C90-3007", "text": "Este artigo analisa as propriedades de descrições parciais baseadas em traços construídas sobre as redes sistémicas de Halliday. Mostramos que a operação crucial de verificação de consistência para tais descrições é NP-completa e, portanto, provavelmente intratável, mas avançamos para desenvolver algoritmos que podem, por vezes, atenuar as consequências desagradáveis desta intratabilidade.", "ner": [[{"text": "descrições parciais baseadas em traços", "type": "Outros Termos Científicos"}, {"text": "redes sistémicas de Halliday", "type": "Método"}], [{"text": "verificação de consistência", "type": "Método"}, {"text": "descrições", "type": "Genérico"}]], "relations": [[{"head": "redes sistémicas de Halliday", "tail": "descrições parciais baseadas em traços", "relation": "Usado-para"}], [{"head": "verificação de consistência", "tail": "descrições", "relation": "Usado-para"}]], "clusters": [["descrições parciais baseadas em traços", "descrições"]]}
{"doc_id": "AAAI_2008_262_abs", "text": "Descrevemos o Yoopick, um mercado combinatório de previsão desportiva que implementa uma linguagem de apostas flexível e, por sua vez, facilita a estimação probabilística de resultados em detalhe.", "ner": [[{"text": "Yoopick", "type": "Método"}, {"text": "mercado combinatório de previsão desportiva", "type": "Método"}, {"text": "linguagem de apostas flexível", "type": "Outros Termos Científicos"}, {"text": "estimação probabilística de resultados em detalhe", "type": "Tarefa"}]], "relations": [[{"head": "Yoopick", "tail": "mercado combinatório de previsão desportiva", "relation": "Hipónimo-de"}, {"head": "Yoopick", "tail": "estimação probabilística de resultados em detalhe", "relation": "Usado-para"}, {"head": "linguagem de apostas flexível", "tail": "Yoopick", "relation": "Usado-para"}]], "clusters": []}
{"doc_id": "ECCV_2012_37_abs", "text": "O objetivo deste artigo é descobrir um conjunto de blocos discriminativos que possam servir como uma representação visual de nível intermédio totalmente não supervisionada. Os blocos pretendidos têm de satisfazer dois requisitos: 1 -RRB- para serem representativos, precisam de ocorrer com frequência suficiente no mundo visual; 2 -RRB- para serem discriminativos, precisam de ser suficientemente diferentes do resto do mundo visual. Os blocos podem corresponder a partes, objetos, 'frases visuais', etc., mas não estão restringidos a ser nenhum deles em particular. Formulamos isto como um problema de clustering discriminativo não supervisionado sobre um enorme conjunto de dados de blocos de imagem. Utilizamos um procedimento iterativo que alterna entre clustering e treino de classificadores discriminativos, aplicando uma validação cruzada cuidadosa em cada passo para evitar overfitting. O artigo demonstra experimentalmente a eficácia dos blocos discriminativos como uma representação visual de nível intermédio não supervisionada, sugerindo que podem ser usados em vez de palavras visuais para muitas tarefas. Além disso, os blocos discrim-inativos também podem ser usados num regime supervisionado, como na classificação de cenas, onde apresentam desempenho de última geração no conjunto de dados MIT Indoor-67.", "ner": [[{"text": "blocos discriminativos", "type": "Método"}, {"text": "representação visual de nível intermédio não supervisionada", "type": "Tarefa"}], [], [{"text": "blocos", "type": "Genérico"}], [{"text": "isto", "type": "Genérico"}, {"text": "problema de clustering discriminativo não supervisionado", "type": "Tarefa"}, {"text": "blocos de imagem", "type": "Material"}], [{"text": "procedimento iterativo", "type": "Método"}, {"text": "clustering", "type": "Método"}, {"text": "treino de classificadores discriminativos", "type": "Método"}, {"text": "validação cruzada", "type": "Método"}, {"text": "overfitting", "type": "Outros Termos Científicos"}], [{"text": "blocos discriminativos", "type": "Método"}, {"text": "representação visual de nível intermédio não supervisionada", "type": "Tarefa"}, {"text": "eles", "type": "Genérico"}], [{"text": "blocos discrim-inativos", "type": "Método"}, {"text": "regime supervisionado", "type": "Tarefa"}, {"text": "classificação de cenas", "type": "Tarefa"}, {"text": "eles", "type": "Genérico"}, {"text": "conjunto de dados MIT Indoor-67", "type": "Material"}]], "relations": [[{"head": "blocos discriminativos", "tail": "representação visual de nível intermédio não supervisionada", "relation": "Usado-para"}], [], [], [{"head": "blocos de imagem", "tail": "problema de clustering discriminativo não supervisionado", "relation": "Usado-para"}], [{"head": "validação cruzada", "tail": "overfitting", "relation": "Usado-para"}], [{"head": "blocos discriminativos", "tail": "representação visual de nível intermédio não supervisionada", "relation": "Usado-para"}, {"head": "eles", "tail": "blocos discriminativos", "relation": "Usado-para"}], [{"head": "blocos discrim-inativos", "tail": "regime supervisionado", "relation": "Usado-para"}, {"head": "classificação de cenas", "tail": "regime supervisionado", "relation": "Hipónimo-de"}, {"head": "conjunto de dados MIT Indoor-67", "tail": "eles", "relation": "Avaliado-para"}]], "clusters": [["blocos discriminativos", "blocos", "isto", "blocos discriminativos", "blocos discrim-inativos", "eles"], ["representação visual de nível intermédio não supervisionada", "representação visual de nível intermédio não supervisionada"]]}
{"doc_id": "A97-1050", "text": "Investigamos a utilidade de um algoritmo para aquisição de léxico de tradução -LRB- SABLE -RRB-, utilizado anteriormente num corpus muito grande para adquirir léxicos de tradução gerais, quando esse algoritmo é aplicado a um corpus muito mais pequeno para produzir candidatos a léxicos de tradução específicos de domínio.", "ner": [[{"text": "algoritmo", "type": "Genérico"}, {"text": "aquisição de léxico de tradução -LRB- SABLE -RRB-", "type": "Tarefa"}, {"text": "léxicos de tradução gerais", "type": "Outros Termos Científicos"}, {"text": "algoritmo", "type": "Genérico"}, {"text": "léxicos de tradução específicos de domínio", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "algoritmo", "tail": "aquisição de léxico de tradução -LRB- SABLE -RRB-", "relation": "Usado-para"}, {"head": "algoritmo", "tail": "léxicos de tradução gerais", "relation": "Usado-para"}, {"head": "algoritmo", "tail": "léxicos de tradução específicos de domínio", "relation": "Usado-para"}]], "clusters": [["algoritmo", "algoritmo"]]}
{"doc_id": "W04-1307", "text": "Este artigo descreve um modelo computacional de segmentação de palavras e apresenta resultados de simulação sobre aquisição realista. Em particular, exploramos a capacidade e as limitações de mecanismos de aprendizagem estatística que recentemente ganharam destaque na psicologia cognitiva e na linguística.", "ner": [[{"text": "modelo computacional", "type": "Método"}, {"text": "segmentação de palavras", "type": "Tarefa"}, {"text": "aquisição realista", "type": "Tarefa"}], [{"text": "mecanismos de aprendizagem estatística", "type": "Método"}, {"text": "psicologia cognitiva", "type": "Material"}, {"text": "linguística", "type": "Material"}]], "relations": [[{"head": "modelo computacional", "tail": "segmentação de palavras", "relation": "Usado-para"}, {"head": "modelo computacional", "tail": "aquisição realista", "relation": "Usado-para"}], [{"head": "psicologia cognitiva", "tail": "mecanismos de aprendizagem estatística", "relation": "Usado-para"}, {"head": "psicologia cognitiva", "tail": "linguística", "relation": "Conjunção"}, {"head": "linguística", "tail": "mecanismos de aprendizagem estatística", "relation": "Usado-para"}]], "clusters": []}
{"doc_id": "ICML_2006_122_abs", "text": "Na abordagem de pesquisa de políticas baseada em modelos para aprendizagem por reforço -LRB- RL -RRB- , as políticas são encontradas usando um modelo -LRB- ou 'simulador' -RRB- do processo de decisão de Markov. No entanto, para tarefas de estado contínuo de alta dimensão, pode ser extremamente difícil construir um modelo preciso e, assim, o algoritmo muitas vezes devolve uma política que funciona em simulação mas não na vida real. No outro extremo, a RL sem modelo tende a exigir números irrealisticamente grandes de experiências na vida real. Neste artigo, apresentamos um algoritmo híbrido que requer apenas um modelo aproximado e apenas um pequeno número de experiências na vida real. A ideia-chave é 'ancorar' sucessivamente as avaliações de políticas usando experiências na vida real, mas confiar no modelo aproximado para sugerir alterações locais. Os nossos resultados teóricos mostram que este algoritmo atinge um desempenho quase ótimo no sistema real, mesmo quando o modelo é apenas aproximado. Resultados empíricos também demonstram que — quando lhe é dado apenas um modelo grosseiro e um pequeno número de experiências na vida real — o nosso algoritmo pode obter um desempenho quase ótimo no sistema real.", "ner": [[{"text": "abordagem de pesquisa de políticas baseada em modelos", "type": "Método"}, {"text": "aprendizagem por reforço -LRB- RL -RRB-", "type": "Tarefa"}, {"text": "políticas", "type": "Outros Termos Científicos"}, {"text": "processo de decisão de Markov", "type": "Outros Termos Científicos"}], [{"text": "tarefas de estado contínuo de alta dimensão", "type": "Tarefa"}, {"text": "modelo", "type": "Genérico"}, {"text": "algoritmo", "type": "Genérico"}, {"text": "política", "type": "Outros Termos Científicos"}], [{"text": "RL sem modelo", "type": "Tarefa"}, {"text": "experiências na vida real", "type": "Outros Termos Científicos"}], [{"text": "algoritmo híbrido", "type": "Método"}, {"text": "modelo aproximado", "type": "Método"}, {"text": "experiências na vida real", "type": "Outros Termos Científicos"}], [{"text": "avaliações de políticas", "type": "Tarefa"}, {"text": "experiências na vida real", "type": "Outros Termos Científicos"}, {"text": "modelo aproximado", "type": "Método"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "desempenho quase ótimo", "type": "Outros Termos Científicos"}], [{"text": "modelo grosseiro", "type": "Genérico"}, {"text": "experiências na vida real", "type": "Outros Termos Científicos"}, {"text": "algoritmo", "type": "Genérico"}, {"text": "desempenho quase ótimo", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "abordagem de pesquisa de políticas baseada em modelos", "tail": "aprendizagem por reforço -LRB- RL -RRB-", "relation": "Usado-para"}, {"head": "processo de decisão de Markov", "tail": "políticas", "relation": "Usado-para"}], [{"head": "modelo", "tail": "tarefas de estado contínuo de alta dimensão", "relation": "Usado-para"}, {"head": "algoritmo", "tail": "política", "relation": "Usado-para"}], [{"head": "experiências na vida real", "tail": "RL sem modelo", "relation": "Usado-para"}], [{"head": "modelo aproximado", "tail": "algoritmo híbrido", "relation": "Usado-para"}, {"head": "experiências na vida real", "tail": "modelo aproximado", "relation": "Usado-para"}], [{"head": "experiências na vida real", "tail": "avaliações de políticas", "relation": "Usado-para"}], [], [{"head": "modelo grosseiro", "tail": "experiências na vida real", "relation": "Conjunção"}, {"head": "modelo grosseiro", "tail": "algoritmo", "relation": "Usado-para"}, {"head": "experiências na vida real", "tail": "algoritmo", "relation": "Usado-para"}]], "clusters": [["algoritmo", "algoritmo"], ["modelo", "algoritmo"]]}
{"doc_id": "N01-1003", "text": "O planeamento de frases é um conjunto de tarefas inter-relacionadas mas distintas, uma das quais é a definição do escopo da frase, isto é, a escolha da estrutura sintáctica para actos de fala elementares e a decisão sobre como os combinar em uma ou mais frases. Neste artigo, apresentamos o SPoT, um planificador de frases, e uma nova metodologia para treinar automaticamente o SPoT com base no feedback fornecido por avaliadores humanos. Reconcebemos a tarefa em duas fases distintas. Primeiro, um gerador de planos de frase muito simples e aleatorizado -LRB- SPG -RRB- gera uma lista potencialmente grande de possíveis planos de frase para uma dada entrada de plano de texto. Em segundo lugar, o ordenador de planos de frase -LRB- SPR -RRB- ordena a lista de planos de frase produzidos e, em seguida, selecciona o plano melhor classificado. O SPR utiliza regras de ordenação aprendidas automaticamente a partir de dados de treino. Mostramos que o SPR treinado aprende a seleccionar um plano de frase cuja classificação, em média, é apenas 5 % pior do que o plano de frase melhor classificado por humanos.", "ner": [[{"text": "O planeamento de frases", "type": "Tarefa"}, {"text": "tarefas", "type": "Genérico"}, {"text": "definição do escopo da frase", "type": "Tarefa"}, {"text": "estrutura sintáctica", "type": "Outros Termos Científicos"}, {"text": "actos de fala", "type": "Outros Termos Científicos"}], [{"text": "SPoT", "type": "Método"}, {"text": "planificador de frases", "type": "Método"}, {"text": "metodologia", "type": "Genérico"}, {"text": "SPoT", "type": "Método"}], [], [{"text": "gerador de planos de frase muito simples e aleatorizado -LRB- SPG -RRB-", "type": "Método"}, {"text": "planos de frase", "type": "Outros Termos Científicos"}, {"text": "entrada de plano de texto", "type": "Outros Termos Científicos"}], [{"text": "ordenador de planos de frase -LRB- SPR -RRB-", "type": "Método"}, {"text": "planos de frase", "type": "Outros Termos Científicos"}], [{"text": "SPR", "type": "Método"}, {"text": "regras de ordenação", "type": "Outros Termos Científicos"}], [{"text": "SPR", "type": "Método"}, {"text": "plano de frase", "type": "Outros Termos Científicos"}, {"text": "plano de frase melhor classificado por humanos", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "definição do escopo da frase", "tail": "tarefas", "relation": "Parte-de"}, {"head": "estrutura sintáctica", "tail": "actos de fala", "relation": "Usado-para"}], [{"head": "SPoT", "tail": "planificador de frases", "relation": "Hipónimo-de"}, {"head": "metodologia", "tail": "SPoT", "relation": "Usado-para"}], [], [{"head": "gerador de planos de frase muito simples e aleatorizado -LRB- SPG -RRB-", "tail": "planos de frase", "relation": "Usado-para"}, {"head": "entrada de plano de texto", "tail": "gerador de planos de frase muito simples e aleatorizado -LRB- SPG -RRB-", "relation": "Usado-para"}], [{"head": "ordenador de planos de frase -LRB- SPR -RRB-", "tail": "planos de frase", "relation": "Usado-para"}], [{"head": "regras de ordenação", "tail": "SPR", "relation": "Usado-para"}], [{"head": "SPR", "tail": "plano de frase", "relation": "Usado-para"}, {"head": "plano de frase", "tail": "plano de frase melhor classificado por humanos", "relation": "Comparado-com"}]], "clusters": [["SPoT", "SPoT"], ["O planeamento de frases", "tarefas"], ["planos de frase", "planos de frase"], ["ordenador de planos de frase -LRB- SPR -RRB-", "SPR", "SPR"]]}
{"doc_id": "H92-1036", "text": "Discutimos a estimação máxima a posteriori de modelos de Markov escondidos de densidade contínua -LRB- CDHMM -RRB- . Os algoritmos clássicos de reestimação de MV -LRB- MLE -RRB- , nomeadamente o algoritmo forward-backward e o algoritmo k-means segmental , são expandidos e são dadas fórmulas de reestimação para HMM com densidades de observação de mistura Gaussiana . Devido à sua natureza adaptativa , a aprendizagem Bayesiana serve como uma abordagem unificada para as seguintes quatro aplicações de reconhecimento de fala , nomeadamente suavização de parâmetros , adaptação ao locutor , modelização de grupos de locutores e treino corretivo . Novos resultados experimentais sobre as quatro aplicações são fornecidos para mostrar a eficácia da abordagem de estimação MAP .", "ner": [[{"text": "estimação máxima a posteriori", "type": "Método"}, {"text": "modelos de Markov escondidos de densidade contínua -LRB- CDHMM -RRB-", "type": "Método"}], [{"text": "algoritmos clássicos de reestimação de MV -LRB- MLE -RRB-", "type": "Método"}, {"text": "algoritmo forward-backward", "type": "Método"}, {"text": "algoritmo k-means segmental", "type": "Método"}, {"text": "fórmulas de reestimação", "type": "Outros Termos Científicos"}, {"text": "HMM com densidades de observação de mistura Gaussiana", "type": "Método"}], [{"text": "aprendizagem Bayesiana", "type": "Método"}, {"text": "aplicações de reconhecimento de fala", "type": "Tarefa"}, {"text": "suavização de parâmetros", "type": "Tarefa"}, {"text": "adaptação ao locutor", "type": "Tarefa"}, {"text": "modelização de grupos de locutores", "type": "Tarefa"}, {"text": "treino corretivo", "type": "Tarefa"}], [{"text": "aplicações", "type": "Genérico"}, {"text": "abordagem de estimação MAP", "type": "Método"}]], "relations": [[{"head": "estimação máxima a posteriori", "tail": "modelos de Markov escondidos de densidade contínua -LRB- CDHMM -RRB-", "relation": "Usado-para"}], [{"head": "algoritmos clássicos de reestimação de MV -LRB- MLE -RRB-", "tail": "algoritmo forward-backward", "relation": "Hipónimo-de"}, {"head": "algoritmos clássicos de reestimação de MV -LRB- MLE -RRB-", "tail": "algoritmo k-means segmental", "relation": "Hipónimo-de"}, {"head": "algoritmo forward-backward", "tail": "algoritmo k-means segmental", "relation": "Conjunção"}, {"head": "fórmulas de reestimação", "tail": "HMM com densidades de observação de mistura Gaussiana", "relation": "Usado-para"}], [{"head": "aprendizagem Bayesiana", "tail": "aplicações de reconhecimento de fala", "relation": "Usado-para"}, {"head": "aplicações de reconhecimento de fala", "tail": "suavização de parâmetros", "relation": "Hipónimo-de"}, {"head": "suavização de parâmetros", "tail": "adaptação ao locutor", "relation": "Conjunção"}, {"head": "aplicações de reconhecimento de fala", "tail": "adaptação ao locutor", "relation": "Hipónimo-de"}, {"head": "adaptação ao locutor", "tail": "modelização de grupos de locutores", "relation": "Conjunção"}, {"head": "aplicações de reconhecimento de fala", "tail": "modelização de grupos de locutores", "relation": "Hipónimo-de"}, {"head": "modelização de grupos de locutores", "tail": "treino corretivo", "relation": "Conjunção"}, {"head": "aplicações de reconhecimento de fala", "tail": "treino corretivo", "relation": "Hipónimo-de"}], [{"head": "aplicações", "tail": "abordagem de estimação MAP", "relation": "Avaliado-para"}]], "clusters": [["aplicações de reconhecimento de fala", "aplicações"], ["estimação máxima a posteriori", "abordagem de estimação MAP"]]}
{"doc_id": "C94-1088", "text": "Este artigo descreve um sistema de colocações em chinês baseado em caracteres e discute as suas vantagens em relação a um sistema tradicional baseado em palavras. Uma vez que as quebras de palavra não são convencionalmente marcadas em corpora de texto em chinês, um sistema de colocações baseado em caracteres tem a dupla vantagem de evitar distorções de pré-processamento e de aceder diretamente a informação sublexical. Além disso, propriedades colocacionais baseadas em palavras podem ser obtidas através de um módulo auxiliar de segmentação automática.", "ner": [[{"text": "sistema de colocações em chinês baseado em caracteres", "type": "Método"}, {"text": "as suas", "type": "Genérico"}, {"text": "sistema tradicional baseado em palavras", "type": "Método"}], [{"text": "corpora de texto em chinês", "type": "Material"}, {"text": "sistema de colocações baseado em caracteres", "type": "Método"}, {"text": "evitar distorções de pré-processamento", "type": "Tarefa"}, {"text": "aceder diretamente a informação sublexical", "type": "Tarefa"}], [{"text": "propriedades colocacionais baseadas em palavras", "type": "Outros Termos Científicos"}, {"text": "módulo auxiliar de segmentação automática", "type": "Método"}]], "relations": [[{"head": "as suas", "tail": "sistema tradicional baseado em palavras", "relation": "Comparado-com"}], [{"head": "evitar distorções de pré-processamento", "tail": "sistema de colocações baseado em caracteres", "relation": "Característica-de"}, {"head": "evitar distorções de pré-processamento", "tail": "aceder diretamente a informação sublexical", "relation": "Conjunção"}, {"head": "aceder diretamente a informação sublexical", "tail": "sistema de colocações baseado em caracteres", "relation": "Característica-de"}], [{"head": "módulo auxiliar de segmentação automática", "tail": "propriedades colocacionais baseadas em palavras", "relation": "Usado-para"}]], "clusters": [["sistema de colocações em chinês baseado em caracteres", "as suas", "sistema de colocações baseado em caracteres"]]}
{"doc_id": "N03-1001", "text": "Este artigo descreve um método para classificação de enunciados que não requer transcrição manual de dados de treino. O método combina modelos acústicos independentes do domínio com classificadores disponíveis no mercado para obter um desempenho de classificação de enunciados surpreendentemente próximo do que pode ser alcançado utilizando reconhecimento convencional de palavras trigramas que requer transcrição manual. No nosso método, o treino não supervisionado é utilizado primeiro para treinar um modelo de n-gramas de fones para um determinado domínio; o resultado do reconhecimento com este modelo é então passado a um classificador de cadeias de fones. A precisão de classificação do método é avaliada em três domínios diferentes de sistemas de linguagem falada.", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "classificação de enunciados", "type": "Tarefa"}, {"text": "transcrição manual", "type": "Material"}], [{"text": "método", "type": "Genérico"}, {"text": "modelos acústicos independentes do domínio", "type": "Método"}, {"text": "classificadores", "type": "Método"}, {"text": "classificação de enunciados", "type": "Tarefa"}, {"text": "reconhecimento convencional de palavras trigramas", "type": "Método"}, {"text": "transcrição manual", "type": "Material"}], [{"text": "método", "type": "Genérico"}, {"text": "treino não supervisionado", "type": "Método"}, {"text": "modelo de n-gramas de fones", "type": "Método"}, {"text": "domínio", "type": "Genérico"}, {"text": "modelo", "type": "Genérico"}, {"text": "classificador de cadeias de fones", "type": "Método"}], [{"text": "precisão de classificação", "type": "Métrica"}, {"text": "método", "type": "Genérico"}, {"text": "domínios diferentes de sistemas de linguagem falada", "type": "Material"}]], "relations": [[{"head": "método", "tail": "classificação de enunciados", "relation": "Usado-para"}], [{"head": "método", "tail": "classificação de enunciados", "relation": "Usado-para"}, {"head": "modelos acústicos independentes do domínio", "tail": "método", "relation": "Parte-de"}, {"head": "classificadores", "tail": "método", "relation": "Parte-de"}, {"head": "classificadores", "tail": "modelos acústicos independentes do domínio", "relation": "Conjunção"}, {"head": "reconhecimento convencional de palavras trigramas", "tail": "método", "relation": "Usado-para"}, {"head": "transcrição manual", "tail": "reconhecimento convencional de palavras trigramas", "relation": "Usado-para"}], [{"head": "treino não supervisionado", "tail": "método", "relation": "Parte-de"}, {"head": "treino não supervisionado", "tail": "modelo de n-gramas de fones", "relation": "Usado-para"}, {"head": "treino não supervisionado", "tail": "domínio", "relation": "Usado-para"}], [{"head": "precisão de classificação", "tail": "método", "relation": "Avaliado-para"}, {"head": "domínios diferentes de sistemas de linguagem falada", "tail": "método", "relation": "Avaliado-para"}]], "clusters": [["classificação de enunciados", "classificação de enunciados"], ["método", "método", "método", "método"], ["modelo de n-gramas de fones", "modelo"]]}
{"doc_id": "IJCAI_2013_15_abs", "text": "A Álgebra de Intervalos -LRB- IA -RRB- e um subconjunto do Cálculo de Conexão de Regiões -LRB- RCC -RRB-, nomeadamente o RCC-8, são as abordagens dominantes de Inteligência Artificial para representar e raciocinar sobre relações qualitativas temporais e topológicas, respetivamente. Tal informação qualitativa pode ser formulada como uma Rede de Restrições Qualitativas -LRB- QCN -RRB-. Neste artigo, focamo-nos no problema de rotulagem mínima -LRB- MLP -RRB- e propomos um algoritmo para derivar de forma eficiente todas as relações base viáveis de uma QCN. O nosso algoritmo considera QCN cordais e uma nova forma de consistência parcial que definimos como ◆ G-consistência. Além disso, o algoritmo proposto utiliza subclasses tratáveis de relações que possuem uma propriedade específica de remendo para a qual a consistência implica a consistência da QCN de entrada. As experiências com QCN de IA e RCC-8 mostram a importância e a eficiência desta nova abordagem.", "ner": [[{"text": "Álgebra de Intervalos -LRB- IA -RRB-", "type": "Método"}, {"text": "Cálculo de Conexão de Regiões -LRB- RCC -RRB-", "type": "Método"}, {"text": "RCC-8", "type": "Método"}, {"text": "abordagens dominantes de Inteligência Artificial", "type": "Método"}, {"text": "representar e raciocinar sobre relações qualitativas temporais e topológicas", "type": "Tarefa"}, {"text": "relações qualitativas temporais e topológicas", "type": "Outros Termos Científicos"}], [{"text": "informação qualitativa", "type": "Outros Termos Científicos"}, {"text": "Rede de Restrições Qualitativas -LRB- QCN -RRB-", "type": "Método"}], [{"text": "problema de rotulagem mínima -LRB- MLP -RRB-", "type": "Tarefa"}, {"text": "algoritmo", "type": "Genérico"}, {"text": "QCN", "type": "Método"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "QCN cordais", "type": "Método"}, {"text": "consistência parcial", "type": "Outros Termos Científicos"}, {"text": "◆ G-consistência", "type": "Outros Termos Científicos"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "propriedade específica de remendo", "type": "Outros Termos Científicos"}, {"text": "QCN", "type": "Método"}], [{"text": "QCN", "type": "Método"}, {"text": "QCN de IA e RCC-8", "type": "Método"}, {"text": "IA", "type": "Método"}, {"text": "RCC-8", "type": "Método"}, {"text": "abordagem", "type": "Genérico"}]], "relations": [[{"head": "Álgebra de Intervalos -LRB- IA -RRB-", "tail": "Cálculo de Conexão de Regiões -LRB- RCC -RRB-", "relation": "Conjunção"}, {"head": "Álgebra de Intervalos -LRB- IA -RRB-", "tail": "abordagens dominantes de Inteligência Artificial", "relation": "Hipónimo-de"}, {"head": "Cálculo de Conexão de Regiões -LRB- RCC -RRB-", "tail": "abordagens dominantes de Inteligência Artificial", "relation": "Hipónimo-de"}, {"head": "RCC-8", "tail": "Cálculo de Conexão de Regiões -LRB- RCC -RRB-", "relation": "Hipónimo-de"}, {"head": "abordagens dominantes de Inteligência Artificial", "tail": "representar e raciocinar sobre relações qualitativas temporais e topológicas", "relation": "Usado-para"}], [{"head": "Rede de Restrições Qualitativas -LRB- QCN -RRB-", "tail": "informação qualitativa", "relation": "Usado-para"}], [{"head": "algoritmo", "tail": "QCN", "relation": "Usado-para"}], [{"head": "QCN cordais", "tail": "algoritmo", "relation": "Parte-de"}, {"head": "QCN cordais", "tail": "consistência parcial", "relation": "Conjunção"}, {"head": "consistência parcial", "tail": "algoritmo", "relation": "Parte-de"}, {"head": "◆ G-consistência", "tail": "consistência parcial", "relation": "Hipónimo-de"}], [], [{"head": "QCN de IA e RCC-8", "tail": "abordagem", "relation": "Avaliado-para"}]], "clusters": [["Rede de Restrições Qualitativas -LRB- QCN -RRB-", "QCN", "QCN", "QCN"], ["relações qualitativas temporais e topológicas", "informação qualitativa"], ["RCC-8", "RCC-8"], ["Álgebra de Intervalos -LRB- IA -RRB-", "IA"], ["algoritmo", "algoritmo", "algoritmo", "abordagem"]]}
{"doc_id": "E93-1043", "text": "Neste artigo é apresentado um componente morfológico com uma capacidade limitada de interpretar -LRB- e gerar -RRB- automaticamente palavras derivadas. O sistema combina uma morfologia de dois níveis alargada -LSB- Trost, 1991a; Trost, 1991b -RSB- com uma gramática de palavras baseada em traços construída sobre um léxico hierárquico. Radicais polimorfémicos não armazenados explicitamente no léxico recebem uma interpretação composicional. Deste modo, o sistema permite minimizar a redundância no léxico, porque palavras derivadas que sejam transparentes não precisam de ser armazenadas explicitamente. Além disso, palavras formadas ad hoc podem ser reconhecidas corretamente. O sistema está implementado em CommonLisp e foi testado em exemplos de derivação alemã.", "ner": [[{"text": "componente morfológico", "type": "Método"}, {"text": "palavras derivadas", "type": "Outros Termos Científicos"}], [{"text": "sistema", "type": "Genérico"}, {"text": "morfologia de dois níveis", "type": "Outros Termos Científicos"}, {"text": "gramática de palavras baseada em traços", "type": "Método"}, {"text": "léxico hierárquico", "type": "Outros Termos Científicos"}], [{"text": "Radicais polimorfémicos", "type": "Outros Termos Científicos"}, {"text": "interpretação composicional", "type": "Outros Termos Científicos"}], [{"text": "sistema", "type": "Genérico"}, {"text": "palavras derivadas", "type": "Outros Termos Científicos"}], [{"text": "palavras formadas ad hoc", "type": "Outros Termos Científicos"}], [{"text": "sistema", "type": "Genérico"}, {"text": "CommonLisp", "type": "Método"}, {"text": "derivação alemã", "type": "Material"}]], "relations": [[{"head": "componente morfológico", "tail": "palavras derivadas", "relation": "Usado-para"}], [{"head": "morfologia de dois níveis", "tail": "sistema", "relation": "Usado-para"}, {"head": "morfologia de dois níveis", "tail": "gramática de palavras baseada em traços", "relation": "Conjunção"}, {"head": "léxico hierárquico", "tail": "gramática de palavras baseada em traços", "relation": "Usado-para"}], [{"head": "interpretação composicional", "tail": "Radicais polimorfémicos", "relation": "Característica-de"}], [], [], [{"head": "CommonLisp", "tail": "sistema", "relation": "Usado-para"}, {"head": "derivação alemã", "tail": "sistema", "relation": "Avaliado-para"}]], "clusters": [["componente morfológico", "sistema", "sistema", "sistema"], ["palavras derivadas", "palavras derivadas"]]}
{"doc_id": "P08-2034", "text": "A classificação de sentimento de canções baseada na letra procura atribuir às canções rótulos de sentimento apropriados, como leve e pesado de coração. Quatro problemas tornam ineficaz a abordagem de classificação de texto baseada em modelo de espaço vetorial -LRB- VSM -RRB-: 1 -RRB- Muitas palavras dentro das letras das canções na verdade contribuem pouco para o sentimento; 2 -RRB- Os substantivos e verbos usados para expressar sentimento são ambíguos; 3 -RRB- As negações e modificadores em torno das palavras-chave de sentimento dão contribuições particulares para o sentimento; 4 -RRB- A letra da canção é geralmente muito curta. Para abordar estes problemas, o modelo de espaço vetorial de sentimento -LRB- s-VSM -RRB- é proposto para representar o documento de letra de canção. As experiências preliminares provam que o modelo s-VSM supera o modelo VSM na tarefa de classificação de sentimento de canções baseada na letra.", "ner": [[{"text": "classificação de sentimento de canções baseada na letra", "type": "Tarefa"}], [{"text": "abordagem de classificação de texto baseada em modelo de espaço vetorial -LRB- VSM -RRB-", "type": "Método"}, {"text": "letras das canções", "type": "Material"}, {"text": "sentimento", "type": "Outros Termos Científicos"}, {"text": "negações", "type": "Outros Termos Científicos"}, {"text": "modificadores", "type": "Outros Termos Científicos"}, {"text": "palavras-chave de sentimento", "type": "Outros Termos Científicos"}, {"text": "sentimento", "type": "Outros Termos Científicos"}, {"text": "letra da canção", "type": "Material"}], [{"text": "modelo de espaço vetorial de sentimento -LRB- s-VSM -RRB-", "type": "Método"}, {"text": "documento de letra de canção", "type": "Material"}], [{"text": "modelo s-VSM", "type": "Método"}, {"text": "modelo VSM", "type": "Método"}, {"text": "tarefa de classificação de sentimento de canções baseada na letra", "type": "Tarefa"}]], "relations": [[], [{"head": "negações", "tail": "modificadores", "relation": "Conjunção"}, {"head": "negações", "tail": "sentimento", "relation": "Usado-para"}, {"head": "modificadores", "tail": "sentimento", "relation": "Usado-para"}], [{"head": "modelo de espaço vetorial de sentimento -LRB- s-VSM -RRB-", "tail": "documento de letra de canção", "relation": "Usado-para"}], [{"head": "modelo s-VSM", "tail": "modelo VSM", "relation": "Comparado-com"}, {"head": "tarefa de classificação de sentimento de canções baseada na letra", "tail": "modelo s-VSM", "relation": "Avaliado-para"}, {"head": "tarefa de classificação de sentimento de canções baseada na letra", "tail": "modelo VSM", "relation": "Avaliado-para"}]], "clusters": [["modelo de espaço vetorial de sentimento -LRB- s-VSM -RRB-", "modelo s-VSM"], ["letras das canções", "letra da canção"]]}
{"doc_id": "W02-1403", "text": "A estruturação terminológica tem sido objecto de muito trabalho no contexto de termos extraídos de corpora: dado um conjunto de termos, obtidos a partir de um recurso existente ou extraídos de um corpus, identificar relações hierárquicas (ou outros tipos de relações) entre esses termos. O presente artigo centra-se na estruturação terminológica por métodos lexicais, que fazem corresponder termos com base nas suas palavras de conteúdo, tendo em conta variantes morfológicas. As experiências são realizadas sobre uma lista 'plana' de termos obtidos a partir de uma terminologia originalmente estruturada de forma hierárquica: a versão francesa do thesaurus MeSH da Biblioteca Nacional de Medicina dos EUA. Comparamos as relações induzidas lexicalmente com as relações MeSH originais: após uma avaliação quantitativa da sua congruência através de métricas de revocação e precisão, efectuamos uma análise qualitativa humana das 'novas' relações não presentes no MeSH. Esta análise mostra, por um lado, os limites do método de estruturação lexical. Por outro lado, revela também algumas escolhas específicas de estruturação e convenções de nomeação feitas pelos criadores do MeSH, e enfatiza compromissos ontológicos que não podem ser deixados à estruturação automática.", "ner": [[{"text": "estruturação terminológica", "type": "Tarefa"}, {"text": "corpus", "type": "Material"}, {"text": "relações hierárquicas (ou outros tipos de relações)", "type": "Outros Termos Científicos"}], [{"text": "estruturação terminológica", "type": "Tarefa"}, {"text": "métodos lexicais", "type": "Método"}, {"text": "variantes morfológicas", "type": "Outros Termos Científicos"}], [{"text": "terminologia originalmente estruturada de forma hierárquica", "type": "Material"}, {"text": "thesaurus MeSH da Biblioteca Nacional de Medicina dos EUA", "type": "Material"}], [{"text": "relações induzidas lexicalmente", "type": "Outros Termos Científicos"}, {"text": "relações MeSH", "type": "Outros Termos Científicos"}, {"text": "métricas de revocação e precisão", "type": "Métrica"}, {"text": "MeSH", "type": "Outros Termos Científicos"}], [{"text": "método de estruturação lexical", "type": "Método"}], [{"text": "MeSH", "type": "Outros Termos Científicos"}, {"text": "estruturação automática", "type": "Tarefa"}]], "relations": [[], [{"head": "métodos lexicais", "tail": "estruturação terminológica", "relation": "Usado-para"}], [{"head": "thesaurus MeSH da Biblioteca Nacional de Medicina dos EUA", "tail": "terminologia originalmente estruturada de forma hierárquica", "relation": "Hipónimo-de"}], [{"head": "relações induzidas lexicalmente", "tail": "relações MeSH", "relation": "Comparado-com"}, {"head": "métricas de revocação e precisão", "tail": "relações MeSH", "relation": "Avaliado-para"}], [], []], "clusters": [["relações MeSH", "MeSH"]]}
{"doc_id": "N03-2006", "text": "Para melhorar a qualidade de tradução da EBMT baseada num corpus bilingue de pequena dimensão, utilizamos um corpus bilingue fora de domínio e, além disso, o modelo de linguagem de um corpus monolingue no domínio. Realizámos experiências com um sistema de EBMT. As duas medidas de avaliação, a pontuação BLEU e a pontuação NIST, demonstraram o efeito da utilização de um corpus bilingue fora de domínio e a possibilidade de utilização do modelo de linguagem.", "ner": [[{"text": "EBMT", "type": "Método"}, {"text": "corpus bilingue de pequena dimensão", "type": "Material"}, {"text": "corpus bilingue fora de domínio", "type": "Material"}, {"text": "modelo de linguagem", "type": "Método"}, {"text": "corpus monolingue no domínio", "type": "Material"}], [{"text": "sistema de EBMT", "type": "Método"}], [{"text": "medidas de avaliação", "type": "Métrica"}, {"text": "pontuação BLEU", "type": "Métrica"}, {"text": "pontuação NIST", "type": "Métrica"}, {"text": "corpus bilingue fora de domínio", "type": "Material"}, {"text": "modelo de linguagem", "type": "Método"}]], "relations": [[{"head": "corpus bilingue de pequena dimensão", "tail": "EBMT", "relation": "Usado-para"}, {"head": "corpus bilingue fora de domínio", "tail": "EBMT", "relation": "Usado-para"}, {"head": "modelo de linguagem", "tail": "EBMT", "relation": "Usado-para"}, {"head": "corpus monolingue no domínio", "tail": "modelo de linguagem", "relation": "Usado-para"}], [], [{"head": "medidas de avaliação", "tail": "corpus bilingue fora de domínio", "relation": "Usado-para"}, {"head": "medidas de avaliação", "tail": "modelo de linguagem", "relation": "Avaliado-para"}, {"head": "pontuação BLEU", "tail": "medidas de avaliação", "relation": "Hipónimo-de"}, {"head": "pontuação BLEU", "tail": "pontuação NIST", "relation": "Conjunção"}, {"head": "pontuação NIST", "tail": "medidas de avaliação", "relation": "Hipónimo-de"}]], "clusters": [["EBMT", "sistema de EBMT"], ["modelo de linguagem", "modelo de linguagem"], ["corpus bilingue fora de domínio", "corpus bilingue fora de domínio"]]}
{"doc_id": "ECCV_2016_107_abs", "text": "Os diagramas são ferramentas comuns para representar conceitos complexos, relações e eventos, muitas vezes quando seria difícil retratar a mesma informação com imagens naturais. A compreensão de imagens naturais tem sido extensivamente estudada em visão por computador, enquanto a compreensão de diagramas recebeu pouca atenção. Neste artigo, estudamos o problema da interpretação e raciocínio sobre diagramas, a tarefa desafiante de identificar a estrutura de um diagrama e a semântica dos seus constituintes e das suas relações. Introduzimos Diagram Parse Graphs -LRB- DPG -RRB- como a nossa representação para modelar a estrutura de diagramas. Definimos a análise sintáctica de diagramas como o processo de aprender a inferir DPGs para diagramas e estudamos a interpretação semântica e raciocínio sobre diagramas no contexto de perguntas e respostas sobre diagramas. Concebemos um método baseado em LSTM para a análise sintáctica de diagramas e introduzimos um modelo de atenção baseado em DPG para perguntas e respostas sobre diagramas. Compilamos um novo conjunto de dados de diagramas com anotações exaustivas de constituintes e relações para mais de 5 000 diagramas e 15 000 perguntas e respostas. Os nossos resultados mostram a importância dos nossos modelos para a análise sintáctica e perguntas e respostas em diagramas usando DPGs.", "ner": [[{"text": "diagramas", "type": "Método"}, {"text": "conceitos complexos", "type": "Outros Termos Científicos"}, {"text": "relações", "type": "Outros Termos Científicos"}, {"text": "eventos", "type": "Outros Termos Científicos"}, {"text": "imagens naturais", "type": "Material"}], [{"text": "compreensão de imagens naturais", "type": "Tarefa"}, {"text": "imagens naturais", "type": "Material"}, {"text": "visão por computador", "type": "Tarefa"}, {"text": "compreensão de diagramas", "type": "Tarefa"}], [{"text": "interpretação e raciocínio sobre diagramas", "type": "Tarefa"}, {"text": "tarefa", "type": "Genérico"}, {"text": "estrutura de um diagrama", "type": "Outros Termos Científicos"}], [{"text": "Diagram Parse Graphs -LRB- DPG -RRB-", "type": "Método"}, {"text": "estrutura de diagramas", "type": "Outros Termos Científicos"}], [{"text": "análise sintáctica de diagramas", "type": "Tarefa"}, {"text": "DPGs", "type": "Método"}, {"text": "interpretação semântica e raciocínio sobre diagramas", "type": "Tarefa"}, {"text": "perguntas e respostas sobre diagramas", "type": "Tarefa"}], [{"text": "método baseado em LSTM", "type": "Método"}, {"text": "análise sintáctica de diagramas", "type": "Tarefa"}, {"text": "modelo de atenção baseado em DPG", "type": "Método"}, {"text": "perguntas e respostas sobre diagramas", "type": "Tarefa"}], [{"text": "conjunto de dados", "type": "Genérico"}, {"text": "diagramas", "type": "Material"}], [{"text": "modelos", "type": "Genérico"}, {"text": "análise sintáctica e perguntas e respostas em diagramas", "type": "Tarefa"}, {"text": "DPGs", "type": "Método"}]], "relations": [[{"head": "diagramas", "tail": "conceitos complexos", "relation": "Usado-para"}, {"head": "diagramas", "tail": "relações", "relation": "Usado-para"}, {"head": "diagramas", "tail": "eventos", "relation": "Usado-para"}, {"head": "conceitos complexos", "tail": "relações", "relation": "Conjunção"}, {"head": "relações", "tail": "eventos", "relation": "Conjunção"}], [{"head": "compreensão de imagens naturais", "tail": "visão por computador", "relation": "Parte-de"}, {"head": "compreensão de imagens naturais", "tail": "compreensão de diagramas", "relation": "Comparado-com"}], [{"head": "tarefa", "tail": "estrutura de um diagrama", "relation": "Usado-para"}], [{"head": "Diagram Parse Graphs -LRB- DPG -RRB-", "tail": "estrutura de diagramas", "relation": "Usado-para"}], [{"head": "análise sintáctica de diagramas", "tail": "DPGs", "relation": "Usado-para"}, {"head": "interpretação semântica e raciocínio sobre diagramas", "tail": "perguntas e respostas sobre diagramas", "relation": "Usado-para"}], [{"head": "método baseado em LSTM", "tail": "análise sintáctica de diagramas", "relation": "Usado-para"}, {"head": "modelo de atenção baseado em DPG", "tail": "perguntas e respostas sobre diagramas", "relation": "Usado-para"}], [{"head": "diagramas", "tail": "conjunto de dados", "relation": "Característica-de"}], [{"head": "modelos", "tail": "análise sintáctica e perguntas e respostas em diagramas", "relation": "Usado-para"}, {"head": "DPGs", "tail": "modelos", "relation": "Usado-para"}]], "clusters": [["imagens naturais", "imagens naturais"], ["análise sintáctica de diagramas", "análise sintáctica de diagramas"], ["Diagram Parse Graphs -LRB- DPG -RRB-", "DPGs", "DPGs"], ["interpretação e raciocínio sobre diagramas", "tarefa"], ["perguntas e respostas sobre diagramas", "perguntas e respostas sobre diagramas"]]}
{"doc_id": "ICCV_2015_50_abs", "text": "Detetar alterações subtis de grão fino numa cena é criticamente importante na prática. Os métodos anteriores de deteção de alterações, focados em detetar alterações significativas em grande escala, não o conseguem fazer bem. Este artigo propõe uma abordagem ponta-a-ponta viável para este problema desafiante. Começamos por uma relocalização ativa da câmara que rapidamente relocaliza a câmara para quase a mesma pose e posição da última observação. Para garantir a sensibilidade de deteção e a exatidão de alterações mínimas, numa observação capturamos um conjunto de imagens sob múltiplas iluminações, que só precisam de ser grosseiramente alinhadas às condições de iluminação da última vez. Dadas duas observações em instantes diferentes, formulamos a deteção de alterações de grão fino como um problema de otimização conjunta de três fatores relacionados, isto é, diferença de iluminação sensível às normais, fluxo de correção da geometria da câmara e máscara de alteração da cena real. Resolvemos os três fatores de forma grosseiro-para-fino e obtemos uma decisão de alteração fiável por minimização de posto. Construímos três conjuntos de dados do mundo real para avaliar a deteção de alterações de grão fino em cenas desalinhadas sob variadas condições de iluminação múltipla. Experiências extensivas mostram o desempenho superior da nossa abordagem em relação aos métodos de deteção de alterações do estado da arte e a sua capacidade para distinguir alterações reais da cena de falsas causadas por variações de iluminação.", "ner": [[{"text": "Detetar alterações subtis de grão fino numa cena", "type": "Tarefa"}], [{"text": "métodos de deteção de alterações", "type": "Método"}, {"text": "detetar alterações significativas em grande escala", "type": "Tarefa"}], [{"text": "abordagem ponta-a-ponta", "type": "Método"}, {"text": "problema", "type": "Genérico"}], [{"text": "relocalização ativa da câmara", "type": "Método"}], [{"text": "sensibilidade de deteção", "type": "Métrica"}, {"text": "exatidão", "type": "Métrica"}, {"text": "iluminações", "type": "Outros Termos Científicos"}], [{"text": "deteção de alterações de grão fino", "type": "Tarefa"}, {"text": "problema de otimização conjunta", "type": "Tarefa"}, {"text": "fatores", "type": "Genérico"}, {"text": "diferença de iluminação sensível às normais", "type": "Outros Termos Científicos"}, {"text": "fluxo de correção da geometria da câmara", "type": "Outros Termos Científicos"}, {"text": "máscara de alteração da cena real", "type": "Outros Termos Científicos"}], [{"text": "fatores", "type": "Genérico"}, {"text": "forma grosseiro-para-fino", "type": "Outros Termos Científicos"}, {"text": "decisão de alteração", "type": "Outros Termos Científicos"}, {"text": "minimização de posto", "type": "Método"}], [{"text": "conjuntos de dados do mundo real", "type": "Material"}, {"text": "deteção de alterações de grão fino em cenas desalinhadas", "type": "Tarefa"}, {"text": "variadas condições de iluminação múltipla", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "métodos de deteção de alterações", "type": "Método"}, {"text": "alterações reais da cena", "type": "Outros Termos Científicos"}, {"text": "variações de iluminação", "type": "Outros Termos Científicos"}]], "relations": [[], [{"head": "métodos de deteção de alterações", "tail": "detetar alterações significativas em grande escala", "relation": "Usado-para"}], [{"head": "abordagem ponta-a-ponta", "tail": "problema", "relation": "Usado-para"}], [], [], [{"head": "problema de otimização conjunta", "tail": "deteção de alterações de grão fino", "relation": "Usado-para"}, {"head": "fatores", "tail": "problema de otimização conjunta", "relation": "Característica-de"}, {"head": "diferença de iluminação sensível às normais", "tail": "fatores", "relation": "Hipónimo-de"}, {"head": "diferença de iluminação sensível às normais", "tail": "fluxo de correção da geometria da câmara", "relation": "Conjunção"}, {"head": "fluxo de correção da geometria da câmara", "tail": "fatores", "relation": "Hipónimo-de"}, {"head": "fluxo de correção da geometria da câmara", "tail": "máscara de alteração da cena real", "relation": "Conjunção"}, {"head": "máscara de alteração da cena real", "tail": "fatores", "relation": "Hipónimo-de"}], [{"head": "forma grosseiro-para-fino", "tail": "fatores", "relation": "Usado-para"}, {"head": "minimização de posto", "tail": "decisão de alteração", "relation": "Usado-para"}], [{"head": "conjuntos de dados do mundo real", "tail": "deteção de alterações de grão fino em cenas desalinhadas", "relation": "Avaliado-para"}, {"head": "variadas condições de iluminação múltipla", "tail": "deteção de alterações de grão fino em cenas desalinhadas", "relation": "Característica-de"}], [{"head": "abordagem", "tail": "métodos de deteção de alterações", "relation": "Comparado-com"}, {"head": "abordagem", "tail": "alterações reais da cena", "relation": "Usado-para"}]], "clusters": [["abordagem ponta-a-ponta", "abordagem"], ["detetar alterações significativas em grande escala", "problema"], ["fatores", "fatores"]]}
{"doc_id": "I05-2014", "text": "Métricas de avaliação automática para sistemas de Tradução Automática -LRB- MT -RRB-, como BLEU ou NIST, estão agora bem estabelecidas. No entanto, são raramente usadas para a avaliação de pares de línguas como Inglês-Chinês ou Inglês-Japonês, devido ao problema de segmentação de palavras. Este estudo estabelece a equivalência entre o uso padrão do BLEU em n-gramas de palavras e a sua aplicação ao nível de carater. A utilização do BLEU ao nível de carater elimina o problema de segmentação de palavras: torna possível comparar diretamente a saída de sistemas comerciais que produzem textos não segmentados com, por exemplo, sistemas estatísticos de MT que normalmente segmentam as suas saídas.", "ner": [[{"text": "Métricas de avaliação automática", "type": "Métrica"}, {"text": "sistemas de Tradução Automática -LRB- MT -RRB-", "type": "Tarefa"}, {"text": "BLEU", "type": "Métrica"}, {"text": "NIST", "type": "Métrica"}], [{"text": "são", "type": "Genérico"}, {"text": "avaliação de pares de línguas", "type": "Tarefa"}, {"text": "pares de línguas", "type": "Outros Termos Científicos"}, {"text": "Inglês-Chinês", "type": "Outros Termos Científicos"}, {"text": "Inglês-Japonês", "type": "Outros Termos Científicos"}, {"text": "problema de segmentação de palavras", "type": "Tarefa"}], [{"text": "BLEU", "type": "Métrica"}, {"text": "n-gramas de palavras", "type": "Método"}, {"text": "nível de carater", "type": "Outros Termos Científicos"}], [{"text": "BLEU", "type": "Métrica"}, {"text": "nível de carater", "type": "Outros Termos Científicos"}, {"text": "problema de segmentação de palavras", "type": "Tarefa"}, {"text": "torna", "type": "Genérico"}, {"text": "sistemas comerciais", "type": "Método"}, {"text": "sistemas estatísticos de MT", "type": "Método"}]], "relations": [[{"head": "Métricas de avaliação automática", "tail": "sistemas de Tradução Automática -LRB- MT -RRB-", "relation": "Avaliado-para"}, {"head": "BLEU", "tail": "Métricas de avaliação automática", "relation": "Hipónimo-de"}, {"head": "BLEU", "tail": "NIST", "relation": "Conjunção"}, {"head": "NIST", "tail": "Métricas de avaliação automática", "relation": "Hipónimo-de"}], [{"head": "são", "tail": "avaliação de pares de línguas", "relation": "Usado-para"}, {"head": "Inglês-Chinês", "tail": "pares de línguas", "relation": "Hipónimo-de"}, {"head": "Inglês-Chinês", "tail": "Inglês-Japonês", "relation": "Conjunção"}, {"head": "Inglês-Japonês", "tail": "pares de línguas", "relation": "Hipónimo-de"}], [{"head": "BLEU", "tail": "n-gramas de palavras", "relation": "Usado-para"}, {"head": "BLEU", "tail": "nível de carater", "relation": "Usado-para"}, {"head": "n-gramas de palavras", "tail": "nível de carater", "relation": "Conjunção"}], [{"head": "BLEU", "tail": "nível de carater", "relation": "Usado-para"}, {"head": "BLEU", "tail": "problema de segmentação de palavras", "relation": "Usado-para"}, {"head": "torna", "tail": "sistemas comerciais", "relation": "Avaliado-para"}, {"head": "torna", "tail": "sistemas estatísticos de MT", "relation": "Avaliado-para"}, {"head": "sistemas comerciais", "tail": "sistemas estatísticos de MT", "relation": "Comparado-com"}]], "clusters": [["Métricas de avaliação automática", "são"], ["BLEU", "BLEU", "BLEU", "torna"], ["problema de segmentação de palavras", "problema de segmentação de palavras"]]}
{"doc_id": "C82-1054", "text": "Este artigo propõe uma série de modificações ao algoritmo de análise de canto esquerdo para gramáticas livres de contexto. Argumenta-se que o algoritmo resultante é ao mesmo tempo eficiente e flexível e é, portanto, uma boa escolha para o analisador utilizado numa interface de linguagem natural.", "ner": [[{"text": "algoritmo de análise de canto esquerdo", "type": "Método"}, {"text": "gramáticas livres de contexto", "type": "Método"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "analisador", "type": "Método"}, {"text": "interface de linguagem natural", "type": "Tarefa"}]], "relations": [[{"head": "algoritmo de análise de canto esquerdo", "tail": "gramáticas livres de contexto", "relation": "Usado-para"}], [{"head": "algoritmo", "tail": "analisador", "relation": "Usado-para"}, {"head": "analisador", "tail": "interface de linguagem natural", "relation": "Usado-para"}]], "clusters": [["algoritmo de análise de canto esquerdo", "algoritmo"]]}
{"doc_id": "INTERSPEECH_2014_28_abs", "text": "Este artigo apresenta uma nova técnica estatística de conversão de voz cantada -LRB- SVC -RRB- com modificação direta da forma de onda baseada no diferencial de espectro que pode converter o timbre de voz de um cantor de origem no de um cantor alvo sem utilizar um vocoder para gerar formas de onda de voz cantada convertida. A SVC torna possível converter as características de voz cantada de um cantor de origem arbitrário nas de um cantor alvo arbitrário. No entanto, a qualidade de fala da voz cantada convertida é significativamente degradada em comparação com a de uma voz cantada natural devido a vários fatores, como erros de análise e de modelação no enquadramento baseado em vocoder. Para atenuar esta degradação, propomos um processo estatístico de conversão que modifica diretamente o sinal no domínio da forma de onda, estimando a diferença nos espectros das vozes cantadas dos cantores de origem e alvo. A caraterística espectral diferencial é estimada diretamente utilizando um modelo diferencial de mistura gaussiana -LRB- GMM -RRB- que é derivado analiticamente do GMM tradicional usado como modelo de conversão na SVC convencional. Os resultados experimentais demonstram que o método proposto permite melhorar significativamente a qualidade de fala na voz cantada convertida, preservando ao mesmo tempo a precisão de conversão da identidade do cantor em comparação com a SVC convencional.", "ner": [[{"text": "nova técnica estatística de conversão de voz cantada -LRB- SVC -RRB-", "type": "Método"}, {"text": "modificação direta da forma de onda", "type": "Método"}, {"text": "diferencial de espectro", "type": "Outros Termos Científicos"}, {"text": "timbre de voz", "type": "Outros Termos Científicos"}, {"text": "vocoder", "type": "Método"}, {"text": "formas de onda de voz cantada convertida", "type": "Outros Termos Científicos"}], [{"text": "SVC", "type": "Método"}, {"text": "características de voz cantada", "type": "Outros Termos Científicos"}], [{"text": "qualidade de fala", "type": "Métrica"}, {"text": "voz cantada convertida", "type": "Outros Termos Científicos"}, {"text": "voz cantada natural", "type": "Outros Termos Científicos"}, {"text": "enquadramento baseado em vocoder", "type": "Método"}], [{"text": "processo estatístico de conversão", "type": "Método"}, {"text": "espectros", "type": "Outros Termos Científicos"}], [{"text": "caraterística espectral diferencial", "type": "Outros Termos Científicos"}, {"text": "modelo diferencial de mistura gaussiana -LRB- GMM -RRB-", "type": "Método"}, {"text": "GMM", "type": "Método"}, {"text": "modelo de conversão", "type": "Método"}, {"text": "SVC", "type": "Método"}], [{"text": "método", "type": "Genérico"}, {"text": "qualidade de fala", "type": "Métrica"}, {"text": "precisão de conversão da identidade do cantor", "type": "Métrica"}, {"text": "SVC", "type": "Método"}]], "relations": [[{"head": "modificação direta da forma de onda", "tail": "nova técnica estatística de conversão de voz cantada -LRB- SVC -RRB-", "relation": "Usado-para"}, {"head": "diferencial de espectro", "tail": "modificação direta da forma de onda", "relation": "Usado-para"}, {"head": "diferencial de espectro", "tail": "timbre de voz", "relation": "Usado-para"}, {"head": "vocoder", "tail": "formas de onda de voz cantada convertida", "relation": "Usado-para"}], [{"head": "SVC", "tail": "características de voz cantada", "relation": "Usado-para"}], [{"head": "qualidade de fala", "tail": "voz cantada convertida", "relation": "Avaliado-para"}, {"head": "qualidade de fala", "tail": "voz cantada natural", "relation": "Avaliado-para"}, {"head": "voz cantada convertida", "tail": "voz cantada natural", "relation": "Comparado-com"}], [], [{"head": "modelo diferencial de mistura gaussiana -LRB- GMM -RRB-", "tail": "caraterística espectral diferencial", "relation": "Usado-para"}, {"head": "GMM", "tail": "modelo diferencial de mistura gaussiana -LRB- GMM -RRB-", "relation": "Usado-para"}, {"head": "GMM", "tail": "modelo de conversão", "relation": "Usado-para"}, {"head": "modelo de conversão", "tail": "SVC", "relation": "Usado-para"}], [{"head": "método", "tail": "SVC", "relation": "Comparado-com"}, {"head": "qualidade de fala", "tail": "método", "relation": "Avaliado-para"}, {"head": "qualidade de fala", "tail": "SVC", "relation": "Avaliado-para"}, {"head": "precisão de conversão da identidade do cantor", "tail": "método", "relation": "Avaliado-para"}, {"head": "precisão de conversão da identidade do cantor", "tail": "SVC", "relation": "Usado-para"}]], "clusters": [["nova técnica estatística de conversão de voz cantada -LRB- SVC -RRB-", "SVC", "processo estatístico de conversão", "método"]]}
{"doc_id": "IJCAI_2013_4_abs", "text": "Neste artigo, apresentamos os desafios da execução de programas de alto nível em contextos multiagente. Primeiro, introduzimos a execução de programas de alto nível e o trabalho relacionado. Em seguida, descrevemos o trabalho concluído, o trabalho futuro e as respetivas abordagens. Concluímos com as contribuições esperadas da nossa investigação.", "ner": [[{"text": "execução de programas de alto nível", "type": "Tarefa"}], [{"text": "execução de programas de alto nível", "type": "Tarefa"}], [], []], "relations": [[], [], [], []], "clusters": [["execução de programas de alto nível", "execução de programas de alto nível"]]}
{"doc_id": "INTERSPEECH_2014_31_abs", "text": "Entre o final de 2013 e o início de 2014, o NIST coordenou um desafio especial de i-vectors baseado em dados usados em anteriores NIST Speaker Recognition Evaluations -LRB- SREs -RRB-. Ao contrário das avaliações na série SRE, o desafio de i-vectors foi realizado inteiramente online e utilizou vetores de características de comprimento fixo projetados num espaço de baixa dimensão -LRB- i-vectors -RRB- em vez de gravações de áudio. Estas alterações tornaram o desafio mais facilmente acessível, especialmente para participantes de fora da área de processamento de áudio. Em comparação com o SRE de 2012, o desafio de i-vectors registou um aumento no número de participantes de quase um fator de dois e um aumento de duas ordens de grandeza no número de sistemas submetidos para avaliação. Os resultados iniciais indicam que o sistema líder obteve uma melhoria aproximada de 37 % em relação ao sistema de referência.", "ner": [[{"text": "desafio de i-vectors", "type": "Material"}, {"text": "NIST Speaker Recognition Evaluations -LRB- SREs -RRB-", "type": "Material"}], [{"text": "série SRE", "type": "Material"}, {"text": "desafio de i-vectors", "type": "Material"}, {"text": "vetores de características de comprimento fixo", "type": "Outros Termos Científicos"}, {"text": "espaço de baixa dimensão -LRB- i-vectors -RRB-", "type": "Outros Termos Científicos"}, {"text": "gravações de áudio", "type": "Material"}], [{"text": "área de processamento de áudio", "type": "Outros Termos Científicos"}], [{"text": "SRE", "type": "Material"}, {"text": "desafio de i-vectors", "type": "Material"}], [{"text": "sistema líder", "type": "Genérico"}, {"text": "sistema de referência", "type": "Genérico"}]], "relations": [[{"head": "NIST Speaker Recognition Evaluations -LRB- SREs -RRB-", "tail": "desafio de i-vectors", "relation": "Usado-para"}], [{"head": "vetores de características de comprimento fixo", "tail": "espaço de baixa dimensão -LRB- i-vectors -RRB-", "relation": "Usado-para"}, {"head": "espaço de baixa dimensão -LRB- i-vectors -RRB-", "tail": "desafio de i-vectors", "relation": "Usado-para"}, {"head": "gravações de áudio", "tail": "espaço de baixa dimensão -LRB- i-vectors -RRB-", "relation": "Comparado-com"}], [], [{"head": "SRE", "tail": "desafio de i-vectors", "relation": "Comparado-com"}], [{"head": "sistema líder", "tail": "sistema de referência", "relation": "Comparado-com"}]], "clusters": [["desafio de i-vectors", "desafio de i-vectors"], ["NIST Speaker Recognition Evaluations -LRB- SREs -RRB-", "série SRE", "SRE"]]}
{"doc_id": "E89-1040", "text": "A investigação teórica na área da tradução automática geralmente envolve a procura e criação de um formalismo adequado. Uma questão importante a este respeito é a forma como a composicionalidade da tradução deve ser definida. Neste artigo, iremos introduzir o componente anafórico do formalismo Mimo. Este torna possível a definição e a tradução de relações anafóricas, relações que são geralmente problemáticas para sistemas que aderem a uma composicionalidade estrita. No Mimo, a tradução de relações anafóricas é composicional. O componente anafórico é utilizado para definir fenómenos linguísticos como o movimento-wh, a voz passiva e a ligação de reflexivos e pronomes de forma monolingue. O funcionamento efetivo do componente será mostrado neste artigo por meio de uma discussão detalhada do movimento-wh.", "ner": [[{"text": "tradução automática", "type": "Tarefa"}, {"text": "formalismo", "type": "Genérico"}], [{"text": "tradução", "type": "Tarefa"}], [{"text": "componente anafórico", "type": "Método"}, {"text": "formalismo Mimo", "type": "Método"}], [{"text": "tradução de relações anafóricas", "type": "Tarefa"}, {"text": "composicionalidade estrita", "type": "Outros Termos Científicos"}], [{"text": "Mimo", "type": "Outros Termos Científicos"}, {"text": "tradução de relações anafóricas", "type": "Tarefa"}], [{"text": "componente anafórico", "type": "Método"}, {"text": "fenómenos linguísticos", "type": "Outros Termos Científicos"}, {"text": "movimento-wh", "type": "Outros Termos Científicos"}, {"text": "a voz passiva e a ligação de reflexivos e pronomes", "type": "Outros Termos Científicos"}], [{"text": "movimento-wh", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "formalismo", "tail": "tradução automática", "relation": "Usado-para"}], [], [{"head": "componente anafórico", "tail": "formalismo Mimo", "relation": "Parte-de"}], [], [{"head": "Mimo", "tail": "tradução de relações anafóricas", "relation": "Usado-para"}], [{"head": "componente anafórico", "tail": "fenómenos linguísticos", "relation": "Usado-para"}, {"head": "movimento-wh", "tail": "fenómenos linguísticos", "relation": "Hipónimo-de"}, {"head": "movimento-wh", "tail": "a voz passiva e a ligação de reflexivos e pronomes", "relation": "Conjunção"}, {"head": "a voz passiva e a ligação de reflexivos e pronomes", "tail": "fenómenos linguísticos", "relation": "Hipónimo-de"}], []], "clusters": [["formalismo", "formalismo Mimo", "Mimo"], ["tradução de relações anafóricas", "tradução de relações anafóricas"], ["componente anafórico", "componente anafórico"], ["movimento-wh", "movimento-wh"]]}
{"doc_id": "CVPR_2006_11_abs", "text": "É apresentado um esquema de reconhecimento que escala de forma eficiente para um grande número de objetos. A eficiência e a qualidade são demonstradas numa demonstração em tempo real que reconhece capas de CD a partir de uma base de dados de 40000 imagens de CD de música popular. O esquema baseia-se em técnicas populares de indexação de descritores extraídos de regiões locais e é robusto a desordem de fundo e oclusão. Os descritores de regiões locais são quantificados hierarquicamente numa árvore de vocabulário. A árvore de vocabulário permite que um vocabulário maior e mais discriminativo seja usado de forma eficiente, o que mostramos experimentalmente conduzir a uma melhoria dramática na qualidade da recuperação. A propriedade mais significativa do esquema é que a árvore define diretamente a quantização. A quantização e a indexação estão, portanto, totalmente integradas, sendo essencialmente uma e a mesma coisa. A qualidade do reconhecimento é avaliada através da recuperação numa base de dados com verdade de terreno, mostrando o poder da abordagem de árvore de vocabulário, indo até 1 milhão de imagens.", "ner": [[{"text": "esquema de reconhecimento", "type": "Método"}], [{"text": "eficiência", "type": "Métrica"}, {"text": "qualidade", "type": "Métrica"}, {"text": "capas de CD", "type": "Material"}, {"text": "base de dados", "type": "Genérico"}, {"text": "imagens de CD de música popular", "type": "Material"}], [{"text": "esquema", "type": "Genérico"}, {"text": "indexação de descritores", "type": "Método"}, {"text": "regiões locais", "type": "Outros Termos Científicos"}, {"text": "desordem de fundo", "type": "Outros Termos Científicos"}, {"text": "oclusão", "type": "Outros Termos Científicos"}], [{"text": "descritores de regiões locais", "type": "Método"}, {"text": "árvore de vocabulário", "type": "Outros Termos Científicos"}], [{"text": "árvore de vocabulário", "type": "Outros Termos Científicos"}, {"text": "qualidade da recuperação", "type": "Métrica"}], [{"text": "árvore", "type": "Outros Termos Científicos"}, {"text": "quantização", "type": "Outros Termos Científicos"}], [{"text": "quantização", "type": "Outros Termos Científicos"}, {"text": "indexação", "type": "Outros Termos Científicos"}], [{"text": "qualidade do reconhecimento", "type": "Métrica"}, {"text": "recuperação", "type": "Tarefa"}, {"text": "base de dados com verdade de terreno", "type": "Material"}, {"text": "abordagem de árvore de vocabulário", "type": "Método"}]], "relations": [[], [{"head": "eficiência", "tail": "qualidade", "relation": "Conjunção"}, {"head": "imagens de CD de música popular", "tail": "base de dados", "relation": "Característica-de"}], [{"head": "esquema", "tail": "desordem de fundo", "relation": "Usado-para"}, {"head": "esquema", "tail": "oclusão", "relation": "Usado-para"}, {"head": "indexação de descritores", "tail": "esquema", "relation": "Usado-para"}, {"head": "regiões locais", "tail": "indexação de descritores", "relation": "Usado-para"}, {"head": "desordem de fundo", "tail": "oclusão", "relation": "Conjunção"}], [{"head": "árvore de vocabulário", "tail": "descritores de regiões locais", "relation": "Usado-para"}], [], [], [{"head": "quantização", "tail": "indexação", "relation": "Conjunção"}], [{"head": "qualidade do reconhecimento", "tail": "abordagem de árvore de vocabulário", "relation": "Avaliado-para"}, {"head": "recuperação", "tail": "qualidade do reconhecimento", "relation": "Avaliado-para"}, {"head": "base de dados com verdade de terreno", "tail": "recuperação", "relation": "Usado-para"}]], "clusters": [["árvore de vocabulário", "árvore de vocabulário"], ["esquema de reconhecimento", "esquema"]]}
{"doc_id": "INTERSPEECH_2001_31_abs", "text": "Este artigo apresenta um método para estimação cega de tempos de reverberação em recintos reverberantes. O algoritmo proposto baseia-se num modelo estatístico de sequências de log-energia de curto prazo para fala isenta de ecos. Dada uma locução de fala gravada numa sala reverberante, calcula uma estimativa de Máxima Verosimilhança do tempo de reverberação de banda completa da sala. Mostra‑se que o método de estimação requer poucos dados e apresenta um desempenho satisfatório. O método foi aplicado com sucesso a reconhecimento automático robusto de fala em ambientes reverberantes através de seleção de modelos. Para esta aplicação, o tempo de reverberação é primeiro estimado a partir da locução de fala reverberada a reconhecer. A estimação é então usada para selecionar o melhor modelo acústico de uma biblioteca de modelos treinados em várias condições artificiais reverberantes. Experiências de reconhecimento de fala em ambientes reverberantes simulados e reais mostram a eficiência da nossa abordagem, que supera as técnicas de normalização de canal padrão.", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "estimação cega de tempos de reverberação", "type": "Tarefa"}, {"text": "recintos reverberantes", "type": "Outros Termos Científicos"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "modelo estatístico de sequências de log-energia de curto prazo", "type": "Método"}, {"text": "fala isenta de ecos", "type": "Material"}], [{"text": "estimativa de Máxima Verosimilhança do tempo de reverberação de banda completa da sala", "type": "Método"}], [{"text": "método de estimação", "type": "Genérico"}], [{"text": "método", "type": "Genérico"}, {"text": "reconhecimento automático robusto de fala", "type": "Tarefa"}, {"text": "ambientes reverberantes", "type": "Outros Termos Científicos"}, {"text": "seleção de modelos", "type": "Método"}], [{"text": "aplicação", "type": "Genérico"}, {"text": "tempo de reverberação", "type": "Outros Termos Científicos"}, {"text": "locução de fala reverberada", "type": "Outros Termos Científicos"}], [{"text": "estimação", "type": "Genérico"}, {"text": "modelo acústico", "type": "Método"}, {"text": "modelos", "type": "Genérico"}, {"text": "condições artificiais reverberantes", "type": "Outros Termos Científicos"}], [{"text": "Reconhecimento de fala", "type": "Tarefa"}, {"text": "ambientes reverberantes simulados e reais", "type": "Outros Termos Científicos"}, {"text": "abordagem", "type": "Genérico"}, {"text": "técnicas de normalização de canal", "type": "Método"}]], "relations": [[{"head": "método", "tail": "estimação cega de tempos de reverberação", "relation": "Usado-para"}, {"head": "recintos reverberantes", "tail": "estimação cega de tempos de reverberação", "relation": "Característica-de"}], [{"head": "modelo estatístico de sequências de log-energia de curto prazo", "tail": "algoritmo", "relation": "Usado-para"}, {"head": "modelo estatístico de sequências de log-energia de curto prazo", "tail": "fala isenta de ecos", "relation": "Usado-para"}], [], [], [{"head": "método", "tail": "reconhecimento automático robusto de fala", "relation": "Usado-para"}, {"head": "ambientes reverberantes", "tail": "reconhecimento automático robusto de fala", "relation": "Característica-de"}, {"head": "seleção de modelos", "tail": "método", "relation": "Usado-para"}], [{"head": "locução de fala reverberada", "tail": "tempo de reverberação", "relation": "Usado-para"}], [{"head": "estimação", "tail": "modelo acústico", "relation": "Usado-para"}, {"head": "modelo acústico", "tail": "modelos", "relation": "Parte-de"}, {"head": "condições artificiais reverberantes", "tail": "modelos", "relation": "Característica-de"}], [{"head": "Reconhecimento de fala", "tail": "abordagem", "relation": "Avaliado-para"}, {"head": "Reconhecimento de fala", "tail": "técnicas de normalização de canal", "relation": "Avaliado-para"}, {"head": "ambientes reverberantes simulados e reais", "tail": "Reconhecimento de fala", "relation": "Característica-de"}, {"head": "técnicas de normalização de canal", "tail": "abordagem", "relation": "Comparado-com"}]], "clusters": [["estimativa de Máxima Verosimilhança do tempo de reverberação de banda completa da sala", "método de estimação", "método"], ["método", "algoritmo", "abordagem"], ["reconhecimento automático robusto de fala", "aplicação"]]}
{"doc_id": "C88-2162", "text": "Até agora, os programas informáticos não tiveram bons resultados na modelização da aquisição de linguagem. Por um lado, a metodologia de aprendizagem aplicável em domínios gerais não se adapta facilmente ao domínio linguístico. Por outro, a representação linguística utilizada pelos sistemas de processamento de linguagem não está orientada para a aprendizagem. Introduzimos uma nova representação linguística, o Lexicon Frásico Dinâmico Hierárquico -LRB- DHPL -RRB- -LSB- Zernik88 -RSB-, para facilitar a aquisição de linguagem. A partir desta, foi implementado um modelo de aprendizagem de linguagem no programa RINA, que melhora a sua própria hierarquia lexical processando exemplos em contexto. Identificámos duas tarefas: em primeiro lugar, como os conceitos linguísticos são adquiridos a partir de exemplos de treino e organizados numa hierarquia; esta tarefa foi discutida em artigos anteriores -LSB- Zernik87 -RSB-. Em segundo lugar, mostramos neste artigo como uma hierarquia lexical é utilizada na previsão de novos conceitos linguísticos. Assim, um programa não fica bloqueado mesmo na presença de um elemento lexical desconhecido, e pode ser produzida uma hipótese para cobrir essa lacuna lexical.", "ner": [[{"text": "programas informáticos", "type": "Genérico"}, {"text": "aquisição de linguagem", "type": "Tarefa"}], [{"text": "metodologia de aprendizagem", "type": "Método"}, {"text": "domínios gerais", "type": "Material"}, {"text": "domínio linguístico", "type": "Material"}], [{"text": "representação linguística", "type": "Método"}, {"text": "sistemas de processamento de linguagem", "type": "Método"}], [{"text": "representação linguística", "type": "Método"}, {"text": "Lexicon Frásico Dinâmico Hierárquico -LRB- DHPL -RRB-", "type": "Outros Termos Científicos"}, {"text": "aquisição de linguagem", "type": "Tarefa"}], [{"text": "modelo de aprendizagem de linguagem", "type": "Método"}, {"text": "RINA", "type": "Método"}, {"text": "hierarquia lexical", "type": "Outros Termos Científicos"}], [{"text": "conceitos linguísticos", "type": "Outros Termos Científicos"}, {"text": "hierarquia", "type": "Genérico"}], [{"text": "hierarquia lexical", "type": "Outros Termos Científicos"}, {"text": "conceitos linguísticos", "type": "Outros Termos Científicos"}], [{"text": "programa", "type": "Genérico"}]], "relations": [[], [{"head": "metodologia de aprendizagem", "tail": "domínios gerais", "relation": "Usado-para"}, {"head": "domínios gerais", "tail": "domínio linguístico", "relation": "Comparado-com"}], [{"head": "representação linguística", "tail": "sistemas de processamento de linguagem", "relation": "Usado-para"}], [{"head": "representação linguística", "tail": "aquisição de linguagem", "relation": "Usado-para"}, {"head": "Lexicon Frásico Dinâmico Hierárquico -LRB- DHPL -RRB-", "tail": "representação linguística", "relation": "Hipónimo-de"}, {"head": "Lexicon Frásico Dinâmico Hierárquico -LRB- DHPL -RRB-", "tail": "aquisição de linguagem", "relation": "Usado-para"}], [{"head": "modelo de aprendizagem de linguagem", "tail": "RINA", "relation": "Parte-de"}], [{"head": "conceitos linguísticos", "tail": "hierarquia", "relation": "Parte-de"}], [{"head": "hierarquia lexical", "tail": "conceitos linguísticos", "relation": "Usado-para"}], []], "clusters": [["aquisição de linguagem", "aquisição de linguagem"], ["programas informáticos", "programa"], ["conceitos linguísticos", "conceitos linguísticos"]]}
{"doc_id": "P04-2010", "text": "Este artigo apresenta uma nova abordagem de aprendizagem por ensemble para a resolução de pronomes alemães. O Boosting, o método em questão, combina as hipóteses moderadamente precisas de vários classificadores para formar uma hipótese altamente precisa. As experiências mostram que esta abordagem é superior a um único classificador de árvore de decisão. Além disso, apresentamos um sistema autónomo que resolve pronomes em texto não anotado utilizando uma sequência totalmente automática de módulos de pré-processamento que imita o processo de anotação manual. Embora o sistema tenha um bom desempenho dentro de um domínio textual limitado, é necessária investigação adicional para o tornar eficaz para perguntas de resposta aberta e para a sumarização de texto.", "ner": [[{"text": "abordagem de aprendizagem por ensemble", "type": "Método"}, {"text": "pronomes alemães", "type": "Outros Termos Científicos"}], [{"text": "Boosting", "type": "Método"}, {"text": "classificadores", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "classificador de árvore de decisão", "type": "Método"}], [{"text": "sistema autónomo", "type": "Método"}, {"text": "pronomes", "type": "Outros Termos Científicos"}, {"text": "texto não anotado", "type": "Material"}, {"text": "módulos de pré-processamento", "type": "Método"}, {"text": "processo de anotação manual", "type": "Tarefa"}], [{"text": "sistema", "type": "Genérico"}, {"text": "domínio textual", "type": "Material"}, {"text": "perguntas de resposta aberta", "type": "Tarefa"}, {"text": "sumarização de texto", "type": "Tarefa"}]], "relations": [[{"head": "abordagem de aprendizagem por ensemble", "tail": "pronomes alemães", "relation": "Usado-para"}], [], [{"head": "abordagem", "tail": "classificador de árvore de decisão", "relation": "Comparado-com"}], [{"head": "sistema autónomo", "tail": "pronomes", "relation": "Usado-para"}, {"head": "sistema autónomo", "tail": "texto não anotado", "relation": "Usado-para"}, {"head": "pronomes", "tail": "texto não anotado", "relation": "Parte-de"}, {"head": "módulos de pré-processamento", "tail": "sistema autónomo", "relation": "Usado-para"}, {"head": "módulos de pré-processamento", "tail": "processo de anotação manual", "relation": "Usado-para"}], [{"head": "domínio textual", "tail": "sistema", "relation": "Avaliado-para"}, {"head": "domínio textual", "tail": "perguntas de resposta aberta", "relation": "Comparado-com"}, {"head": "sistema autónomo", "tail": "perguntas de resposta aberta", "relation": "Usado-para"}, {"head": "sistema autónomo", "tail": "sumarização de texto", "relation": "Usado-para"}, {"head": "perguntas de resposta aberta", "tail": "sumarização de texto", "relation": "Conjunção"}]], "clusters": [["abordagem de aprendizagem por ensemble", "sistema autónomo", "sistema"], ["Boosting", "abordagem"]]}
{"doc_id": "P06-2067", "text": "Neste artigo , comparamos o desempenho de um analisador sintático estatístico -LRB- Bikel , 2004 -RRB- na análise de linguagem escrita e falada e na geração de pistas de subcategorização a partir de linguagem escrita e falada . Embora o analisador de Bikel atinja uma maior precisão na análise de linguagem escrita , atinge uma precisão mais elevada ao extrair pistas de subcategorização da linguagem falada . As nossas experiências também mostram que a tecnologia atual para a extração de esquemas de subcategorização , inicialmente concebida para textos escritos , funciona igualmente bem para linguagem falada . Adicionalmente , exploramos a utilidade da pontuação para ajudar na análise e na extração de pistas de subcategorização . As nossas experiências mostram que a pontuação ajuda pouco na análise de linguagem falada e na extração de pistas de subcategorização da linguagem falada . Isto indica que não é necessário acrescentar pontuação na transcrição de corpora falados apenas para ajudar os analisadores sintáticos .", "ner": [[{"text": "analisador sintático estatístico", "type": "Método"}, {"text": "análise de linguagem escrita e falada", "type": "Tarefa"}, {"text": "linguagem escrita e falada", "type": "Material"}, {"text": "geração de pistas de subcategorização", "type": "Tarefa"}, {"text": "linguagem escrita e falada", "type": "Material"}], [{"text": "analisador de Bikel", "type": "Método"}, {"text": "precisão", "type": "Métrica"}, {"text": "análise de linguagem escrita", "type": "Tarefa"}, {"text": "linguagem escrita", "type": "Material"}, {"text": "ele", "type": "Genérico"}, {"text": "precisão", "type": "Métrica"}, {"text": "pistas de subcategorização", "type": "Outros Termos Científicos"}, {"text": "linguagem falada", "type": "Material"}], [{"text": "tecnologia", "type": "Genérico"}, {"text": "extração de esquemas de subcategorização", "type": "Tarefa"}, {"text": "textos escritos", "type": "Material"}, {"text": "linguagem falada", "type": "Material"}], [{"text": "pontuação", "type": "Outros Termos Científicos"}, {"text": "análise", "type": "Método"}, {"text": "extração de pistas de subcategorização", "type": "Tarefa"}], [{"text": "pontuação", "type": "Outros Termos Científicos"}, {"text": "análise de linguagem falada", "type": "Tarefa"}, {"text": "linguagem falada", "type": "Material"}, {"text": "extração de pistas de subcategorização", "type": "Tarefa"}, {"text": "pistas de subcategorização", "type": "Outros Termos Científicos"}, {"text": "linguagem falada", "type": "Material"}], [{"text": "pontuação", "type": "Outros Termos Científicos"}, {"text": "corpora falados", "type": "Material"}, {"text": "analisadores sintáticos", "type": "Método"}]], "relations": [[{"head": "analisador sintático estatístico", "tail": "análise de linguagem escrita e falada", "relation": "Usado-para"}, {"head": "analisador sintático estatístico", "tail": "geração de pistas de subcategorização", "relation": "Usado-para"}, {"head": "análise de linguagem escrita e falada", "tail": "geração de pistas de subcategorização", "relation": "Conjunção"}, {"head": "linguagem escrita e falada", "tail": "geração de pistas de subcategorização", "relation": "Usado-para"}], [{"head": "analisador de Bikel", "tail": "análise de linguagem escrita", "relation": "Usado-para"}, {"head": "precisão", "tail": "analisador de Bikel", "relation": "Avaliado-para"}, {"head": "ele", "tail": "pistas de subcategorização", "relation": "Usado-para"}, {"head": "precisão", "tail": "ele", "relation": "Avaliado-para"}, {"head": "pistas de subcategorização", "tail": "linguagem falada", "relation": "Parte-de"}], [{"head": "tecnologia", "tail": "extração de esquemas de subcategorização", "relation": "Usado-para"}, {"head": "tecnologia", "tail": "linguagem falada", "relation": "Usado-para"}, {"head": "extração de esquemas de subcategorização", "tail": "textos escritos", "relation": "Usado-para"}, {"head": "textos escritos", "tail": "linguagem falada", "relation": "Comparado-com"}], [{"head": "pontuação", "tail": "análise", "relation": "Usado-para"}, {"head": "pontuação", "tail": "extração de pistas de subcategorização", "relation": "Usado-para"}], [{"head": "análise de linguagem falada", "tail": "extração de pistas de subcategorização", "relation": "Conjunção"}, {"head": "pistas de subcategorização", "tail": "linguagem falada", "relation": "Parte-de"}, {"head": "linguagem falada", "tail": "extração de pistas de subcategorização", "relation": "Usado-para"}], []], "clusters": [["analisador sintático estatístico", "analisador de Bikel", "ele"], ["linguagem escrita e falada", "linguagem escrita e falada"], ["linguagem falada", "linguagem falada", "linguagem falada", "linguagem falada"]]}
{"doc_id": "P05-1058", "text": "Este artigo propõe uma abordagem de adaptação do alinhamento para melhorar o alinhamento de palavras específico de domínio -LRB- em domínio -RRB- . A ideia básica da adaptação do alinhamento é usar um corpus fora de domínio para melhorar os resultados de alinhamento de palavras em domínio . Neste artigo , primeiro treinamos dois modelos estatísticos de alinhamento de palavras com o corpus de grande escala fora de domínio e o corpus de pequena escala em domínio , respetivamente , e depois interpolamos estes dois modelos para melhorar o alinhamento de palavras específico de domínio . Os resultados experimentais mostram que a nossa abordagem melhora o alinhamento de palavras específico de domínio em termos de precisão e revocação , alcançando uma redução relativa da taxa de erro de 6,56 % em comparação com as tecnologias de ponta .", "ner": [[{"text": "abordagem de adaptação do alinhamento", "type": "Método"}, {"text": "alinhamento de palavras específico de domínio -LRB- em domínio -RRB-", "type": "Tarefa"}], [{"text": "adaptação do alinhamento", "type": "Método"}, {"text": "corpus fora de domínio", "type": "Material"}, {"text": "alinhamento de palavras em domínio", "type": "Tarefa"}], [{"text": "modelos estatísticos de alinhamento de palavras", "type": "Método"}, {"text": "corpus de grande escala fora de domínio", "type": "Material"}, {"text": "corpus de pequena escala em domínio", "type": "Material"}, {"text": "modelos", "type": "Genérico"}, {"text": "alinhamento de palavras específico de domínio", "type": "Tarefa"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "alinhamento de palavras específico de domínio", "type": "Tarefa"}, {"text": "precisão", "type": "Métrica"}, {"text": "revocação", "type": "Métrica"}, {"text": "redução relativa da taxa de erro", "type": "Métrica"}, {"text": "tecnologias de ponta", "type": "Genérico"}]], "relations": [[{"head": "abordagem de adaptação do alinhamento", "tail": "alinhamento de palavras específico de domínio -LRB- em domínio -RRB-", "relation": "Usado-para"}], [{"head": "adaptação do alinhamento", "tail": "alinhamento de palavras em domínio", "relation": "Usado-para"}, {"head": "corpus fora de domínio", "tail": "adaptação do alinhamento", "relation": "Usado-para"}], [{"head": "corpus de grande escala fora de domínio", "tail": "modelos estatísticos de alinhamento de palavras", "relation": "Usado-para"}, {"head": "corpus de grande escala fora de domínio", "tail": "corpus de pequena escala em domínio", "relation": "Conjunção"}, {"head": "corpus de pequena escala em domínio", "tail": "modelos estatísticos de alinhamento de palavras", "relation": "Usado-para"}, {"head": "modelos", "tail": "alinhamento de palavras específico de domínio", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "alinhamento de palavras específico de domínio", "relation": "Usado-para"}, {"head": "abordagem", "tail": "tecnologias de ponta", "relation": "Comparado-com"}, {"head": "precisão", "tail": "abordagem", "relation": "Avaliado-para"}, {"head": "precisão", "tail": "revocação", "relation": "Conjunção"}, {"head": "revocação", "tail": "abordagem", "relation": "Avaliado-para"}, {"head": "redução relativa da taxa de erro", "tail": "abordagem", "relation": "Avaliado-para"}, {"head": "redução relativa da taxa de erro", "tail": "tecnologias de ponta", "relation": "Avaliado-para"}]], "clusters": [["modelos estatísticos de alinhamento de palavras", "modelos"], ["alinhamento de palavras específico de domínio -LRB- em domínio -RRB-", "alinhamento de palavras em domínio", "alinhamento de palavras específico de domínio", "alinhamento de palavras específico de domínio"], ["abordagem de adaptação do alinhamento", "adaptação do alinhamento"]]}
{"doc_id": "P06-1088", "text": "Com um desempenho acima de 97 % de exactidão para texto jornalístico, a etiquetagem de categorias gramaticais -LRB- pos -RRB- pode ser considerada um problema resolvido. Estudos anteriores mostraram que permitir que o analisador sintáctico resolva a ambiguidade de etiquetas pos não melhora o desempenho. No entanto, para formalismos gramaticais que usam categorias gramaticais mais finas, por exemplo tag e ccg, a exactidão da etiquetagem é muito mais baixa. De facto, para estes formalismos, uma resolução prematura da ambiguidade torna a análise sintáctica inviável. Descrevemos uma abordagem de multi-etiquetagem que mantém um nível adequado de ambiguidade de categoria lexical para uma análise sintáctica ccg precisa e eficiente. Estendemos esta abordagem de multi-etiquetagem ao nível pos para ultrapassar erros introduzidos por etiquetas pos atribuídas automaticamente. Embora a exactidão da etiquetagem pos pareça elevada, manter alguma ambiguidade de etiquetas pos na cadeia de processamento de linguagem resulta numa super-etiquetagem ccg mais precisa.", "ner": [[{"text": "exactidão", "type": "Métrica"}, {"text": "texto jornalístico", "type": "Material"}, {"text": "etiquetagem de categorias gramaticais -LRB- pos -RRB-", "type": "Tarefa"}], [{"text": "analisador sintáctico", "type": "Método"}, {"text": "ambiguidade de etiquetas pos", "type": "Outros Termos Científicos"}], [{"text": "formalismos gramaticais", "type": "Método"}, {"text": "categorias gramaticais mais finas", "type": "Outros Termos Científicos"}, {"text": "tag", "type": "Outros Termos Científicos"}, {"text": "ccg", "type": "Outros Termos Científicos"}, {"text": "exactidão da etiquetagem", "type": "Métrica"}], [{"text": "formalismos", "type": "Genérico"}, {"text": "resolução prematura da ambiguidade", "type": "Outros Termos Científicos"}, {"text": "análise sintáctica", "type": "Tarefa"}], [{"text": "abordagem de multi-etiquetagem", "type": "Método"}, {"text": "ambiguidade de categoria lexical", "type": "Outros Termos Científicos"}, {"text": "análise sintáctica ccg", "type": "Tarefa"}], [{"text": "abordagem de multi-etiquetagem", "type": "Método"}, {"text": "nível pos", "type": "Outros Termos Científicos"}, {"text": "etiquetas pos", "type": "Outros Termos Científicos"}], [{"text": "exactidão da etiquetagem pos", "type": "Métrica"}, {"text": "ambiguidade de etiquetas pos", "type": "Outros Termos Científicos"}, {"text": "cadeia de processamento de linguagem", "type": "Método"}, {"text": "super-etiquetagem ccg", "type": "Método"}]], "relations": [[{"head": "exactidão", "tail": "etiquetagem de categorias gramaticais -LRB- pos -RRB-", "relation": "Avaliado-para"}, {"head": "texto jornalístico", "tail": "etiquetagem de categorias gramaticais -LRB- pos -RRB-", "relation": "Avaliado-para"}], [{"head": "analisador sintáctico", "tail": "ambiguidade de etiquetas pos", "relation": "Usado-para"}], [{"head": "categorias gramaticais mais finas", "tail": "formalismos gramaticais", "relation": "Usado-para"}, {"head": "tag", "tail": "categorias gramaticais mais finas", "relation": "Hipónimo-de"}, {"head": "ccg", "tail": "categorias gramaticais mais finas", "relation": "Hipónimo-de"}, {"head": "exactidão da etiquetagem", "tail": "formalismos gramaticais", "relation": "Avaliado-para"}], [{"head": "análise sintáctica", "tail": "formalismos", "relation": "Usado-para"}], [{"head": "abordagem de multi-etiquetagem", "tail": "análise sintáctica ccg", "relation": "Usado-para"}, {"head": "ambiguidade de categoria lexical", "tail": "abordagem de multi-etiquetagem", "relation": "Característica-de"}], [{"head": "abordagem de multi-etiquetagem", "tail": "nível pos", "relation": "Usado-para"}], [{"head": "ambiguidade de etiquetas pos", "tail": "cadeia de processamento de linguagem", "relation": "Característica-de"}, {"head": "ambiguidade de etiquetas pos", "tail": "super-etiquetagem ccg", "relation": "Usado-para"}]], "clusters": [["formalismos gramaticais", "formalismos"], ["abordagem de multi-etiquetagem", "abordagem de multi-etiquetagem"]]}
{"doc_id": "CVPR_1996_15_abs", "text": "Apresentámos anteriormente uma framework para a segmentação de cenas complexas usando múltiplas hipóteses físicas para regiões de imagem simples. Uma consequência dessa framework foi a proposta de uma nova abordagem para a segmentação de cenas complexas em regiões correspondentes a superfícies coerentes em vez de meramente regiões de cor semelhante. Neste trabalho apresentamos uma implementação desta nova abordagem e mostramos exemplos de segmentações para cenas contendo objetos multicoloridos, por partes, uniformes. Usando a nossa abordagem conseguimos segmentar de forma inteligente cenas com objetos de maior complexidade do que os algoritmos de segmentação baseados em física anteriores. Os resultados mostram que, ao usar modelos físicos gerais, obtemos segmentações que correspondem mais de perto a superfícies coerentes na cena do que segmentações encontradas usando apenas cor.", "ner": [[{"text": "framework", "type": "Genérico"}, {"text": "segmentação de cenas complexas", "type": "Tarefa"}, {"text": "hipóteses físicas", "type": "Outros Termos Científicos"}, {"text": "regiões de imagem simples", "type": "Outros Termos Científicos"}], [{"text": "framework", "type": "Genérico"}, {"text": "abordagem", "type": "Genérico"}, {"text": "segmentação de cenas complexas", "type": "Tarefa"}, {"text": "superfícies coerentes", "type": "Outros Termos Científicos"}, {"text": "regiões de cor semelhante", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "segmentações", "type": "Outros Termos Científicos"}, {"text": "cenas", "type": "Material"}, {"text": "objetos multicoloridos, por partes, uniformes", "type": "Material"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "complexidade", "type": "Métrica"}, {"text": "algoritmos de segmentação baseados em física", "type": "Método"}], [{"text": "modelos físicos", "type": "Método"}, {"text": "superfícies coerentes", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "framework", "tail": "segmentação de cenas complexas", "relation": "Usado-para"}, {"head": "hipóteses físicas", "tail": "framework", "relation": "Usado-para"}, {"head": "hipóteses físicas", "tail": "regiões de imagem simples", "relation": "Usado-para"}], [{"head": "framework", "tail": "abordagem", "relation": "Usado-para"}, {"head": "abordagem", "tail": "segmentação de cenas complexas", "relation": "Usado-para"}, {"head": "superfícies coerentes", "tail": "regiões de cor semelhante", "relation": "Comparado-com"}], [{"head": "segmentações", "tail": "cenas", "relation": "Usado-para"}, {"head": "objetos multicoloridos, por partes, uniformes", "tail": "cenas", "relation": "Característica-de"}], [{"head": "abordagem", "tail": "algoritmos de segmentação baseados em física", "relation": "Comparado-com"}], []], "clusters": [["abordagem", "abordagem", "abordagem"], ["segmentação de cenas complexas", "segmentação de cenas complexas"], ["framework", "framework"]]}
{"doc_id": "INTERSPEECH_2001_21_abs", "text": "O SmartKom é um sistema de diálogo multimodal que combina fala, gestos e mímica na entrada e saída. A compreensão de fala espontânea é combinada com o reconhecimento, baseado em vídeo, de gestos naturais. Um dos principais objetivos científicos do SmartKom é conceber novos métodos computacionais para a integração perfeita e desambiguação mútua de entradas e saídas multimodais, a um nível semântico e pragmático. O SmartKom baseia-se no paradigma de diálogo situado orientado para delegação, no qual o utilizador delega uma tarefa a um assistente de comunicação virtual, visualizado como uma personagem realista num ecrã gráfico. Descrevemos a arquitetura do SmartKom, a utilização de uma linguagem de anotação baseada em XML para conteúdo multimodal e algumas das características distintivas do primeiro demonstrador SmartKom totalmente operacional.", "ner": [[{"text": "SmartKom", "type": "Método"}, {"text": "sistema de diálogo multimodal", "type": "Método"}, {"text": "fala", "type": "Material"}, {"text": "gestos", "type": "Material"}], [{"text": "compreensão de fala espontânea", "type": "Tarefa"}, {"text": "reconhecimento, baseado em vídeo, de gestos naturais", "type": "Tarefa"}], [{"text": "SmartKom", "type": "Método"}, {"text": "métodos computacionais", "type": "Método"}, {"text": "integração perfeita e desambiguação mútua de entradas e saídas multimodais", "type": "Tarefa"}, {"text": "nível semântico e pragmático", "type": "Outros Termos Científicos"}], [{"text": "SmartKom", "type": "Outros Termos Científicos"}, {"text": "paradigma de diálogo situado orientado para delegação", "type": "Método"}, {"text": "assistente de comunicação virtual", "type": "Outros Termos Científicos"}, {"text": "ecrã gráfico", "type": "Outros Termos Científicos"}], [{"text": "arquitetura do SmartKom", "type": "Método"}, {"text": "linguagem de anotação baseada em XML", "type": "Outros Termos Científicos"}, {"text": "conteúdo multimodal", "type": "Material"}, {"text": "demonstrador SmartKom", "type": "Método"}]], "relations": [[{"head": "SmartKom", "tail": "sistema de diálogo multimodal", "relation": "Hipónimo-de"}, {"head": "fala", "tail": "sistema de diálogo multimodal", "relation": "Usado-para"}, {"head": "fala", "tail": "gestos", "relation": "Conjunção"}, {"head": "gestos", "tail": "sistema de diálogo multimodal", "relation": "Usado-para"}], [{"head": "compreensão de fala espontânea", "tail": "reconhecimento, baseado em vídeo, de gestos naturais", "relation": "Conjunção"}], [{"head": "SmartKom", "tail": "métodos computacionais", "relation": "Usado-para"}, {"head": "métodos computacionais", "tail": "integração perfeita e desambiguação mútua de entradas e saídas multimodais", "relation": "Usado-para"}, {"head": "nível semântico e pragmático", "tail": "integração perfeita e desambiguação mútua de entradas e saídas multimodais", "relation": "Característica-de"}], [{"head": "paradigma de diálogo situado orientado para delegação", "tail": "SmartKom", "relation": "Usado-para"}], [{"head": "linguagem de anotação baseada em XML", "tail": "conteúdo multimodal", "relation": "Usado-para"}]], "clusters": [["SmartKom", "SmartKom", "SmartKom", "arquitetura do SmartKom", "demonstrador SmartKom"]]}
{"doc_id": "ICCV_2003_150_abs", "text": "Apresentamos um método de remoção de brilhos de imagem única que incorpora restrições baseadas na iluminação na reconstrução de imagens . Ao contrário das regiões de imagem ocluídas preenchidas pela reconstrução tradicional , os píxeis de destaque contêm alguma informação útil para orientar o processo de reconstrução . As restrições fornecidas pelas cores de píxel observadas , pela análise da cor dos brilhos e pela uniformidade da cor da iluminação são utilizadas no nosso método para melhorar a estimação da cor difusa subjacente . A inclusão destas restrições de iluminação permite uma melhor recuperação de sombreamentos e texturas através da reconstrução . São apresentados resultados experimentais para demonstrar o desempenho do nosso método .", "ner": [[{"text": "método de remoção de brilhos de imagem única", "type": "Método"}, {"text": "restrições baseadas na iluminação", "type": "Outros Termos Científicos"}, {"text": "reconstrução de imagens", "type": "Tarefa"}], [{"text": "regiões de imagem ocluídas", "type": "Outros Termos Científicos"}, {"text": "reconstrução", "type": "Outros Termos Científicos"}, {"text": "píxeis de destaque", "type": "Outros Termos Científicos"}, {"text": "processo de reconstrução", "type": "Tarefa"}], [{"text": "Restrições", "type": "Outros Termos Científicos"}, {"text": "cores de píxel", "type": "Outros Termos Científicos"}, {"text": "análise da cor dos brilhos", "type": "Outros Termos Científicos"}, {"text": "uniformidade da cor da iluminação", "type": "Outros Termos Científicos"}, {"text": "método", "type": "Genérico"}, {"text": "estimação da cor difusa subjacente", "type": "Outros Termos Científicos"}], [{"text": "restrições de iluminação", "type": "Outros Termos Científicos"}, {"text": "recuperação de sombreamentos e texturas", "type": "Outros Termos Científicos"}, {"text": "reconstrução", "type": "Tarefa"}], [{"text": "método", "type": "Método"}]], "relations": [[{"head": "método de remoção de brilhos de imagem única", "tail": "reconstrução de imagens", "relation": "Usado-para"}, {"head": "restrições baseadas na iluminação", "tail": "reconstrução de imagens", "relation": "Parte-de"}], [], [{"head": "Restrições", "tail": "método", "relation": "Usado-para"}, {"head": "cores de píxel", "tail": "análise da cor dos brilhos", "relation": "Conjunção"}, {"head": "análise da cor dos brilhos", "tail": "uniformidade da cor da iluminação", "relation": "Conjunção"}, {"head": "método", "tail": "estimação da cor difusa subjacente", "relation": "Usado-para"}], [{"head": "restrições de iluminação", "tail": "recuperação de sombreamentos e texturas", "relation": "Usado-para"}, {"head": "reconstrução", "tail": "recuperação de sombreamentos e texturas", "relation": "Usado-para"}], []], "clusters": [["Restrições", "restrições de iluminação"], ["reconstrução de imagens", "processo de reconstrução", "reconstrução"], ["método de remoção de brilhos de imagem única", "método", "método"]]}
{"doc_id": "CVPR_2001_111_abs", "text": "Neste artigo , propomos um novo método , chamado fatorização local de matrizes não-negativas -LRB- LNMF -RRB- , para aprender representações de subespaço espacialmente localizadas e baseadas em partes de padrões visuais . Define-se uma função objetivo para impor uma restrição de localização , para além da restrição de não-negatividade na NMF padrão -LSB- 1 -RSB- . Isto produz um conjunto de bases que não só permite uma representação de imagens não subtrativa -LRB- baseada em partes -RRB- , como também manifesta características localizadas . É apresentado um algoritmo para o aprendizado de tais componentes base . São apresentados resultados experimentais para comparar a LNMF com os métodos NMF e PCA para representação e reconhecimento de faces , que demonstram as vantagens da LNMF .", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "fatorização local de matrizes não-negativas -LRB- LNMF -RRB-", "type": "Método"}, {"text": "representações de subespaço espacialmente localizadas e baseadas em partes de padrões visuais", "type": "Tarefa"}], [{"text": "função objetivo", "type": "Outros Termos Científicos"}, {"text": "restrição de localização", "type": "Outros Termos Científicos"}, {"text": "restrição de não-negatividade", "type": "Outros Termos Científicos"}, {"text": "NMF", "type": "Método"}], [{"text": "representação de imagens não subtrativa -LRB- baseada em partes -RRB-", "type": "Método"}, {"text": "características localizadas", "type": "Outros Termos Científicos"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "aprendizado", "type": "Tarefa"}], [{"text": "LNMF", "type": "Método"}, {"text": "métodos NMF e PCA", "type": "Método"}, {"text": "representação e reconhecimento de faces", "type": "Tarefa"}, {"text": "LNMF", "type": "Método"}]], "relations": [[{"head": "método", "tail": "representações de subespaço espacialmente localizadas e baseadas em partes de padrões visuais", "relation": "Usado-para"}], [{"head": "função objetivo", "tail": "restrição de localização", "relation": "Usado-para"}, {"head": "restrição de não-negatividade", "tail": "NMF", "relation": "Parte-de"}], [], [{"head": "algoritmo", "tail": "aprendizado", "relation": "Usado-para"}], [{"head": "LNMF", "tail": "métodos NMF e PCA", "relation": "Comparado-com"}, {"head": "LNMF", "tail": "representação e reconhecimento de faces", "relation": "Usado-para"}, {"head": "métodos NMF e PCA", "tail": "representação e reconhecimento de faces", "relation": "Usado-para"}, {"head": "representação e reconhecimento de faces", "tail": "LNMF", "relation": "Avaliado-para"}]], "clusters": [["método", "fatorização local de matrizes não-negativas -LRB- LNMF -RRB-", "LNMF", "LNMF"]]}
{"doc_id": "IJCAI_2001_5_abs", "text": "Ajudar os utilizadores finais a construir e verificar modelos de processos é um desafio para muitos domínios da ciência e da engenharia. Muitos investigadores de IA investigaram formas úteis de verificação e validação de bases de conhecimento para ontologias e regras, mas não é fácil aplicá‑las diretamente à verificação de modelos de processos. Outras técnicas desenvolvidas para verificar e refinar conhecimento de planeamento tendem a concentrar‑se na geração automática de planos em vez de ajudar os utilizadores a criar informação de processos. Neste artigo, propomos uma abordagem complementar que ajuda os utilizadores a criar e verificar modelos de processos. O nosso sistema, chamado KANAL, relaciona entre si os pedaços de informação nos modelos de processos e com a BC existente, analisando como diferentes partes da entrada são combinadas para alcançar algum efeito. Constrói modelos de interdependência a partir desta análise e usa‑os para encontrar erros e propor correções. A nossa avaliação inicial mostra que o KANAL foi capaz de encontrar a maioria dos erros nos modelos de processos e sugerir correções úteis, incluindo as correções que apontam diretamente para as fontes dos erros.", "ner": [[{"text": "modelos de processos", "type": "Método"}, {"text": "domínios da ciência e da engenharia", "type": "Tarefa"}], [{"text": "bases de conhecimento", "type": "Material"}, {"text": "ontologias", "type": "Outros Termos Científicos"}, {"text": "regras", "type": "Outros Termos Científicos"}, {"text": "verificação de modelos de processos", "type": "Tarefa"}, {"text": "modelos de processos", "type": "Método"}], [{"text": "verificar e refinar conhecimento de planeamento", "type": "Tarefa"}, {"text": "geração automática de planos", "type": "Tarefa"}], [{"text": "abordagem complementar", "type": "Genérico"}, {"text": "modelos de processos", "type": "Método"}], [{"text": "sistema", "type": "Genérico"}, {"text": "KANAL", "type": "Método"}, {"text": "modelos de processos", "type": "Método"}, {"text": "BC", "type": "Material"}], [{"text": "It", "type": "Genérico"}, {"text": "modelos de interdependência", "type": "Método"}, {"text": "erros", "type": "Outros Termos Científicos"}, {"text": "correções", "type": "Outros Termos Científicos"}], [{"text": "KANAL", "type": "Método"}, {"text": "modelos de processos", "type": "Método"}]], "relations": [[], [{"head": "ontologias", "tail": "regras", "relation": "Conjunção"}], [{"head": "verificar e refinar conhecimento de planeamento", "tail": "geração automática de planos", "relation": "Usado-para"}], [{"head": "abordagem complementar", "tail": "modelos de processos", "relation": "Usado-para"}], [], [{"head": "modelos de interdependência", "tail": "It", "relation": "Usado-para"}, {"head": "modelos de interdependência", "tail": "erros", "relation": "Usado-para"}, {"head": "modelos de interdependência", "tail": "correções", "relation": "Usado-para"}], []], "clusters": [["modelos de processos", "modelos de processos", "modelos de processos", "modelos de processos"], ["abordagem complementar", "sistema", "KANAL", "It", "KANAL"]]}
{"doc_id": "P06-2001", "text": "Neste artigo , descrevemos a investigação que utiliza técnicas de aprendizagem automática para construir um verificador de vírgulas a ser integrado num verificador gramatical para basco . Após várias experiências , e treinado com um pequeno corpus de 100 000 palavras , o sistema acerta corretamente em não colocar vírgulas com uma precisão de 96 % e uma revocação de 98 % . Também obtém uma precisão de 70 % e uma revocação de 49 % na tarefa de colocação de vírgulas . Finalmente , mostramos que estes resultados podem ser melhorados utilizando um corpus maior e mais homogéneo para treino , isto é , um corpus maior escrito por um único autor .", "ner": [[{"text": "técnicas de aprendizagem automática", "type": "Método"}, {"text": "verificador de vírgulas", "type": "Método"}, {"text": "verificador gramatical", "type": "Método"}, {"text": "basco", "type": "Material"}], [{"text": "sistema", "type": "Genérico"}, {"text": "precisão", "type": "Métrica"}, {"text": "revocação", "type": "Métrica"}], [{"text": "Também", "type": "Genérico"}, {"text": "precisão", "type": "Métrica"}, {"text": "revocação", "type": "Métrica"}, {"text": "tarefa de colocação de vírgulas", "type": "Tarefa"}], []], "relations": [[{"head": "técnicas de aprendizagem automática", "tail": "verificador de vírgulas", "relation": "Usado-para"}, {"head": "verificador de vírgulas", "tail": "verificador gramatical", "relation": "Parte-de"}, {"head": "verificador gramatical", "tail": "basco", "relation": "Usado-para"}], [{"head": "precisão", "tail": "sistema", "relation": "Avaliado-para"}, {"head": "revocação", "tail": "sistema", "relation": "Avaliado-para"}], [{"head": "Também", "tail": "tarefa de colocação de vírgulas", "relation": "Usado-para"}, {"head": "precisão", "tail": "Também", "relation": "Avaliado-para"}, {"head": "revocação", "tail": "Também", "relation": "Avaliado-para"}], []], "clusters": [["verificador de vírgulas", "sistema", "Também"]]}
{"doc_id": "L08-1050", "text": "O presente artigo relata uma investigação preparatória para a construção de um cenário de anotação de corpus linguístico que capte as relações discursivas em Checo. Centramos-nos principalmente na descrição das relações sintaticamente motivadas no discurso, baseando as nossas conclusões no enquadramento teórico do Prague Dependency Treebank 2.0 e do Penn Discourse Treebank 2. O nosso objetivo é revisitar a anotação sintático-semântica -LRB- tectogramatical -RRB- atual no Prague Dependency Treebank, ampliá-la para fins de uma representação que atravessa fronteiras de frase e, eventualmente, conceber um novo nível de anotação do discurso. Neste artigo, propomos um processo viável para essa transferência, comparando as possibilidades que a abordagem praguiana baseada em dependências oferece com a anotação discursiva de Penn, baseada principalmente na análise e classificação de conectores discursivos.", "ner": [[{"text": "cenário de anotação de corpus linguístico", "type": "Material"}, {"text": "relações discursivas", "type": "Outros Termos Científicos"}, {"text": "Checo", "type": "Material"}], [{"text": "relações sintaticamente motivadas no discurso", "type": "Outros Termos Científicos"}, {"text": "Prague Dependency Treebank 2.0", "type": "Material"}, {"text": "Penn Discourse Treebank 2", "type": "Material"}], [{"text": "anotação sintático-semântica -LRB- tectogramatical -RRB-", "type": "Outros Termos Científicos"}, {"text": "Prague Dependency Treebank", "type": "Material"}, {"text": "ela", "type": "Genérico"}, {"text": "representação que atravessa fronteiras de frase", "type": "Tarefa"}, {"text": "nível de anotação do discurso", "type": "Tarefa"}], [{"text": "abordagem praguiana baseada em dependências", "type": "Método"}, {"text": "anotação discursiva de Penn", "type": "Método"}, {"text": "análise e classificação de conectores discursivos", "type": "Método"}]], "relations": [[{"head": "cenário de anotação de corpus linguístico", "tail": "relações discursivas", "relation": "Usado-para"}, {"head": "Checo", "tail": "relações discursivas", "relation": "Característica-de"}], [{"head": "Prague Dependency Treebank 2.0", "tail": "relações sintaticamente motivadas no discurso", "relation": "Usado-para"}, {"head": "Prague Dependency Treebank 2.0", "tail": "Penn Discourse Treebank 2", "relation": "Conjunção"}, {"head": "Penn Discourse Treebank 2", "tail": "relações sintaticamente motivadas no discurso", "relation": "Usado-para"}], [{"head": "anotação sintático-semântica -LRB- tectogramatical -RRB-", "tail": "Prague Dependency Treebank", "relation": "Parte-de"}, {"head": "ela", "tail": "representação que atravessa fronteiras de frase", "relation": "Usado-para"}, {"head": "ela", "tail": "nível de anotação do discurso", "relation": "Usado-para"}], [{"head": "anotação discursiva de Penn", "tail": "abordagem praguiana baseada em dependências", "relation": "Comparado-com"}, {"head": "análise e classificação de conectores discursivos", "tail": "abordagem praguiana baseada em dependências", "relation": "Avaliado-para"}, {"head": "análise e classificação de conectores discursivos", "tail": "anotação discursiva de Penn", "relation": "Avaliado-para"}]], "clusters": [["anotação sintático-semântica -LRB- tectogramatical -RRB-", "ela"]]}
{"doc_id": "ICCV_2013_50_abs", "text": "As técnicas baseadas em regressão têm mostrado resultados promissores para a contagem de pessoas em cenas lotadas. No entanto, a maioria das técnicas existentes requer anotação de dados cara e trabalhosa para o treino de modelos. Neste estudo, propomos abordar este problema a partir de três perspetivas: (1) Em vez de anotar exaustivamente todos os fotogramas, os fotogramas mais informativos são selecionados para anotação de forma automática e ativa. (2) Em vez de aprender apenas a partir de dados rotulados, exploram-se os abundantes dados não rotulados. (3) Dados rotulados de outras cenas são utilizados para aliviar ainda mais o esforço de anotação de dados. As três ideias são implementadas num quadro unificado de regressão ativo e semi-supervisionado com capacidade para realizar aprendizagem por transferência, explorando a estrutura geométrica subjacente dos padrões de multidão através de análise de variedades. Extensas experiências validam a eficácia da nossa abordagem.", "ner": [[{"text": "técnicas baseadas em regressão", "type": "Método"}, {"text": "contagem de pessoas em cenas lotadas", "type": "Tarefa"}], [{"text": "técnicas", "type": "Genérico"}, {"text": "anotação de dados", "type": "Tarefa"}, {"text": "treino de modelos", "type": "Tarefa"}], [{"text": "fotogramas mais informativos", "type": "Outros Termos Científicos"}, {"text": "anotação", "type": "Tarefa"}], [{"text": "dados rotulados", "type": "Genérico"}, {"text": "abundantes dados não rotulados", "type": "Material"}], [{"text": "anotação de dados", "type": "Tarefa"}], [{"text": "quadro unificado de regressão ativo e semi-supervisionado", "type": "Método"}, {"text": "aprendizagem por transferência", "type": "Método"}, {"text": "estrutura geométrica subjacente dos padrões de multidão", "type": "Outros Termos Científicos"}, {"text": "análise de variedades", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}]], "relations": [[{"head": "técnicas baseadas em regressão", "tail": "contagem de pessoas em cenas lotadas", "relation": "Usado-para"}], [{"head": "anotação de dados", "tail": "técnicas", "relation": "Usado-para"}, {"head": "anotação de dados", "tail": "treino de modelos", "relation": "Usado-para"}], [], [{"head": "dados rotulados", "tail": "abundantes dados não rotulados", "relation": "Comparado-com"}], [], [{"head": "quadro unificado de regressão ativo e semi-supervisionado", "tail": "aprendizagem por transferência", "relation": "Usado-para"}, {"head": "estrutura geométrica subjacente dos padrões de multidão", "tail": "quadro unificado de regressão ativo e semi-supervisionado", "relation": "Usado-para"}, {"head": "análise de variedades", "tail": "estrutura geométrica subjacente dos padrões de multidão", "relation": "Usado-para"}], []], "clusters": [["anotação de dados", "anotação", "anotação de dados"], ["quadro unificado de regressão ativo e semi-supervisionado", "abordagem"]]}
{"doc_id": "CVPR_2001_110_abs", "text": "A representação de imagens com camadas tem muitas aplicações importantes, tais como compressão de vídeo, análise de movimento e análise de cenas 3D. Este artigo apresenta uma abordagem para extrair de forma fiável camadas de imagens, tirando partido do facto de as homografias induzidas por remendos planares na cena formarem um subespaço linear de baixa dimensão. As camadas nas imagens de entrada serão mapeadas no subespaço, onde se demonstra que formam agrupamentos bem definidos e podem ser identificadas de forma fiável por um simples algoritmo de agrupamento baseado em deslocamento de média. A optimalidade global é alcançada uma vez que todas as regiões válidas são simultaneamente tidas em conta, e o ruído pode ser efetivamente reduzido impondo a restrição de subespaço. Boas descrições de camadas são mostradas como sendo extraídas nos resultados experimentais.", "ner": [[{"text": "A representação de imagens com camadas", "type": "Método"}, {"text": "aplicações", "type": "Genérico"}, {"text": "compressão de vídeo", "type": "Tarefa"}, {"text": "análise de movimento", "type": "Tarefa"}, {"text": "análise de cenas 3D", "type": "Tarefa"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "camadas", "type": "Outros Termos Científicos"}, {"text": "imagens", "type": "Material"}, {"text": "homografias", "type": "Outros Termos Científicos"}, {"text": "remendos planares", "type": "Outros Termos Científicos"}, {"text": "cena", "type": "Outros Termos Científicos"}, {"text": "subespaço linear de baixa dimensão", "type": "Outros Termos Científicos"}], [{"text": "camadas", "type": "Outros Termos Científicos"}, {"text": "imagens", "type": "Material"}, {"text": "subespaço", "type": "Outros Termos Científicos"}, {"text": "agrupamentos", "type": "Outros Termos Científicos"}, {"text": "algoritmo de agrupamento baseado em deslocamento de média", "type": "Método"}], [{"text": "optimalidade global", "type": "Tarefa"}, {"text": "regiões", "type": "Outros Termos Científicos"}, {"text": "ruído", "type": "Outros Termos Científicos"}, {"text": "restrição de subespaço", "type": "Outros Termos Científicos"}], []], "relations": [[{"head": "A representação de imagens com camadas", "tail": "aplicações", "relation": "Usado-para"}, {"head": "compressão de vídeo", "tail": "aplicações", "relation": "Hipónimo-de"}, {"head": "compressão de vídeo", "tail": "análise de movimento", "relation": "Conjunção"}, {"head": "análise de movimento", "tail": "aplicações", "relation": "Hipónimo-de"}, {"head": "análise de movimento", "tail": "análise de cenas 3D", "relation": "Conjunção"}, {"head": "análise de cenas 3D", "tail": "aplicações", "relation": "Hipónimo-de"}], [{"head": "abordagem", "tail": "camadas", "relation": "Usado-para"}, {"head": "camadas", "tail": "imagens", "relation": "Parte-de"}, {"head": "remendos planares", "tail": "cena", "relation": "Parte-de"}], [{"head": "camadas", "tail": "imagens", "relation": "Parte-de"}, {"head": "imagens", "tail": "agrupamentos", "relation": "Usado-para"}, {"head": "algoritmo de agrupamento baseado em deslocamento de média", "tail": "agrupamentos", "relation": "Usado-para"}], [{"head": "restrição de subespaço", "tail": "ruído", "relation": "Usado-para"}], []], "clusters": []}
{"doc_id": "AAAI_2008_254_abs", "text": "A construção de grafos causais a partir de dados não experimentais assenta num conjunto de restrições que a estrutura do grafo impõe a todas as distribuições de probabilidade compatíveis com o grafo. Estas restrições são de dois tipos: independências condicionais e restrições algébricas, inicialmente apontadas por Verma. Embora as independências condicionais sejam bem estudadas e frequentemente usadas em algoritmos de indução causal, as restrições de Verma continuam a ser pouco compreendidas e raramente aplicadas. Neste artigo examinamos um subconjunto especial de restrições de Verma que são fáceis de compreender, fáceis de identificar e fáceis de aplicar; elas decorrem de 'independências dormentes', isto é, independências condicionais que se verificam em distribuições intervencionais. Apresentamos um algoritmo completo para determinar se uma independência dormente entre dois conjuntos de variáveis é implicada pelo grafo causal, de forma que esta independência seja identificável, por outras palavras, se reside numa distribuição intervencional que pode ser prevista sem recorrer a intervenções. Mostramos ainda a utilidade das independências dormentes na avaliação e indução de modelos, apresentando um algoritmo que utiliza restrições implicadas por independências dormentes para podar arestas estranhas de um grafo causal dado.", "ner": [[{"text": "construção de grafos causais", "type": "Tarefa"}, {"text": "dados não experimentais", "type": "Material"}, {"text": "restrições", "type": "Outros Termos Científicos"}, {"text": "estrutura do grafo", "type": "Outros Termos Científicos"}, {"text": "distribuições de probabilidade", "type": "Outros Termos Científicos"}, {"text": "grafo", "type": "Outros Termos Científicos"}], [{"text": "restrições", "type": "Genérico"}, {"text": "independências condicionais", "type": "Outros Termos Científicos"}, {"text": "restrições algébricas", "type": "Outros Termos Científicos"}], [{"text": "independências condicionais", "type": "Outros Termos Científicos"}, {"text": "algoritmos de indução causal", "type": "Método"}, {"text": "restrições de Verma", "type": "Outros Termos Científicos"}], [{"text": "restrições de Verma", "type": "Outros Termos Científicos"}, {"text": "elas", "type": "Genérico"}, {"text": "independências dormentes", "type": "Outros Termos Científicos"}, {"text": "independências condicionais", "type": "Outros Termos Científicos"}, {"text": "distribuições intervencionais", "type": "Outros Termos Científicos"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "independência dormente", "type": "Outros Termos Científicos"}, {"text": "variáveis", "type": "Outros Termos Científicos"}, {"text": "grafo causal", "type": "Outros Termos Científicos"}, {"text": "independência", "type": "Outros Termos Científicos"}, {"text": "ela", "type": "Genérico"}, {"text": "distribuição intervencional", "type": "Outros Termos Científicos"}, {"text": "intervenções", "type": "Outros Termos Científicos"}], [{"text": "independências dormentes", "type": "Outros Termos Científicos"}, {"text": "avaliação e indução de modelos", "type": "Tarefa"}, {"text": "indução", "type": "Tarefa"}, {"text": "algoritmo", "type": "Genérico"}, {"text": "restrições", "type": "Genérico"}, {"text": "independências dormentes", "type": "Outros Termos Científicos"}, {"text": "arestas estranhas", "type": "Outros Termos Científicos"}, {"text": "grafo causal", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "dados não experimentais", "tail": "construção de grafos causais", "relation": "Usado-para"}, {"head": "distribuições de probabilidade", "tail": "grafo", "relation": "Característica-de"}], [{"head": "independências condicionais", "tail": "restrições", "relation": "Hipónimo-de"}, {"head": "restrições algébricas", "tail": "restrições", "relation": "Hipónimo-de"}], [{"head": "independências condicionais", "tail": "algoritmos de indução causal", "relation": "Usado-para"}, {"head": "restrições de Verma", "tail": "independências condicionais", "relation": "Comparado-com"}], [{"head": "independências dormentes", "tail": "independências condicionais", "relation": "Conjunção"}, {"head": "independências condicionais", "tail": "distribuições intervencionais", "relation": "Característica-de"}], [{"head": "algoritmo", "tail": "independência dormente", "relation": "Usado-para"}, {"head": "distribuição intervencional", "tail": "ela", "relation": "Característica-de"}], [{"head": "independências dormentes", "tail": "avaliação e indução de modelos", "relation": "Usado-para"}, {"head": "independências dormentes", "tail": "indução", "relation": "Usado-para"}, {"head": "avaliação e indução de modelos", "tail": "indução", "relation": "Conjunção"}, {"head": "algoritmo", "tail": "arestas estranhas", "relation": "Usado-para"}, {"head": "restrições", "tail": "algoritmo", "relation": "Usado-para"}, {"head": "arestas estranhas", "tail": "grafo causal", "relation": "Parte-de"}]], "clusters": [["restrições", "restrições"], ["restrições de Verma", "elas"], ["independência dormente", "independência", "ela"]]}
{"doc_id": "CVPR_2016_405_abs", "text": "Com a recente popularidade dos GIFs animados nas redes sociais, é necessário encontrar formas de os indexar com metadados ricos. Para avançar a investigação sobre compreensão de GIFs animados, recolhemos um novo conjunto de dados, Tumblr GIF -LRB- TGIF -RRB-, com 100 mil GIFs animados do Tumblr e 120 mil descrições em linguagem natural obtidas por crowdsourcing. A motivação para este trabalho é desenvolver uma plataforma de teste para sistemas de descrição de sequências de imagens, em que a tarefa consiste em gerar descrições em linguagem natural para GIFs animados ou clips de vídeo. Para garantir um conjunto de dados de elevada qualidade, desenvolvemos uma série de novos controlos de qualidade para validar texto de entrada em formato livre fornecido por trabalhadores da multidão. Mostramos que existe uma associação inequívoca entre o conteúdo visual e as descrições em linguagem natural no nosso conjunto de dados, tornando-o um benchmark ideal para a tarefa de legendagem de conteúdo visual. Realizamos análises estatísticas extensivas para comparar o nosso conjunto de dados com conjuntos de dados de descrição de imagens e vídeos existentes. De seguida, fornecemos resultados de referência para a tarefa de descrição de GIFs animados, usando três técnicas representativas: vizinho mais próximo, tradução automática estatística e redes neuronais recorrentes. Finalmente, mostramos que modelos ajustados a partir do nosso conjunto de dados de descrição de GIFs animados podem ser úteis para a descrição automática de filmes.", "ner": [[{"text": "GIFs animados", "type": "Material"}, {"text": "redes sociais", "type": "Material"}, {"text": "metadados ricos", "type": "Material"}], [{"text": "compreensão de GIFs animados", "type": "Tarefa"}, {"text": "conjunto de dados", "type": "Genérico"}, {"text": "Tumblr GIF -LRB- TGIF -RRB-", "type": "Material"}, {"text": "GIFs animados", "type": "Material"}, {"text": "descrições em linguagem natural", "type": "Material"}, {"text": "crowdsourcing", "type": "Método"}], [{"text": "sistemas de descrição de sequências de imagens", "type": "Tarefa"}, {"text": "descrições em linguagem natural", "type": "Material"}, {"text": "GIFs animados", "type": "Material"}, {"text": "clips de vídeo", "type": "Material"}], [{"text": "controlos de qualidade", "type": "Método"}, {"text": "texto de entrada em formato livre", "type": "Material"}], [{"text": "conteúdo visual", "type": "Material"}, {"text": "descrições em linguagem natural", "type": "Material"}, {"text": "conjunto de dados", "type": "Genérico"}, {"text": "ele", "type": "Genérico"}, {"text": "tarefa de legendagem de conteúdo visual", "type": "Tarefa"}], [{"text": "análises estatísticas", "type": "Outros Termos Científicos"}, {"text": "conjunto de dados", "type": "Genérico"}, {"text": "conjuntos de dados de descrição de imagens e vídeos", "type": "Material"}], [{"text": "tarefa de descrição de GIFs animados", "type": "Tarefa"}, {"text": "técnicas representativas", "type": "Genérico"}, {"text": "vizinho mais próximo", "type": "Método"}, {"text": "tradução automática estatística", "type": "Método"}, {"text": "redes neuronais recorrentes", "type": "Método"}], [{"text": "conjunto de dados de descrição de GIFs animados", "type": "Material"}, {"text": "descrição automática de filmes", "type": "Tarefa"}]], "relations": [[{"head": "redes sociais", "tail": "GIFs animados", "relation": "Característica-de"}], [{"head": "conjunto de dados", "tail": "compreensão de GIFs animados", "relation": "Usado-para"}, {"head": "descrições em linguagem natural", "tail": "GIFs animados", "relation": "Conjunção"}, {"head": "crowdsourcing", "tail": "descrições em linguagem natural", "relation": "Usado-para"}], [{"head": "descrições em linguagem natural", "tail": "GIFs animados", "relation": "Usado-para"}, {"head": "descrições em linguagem natural", "tail": "clips de vídeo", "relation": "Usado-para"}, {"head": "GIFs animados", "tail": "clips de vídeo", "relation": "Conjunção"}], [{"head": "controlos de qualidade", "tail": "texto de entrada em formato livre", "relation": "Usado-para"}], [{"head": "conteúdo visual", "tail": "descrições em linguagem natural", "relation": "Conjunção"}, {"head": "conteúdo visual", "tail": "conjunto de dados", "relation": "Parte-de"}, {"head": "descrições em linguagem natural", "tail": "conjunto de dados", "relation": "Parte-de"}, {"head": "ele", "tail": "tarefa de legendagem de conteúdo visual", "relation": "Avaliado-para"}], [{"head": "conjunto de dados", "tail": "conjuntos de dados de descrição de imagens e vídeos", "relation": "Comparado-com"}], [{"head": "técnicas representativas", "tail": "tarefa de descrição de GIFs animados", "relation": "Usado-para"}, {"head": "vizinho mais próximo", "tail": "técnicas representativas", "relation": "Hipónimo-de"}, {"head": "vizinho mais próximo", "tail": "tradução automática estatística", "relation": "Conjunção"}, {"head": "tradução automática estatística", "tail": "técnicas representativas", "relation": "Hipónimo-de"}, {"head": "tradução automática estatística", "tail": "redes neuronais recorrentes", "relation": "Conjunção"}, {"head": "redes neuronais recorrentes", "tail": "técnicas representativas", "relation": "Hipónimo-de"}], [{"head": "conjunto de dados de descrição de GIFs animados", "tail": "descrição automática de filmes", "relation": "Usado-para"}]], "clusters": [["conjunto de dados", "Tumblr GIF -LRB- TGIF -RRB-", "conjunto de dados", "ele", "conjunto de dados", "conjunto de dados de descrição de GIFs animados"]]}
{"doc_id": "E85-1037", "text": "A gramática sistémica foi usada no passado para trabalhos de geração de texto em IA, mas as implementações tendiam a ser ad hoc ou ineficientes. Este artigo apresenta uma abordagem à geração de texto sistémica em que técnicas de resolução de problemas em IA são aplicadas diretamente a uma gramática sistémica não adulterada. Esta abordagem é possibilitada por uma relação especial entre a gramática sistémica e a resolução de problemas: ambas são organizadas principalmente como escolhas entre alternativas. O resultado é uma geração de texto simples e eficiente, firmemente baseada numa teoria linguística.", "ner": [[{"text": "gramática sistémica", "type": "Método"}, {"text": "geração de texto em IA", "type": "Tarefa"}, {"text": "implementações", "type": "Genérico"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "geração de texto", "type": "Tarefa"}, {"text": "técnicas de resolução de problemas em IA", "type": "Método"}, {"text": "gramática sistémica", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "gramática sistémica", "type": "Método"}, {"text": "resolução de problemas", "type": "Método"}], [{"text": "geração de texto", "type": "Tarefa"}, {"text": "teoria linguística", "type": "Método"}]], "relations": [[{"head": "gramática sistémica", "tail": "geração de texto em IA", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "geração de texto", "relation": "Usado-para"}, {"head": "técnicas de resolução de problemas em IA", "tail": "gramática sistémica", "relation": "Usado-para"}], [{"head": "gramática sistémica", "tail": "resolução de problemas", "relation": "Conjunção"}], [{"head": "teoria linguística", "tail": "geração de texto", "relation": "Usado-para"}]], "clusters": [["abordagem", "técnicas de resolução de problemas em IA", "abordagem", "resolução de problemas"], ["geração de texto em IA", "geração de texto", "geração de texto"], ["gramática sistémica", "implementações"]]}
{"doc_id": "E06-1018", "text": "Neste artigo é apresentada uma nova solução para a indução automática e não supervisionada de sentidos de palavras -LRB- WSI -RRB- . Representa uma instanciação da observação um sentido por colocação -LRB- Gale et al. , 1992 -RRB- . Tal como a maioria das abordagens existentes , utiliza a clusterização de coocorrências de palavras . Esta abordagem difere de outras abordagens à WSI por reforçar o efeito da observação um sentido por colocação utilizando triplos de palavras em vez de pares . A combinação com um processo de clusterização em dois passos , que utiliza coocorrências de frases como características , permite obter resultados precisos . Adicionalmente , é empregue um método de avaliação novo e igualmente automático e não supervisionado , inspirado na ideia de Schutze -LRB- 1992 -RRB- de avaliação de algoritmos de desambiguação de sentidos de palavras . Oferecendo vantagens como reprodutibilidade e independência de um dado padrão-ouro enviesado , permite também a otimização automática de parâmetros do algoritmo de WSI .", "ner": [[{"text": "solução", "type": "Genérico"}, {"text": "indução automática e não supervisionada de sentidos de palavras -LRB- WSI -RRB-", "type": "Tarefa"}], [{"text": "Representa", "type": "Genérico"}, {"text": "observação um sentido por colocação", "type": "Método"}], [{"text": "Tal como a maioria das abordagens existentes , utiliza", "type": "Genérico"}, {"text": "clusterização de coocorrências de palavras", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "abordagens", "type": "Genérico"}, {"text": "WSI", "type": "Tarefa"}, {"text": "por reforçar o efeito", "type": "Genérico"}, {"text": "observação um sentido por colocação", "type": "Método"}, {"text": "triplos de palavras", "type": "Outros Termos Científicos"}], [{"text": "processo de clusterização em dois passos", "type": "Método"}, {"text": "coocorrências de frases", "type": "Outros Termos Científicos"}, {"text": "características", "type": "Outros Termos Científicos"}], [{"text": "método de avaliação novo e igualmente automático e não supervisionado", "type": "Métrica"}, {"text": "algoritmos de desambiguação de sentidos de palavras", "type": "Método"}], [{"text": "otimização automática de parâmetros", "type": "Método"}, {"text": "algoritmo de WSI", "type": "Método"}]], "relations": [[{"head": "solução", "tail": "indução automática e não supervisionada de sentidos de palavras -LRB- WSI -RRB-", "relation": "Usado-para"}], [{"head": "Representa", "tail": "observação um sentido por colocação", "relation": "Hipónimo-de"}], [{"head": "clusterização de coocorrências de palavras", "tail": "Tal como a maioria das abordagens existentes , utiliza", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "abordagens", "relation": "Comparado-com"}, {"head": "abordagem", "tail": "WSI", "relation": "Usado-para"}, {"head": "abordagens", "tail": "WSI", "relation": "Usado-para"}, {"head": "por reforçar o efeito", "tail": "observação um sentido por colocação", "relation": "Usado-para"}, {"head": "triplos de palavras", "tail": "por reforçar o efeito", "relation": "Usado-para"}], [{"head": "coocorrências de frases", "tail": "processo de clusterização em dois passos", "relation": "Usado-para"}], [{"head": "método de avaliação novo e igualmente automático e não supervisionado", "tail": "algoritmos de desambiguação de sentidos de palavras", "relation": "Avaliado-para"}], [{"head": "otimização automática de parâmetros", "tail": "algoritmo de WSI", "relation": "Usado-para"}]], "clusters": [["indução automática e não supervisionada de sentidos de palavras -LRB- WSI -RRB-", "WSI"], ["solução", "Representa", "Tal como a maioria das abordagens existentes , utiliza", "abordagem", "por reforçar o efeito"], ["observação um sentido por colocação", "observação um sentido por colocação"], ["algoritmos de desambiguação de sentidos de palavras", "algoritmo de WSI"]]}
{"doc_id": "P84-1020", "text": "Este resumo descreve um sistema de linguagem natural que lida de forma útil com input não gramatical e descreve algumas aplicações atuais e potenciais deste na aprendizagem de línguas segunda assistida por computador. No entanto, esta não é a única área em que os princípios do sistema podem ser usados, e o objetivo ao construí-lo foi simplesmente demonstrar a viabilidade do mecanismo geral e fornecer um enquadramento para avaliar os seus desenvolvimentos.", "ner": [[{"text": "sistema de linguagem natural", "type": "Método"}, {"text": "input não gramatical", "type": "Outros Termos Científicos"}, {"text": "deste", "type": "Genérico"}, {"text": "aprendizagem de línguas segunda assistida por computador", "type": "Tarefa"}], [{"text": "esta", "type": "Genérico"}, {"text": "sistema", "type": "Genérico"}, {"text": "o", "type": "Genérico"}, {"text": "seus", "type": "Genérico"}]], "relations": [[{"head": "sistema de linguagem natural", "tail": "input não gramatical", "relation": "Usado-para"}, {"head": "deste", "tail": "aprendizagem de línguas segunda assistida por computador", "relation": "Usado-para"}], [{"head": "sistema", "tail": "esta", "relation": "Usado-para"}]], "clusters": [["sistema de linguagem natural", "deste", "sistema", "o", "seus"], ["aprendizagem de línguas segunda assistida por computador", "esta"]]}
{"doc_id": "ICASSP_2011_588_abs", "text": "Num veículo motorizado, pode encontrar-se um conjunto de sinais facilmente mensuráveis com componentes de frequência relacionados com a velocidade de rotação do motor, por exemplo, vibrações, nível de tensão do sistema elétrico e som ambiente. Estes sinais poderiam potencialmente ser usados para estimar a velocidade e os estados relacionados do veículo. Infelizmente, tais estimativas exigiriam tipicamente que fossem conhecidas as relações -LRB- fatores de escala -RRB- entre os componentes de frequência e a velocidade para diferentes mudanças de velocidade. Consequentemente, neste artigo analisamos o problema de estimar estes fatores de escala das mudanças de velocidade a partir de dados de treino que consistem apenas em medições de velocidade e medições do sinal em questão. O problema de estimação é formulado como um problema de estimação de máxima verosimilhança e recorre-se a heurísticas para encontrar valores iniciais para uma avaliação numérica do estimador. Finalmente, é realizada uma campanha de medições e a funcionalidade do método de estimação é verificada em dados reais.", "ner": [[{"text": "sinais facilmente mensuráveis", "type": "Material"}, {"text": "componentes de frequência", "type": "Método"}, {"text": "velocidade de rotação do motor", "type": "Outros Termos Científicos"}, {"text": "vibrações", "type": "Outros Termos Científicos"}, {"text": "nível de tensão do sistema elétrico", "type": "Outros Termos Científicos"}, {"text": "som ambiente", "type": "Outros Termos Científicos"}], [{"text": "sinais", "type": "Genérico"}, {"text": "velocidade e os estados relacionados do veículo", "type": "Tarefa"}], [{"text": "componentes de frequência", "type": "Método"}, {"text": "velocidade", "type": "Outros Termos Científicos"}, {"text": "mudanças de velocidade", "type": "Outros Termos Científicos"}], [{"text": "fatores de escala das mudanças de velocidade", "type": "Outros Termos Científicos"}, {"text": "dados de treino", "type": "Genérico"}, {"text": "medições de velocidade", "type": "Outros Termos Científicos"}], [{"text": "problema de estimação", "type": "Tarefa"}, {"text": "problema de estimação de máxima verosimilhança", "type": "Tarefa"}, {"text": "heurísticas", "type": "Método"}, {"text": "avaliação numérica do estimador", "type": "Tarefa"}, {"text": "estimador", "type": "Genérico"}], [{"text": "método de estimação", "type": "Método"}, {"text": "dados reais", "type": "Material"}]], "relations": [[{"head": "componentes de frequência", "tail": "sinais facilmente mensuráveis", "relation": "Usado-para"}, {"head": "componentes de frequência", "tail": "velocidade de rotação do motor", "relation": "Característica-de"}, {"head": "vibrações", "tail": "sinais facilmente mensuráveis", "relation": "Hipónimo-de"}, {"head": "vibrações", "tail": "nível de tensão do sistema elétrico", "relation": "Conjunção"}, {"head": "nível de tensão do sistema elétrico", "tail": "sinais facilmente mensuráveis", "relation": "Hipónimo-de"}, {"head": "nível de tensão do sistema elétrico", "tail": "som ambiente", "relation": "Conjunção"}, {"head": "som ambiente", "tail": "sinais facilmente mensuráveis", "relation": "Hipónimo-de"}], [{"head": "sinais", "tail": "velocidade e os estados relacionados do veículo", "relation": "Usado-para"}], [{"head": "componentes de frequência", "tail": "velocidade", "relation": "Conjunção"}, {"head": "velocidade", "tail": "mudanças de velocidade", "relation": "Característica-de"}], [{"head": "dados de treino", "tail": "fatores de escala das mudanças de velocidade", "relation": "Usado-para"}], [{"head": "problema de estimação de máxima verosimilhança", "tail": "problema de estimação", "relation": "Usado-para"}, {"head": "heurísticas", "tail": "avaliação numérica do estimador", "relation": "Usado-para"}], [{"head": "dados reais", "tail": "método de estimação", "relation": "Avaliado-para"}]], "clusters": [["sinais facilmente mensuráveis", "sinais"], ["estimador", "método de estimação"]]}
{"doc_id": "ICASSP_1997_714_abs", "text": "Codificadores de fala baseados em LPC a operar a débitos binários inferiores a 3,0 kbits/s estão geralmente associados a artefactos zumbidos ou metálicos na fala sintética. Estes são principalmente atribuíveis às suposições de simplificação feitas acerca da fonte de excitação, que são geralmente necessárias para manter débitos binários baixos. Neste artigo é apresentado um novo vocoder LPC que divide a excitação LPC em duas bandas de frequência usando uma frequência de corte variável. A banda inferior é responsável por representar as partes sonoras da fala, enquanto a banda superior representa fala não sonora. Ao fazê-lo, o desempenho do codificador tanto durante fala com mistura de vozeamento como em fala contendo ruído acústico é grandemente melhorado, produzindo fala suave de som natural. O artigo também descreve novas técnicas de determinação de parâmetros e técnicas de quantização, vitais para o funcionamento deste codificador a débitos binários tão baixos.", "ner": [[{"text": "codificadores de fala baseados em LPC", "type": "Método"}, {"text": "débitos binários", "type": "Outros Termos Científicos"}, {"text": "artefactos zumbidos ou metálicos", "type": "Outros Termos Científicos"}, {"text": "fala sintética", "type": "Material"}], [{"text": "fonte de excitação", "type": "Outros Termos Científicos"}, {"text": "débitos binários baixos", "type": "Outros Termos Científicos"}], [{"text": "vocoder LPC", "type": "Método"}, {"text": "excitação LPC", "type": "Outros Termos Científicos"}, {"text": "bandas de frequência", "type": "Outros Termos Científicos"}, {"text": "frequência de corte variável", "type": "Outros Termos Científicos"}], [{"text": "partes sonoras da fala", "type": "Material"}, {"text": "fala não sonora", "type": "Material"}], [{"text": "codificador", "type": "Genérico"}, {"text": "fala com mistura de vozeamento", "type": "Material"}, {"text": "fala contendo ruído acústico", "type": "Material"}, {"text": "fala suave de som natural", "type": "Material"}], [{"text": "determinação de parâmetros", "type": "Método"}, {"text": "técnicas de quantização", "type": "Método"}, {"text": "codificador", "type": "Genérico"}, {"text": "débitos binários baixos", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "débitos binários", "tail": "codificadores de fala baseados em LPC", "relation": "Característica-de"}, {"head": "artefactos zumbidos ou metálicos", "tail": "fala sintética", "relation": "Característica-de"}], [], [{"head": "frequência de corte variável", "tail": "excitação LPC", "relation": "Usado-para"}, {"head": "frequência de corte variável", "tail": "bandas de frequência", "relation": "Usado-para"}], [], [{"head": "codificador", "tail": "fala suave de som natural", "relation": "Usado-para"}, {"head": "fala com mistura de vozeamento", "tail": "codificador", "relation": "Usado-para"}, {"head": "fala contendo ruído acústico", "tail": "codificador", "relation": "Usado-para"}], [{"head": "determinação de parâmetros", "tail": "técnicas de quantização", "relation": "Conjunção"}, {"head": "determinação de parâmetros", "tail": "codificador", "relation": "Usado-para"}, {"head": "técnicas de quantização", "tail": "codificador", "relation": "Usado-para"}, {"head": "débitos binários baixos", "tail": "codificador", "relation": "Característica-de"}]], "clusters": [["vocoder LPC", "codificador", "codificador"]]}
{"doc_id": "NIPS_2001_21_abs", "text": "Consideramos o problema de separação cega de fontes a partir de um conjunto de misturas lineares instantâneas, em que a matriz de mistura é desconhecida. Foi descoberto recentemente que explorar a esparsidade das fontes numa representação apropriada de acordo com algum dicionário de sinais melhora drasticamente a qualidade da separação. Neste trabalho usamos a propriedade das transformadas multiescala, como wavelet ou pacotes de wavelet, para decompor sinais em conjuntos de características locais com vários graus de esparsidade. Usamos esta propriedade intrínseca para selecionar os subconjuntos de características mais adequados (mais esparsos) para posterior separação. O desempenho do algoritmo é verificado em dados sem ruído e com ruído. Experiências com sinais simulados, sons musicais e imagens demonstram uma melhoria significativa da qualidade da separação em relação a resultados anteriormente reportados.", "ner": [[{"text": "separação cega de fontes", "type": "Tarefa"}, {"text": "misturas lineares instantâneas", "type": "Outros Termos Científicos"}, {"text": "matriz de mistura", "type": "Outros Termos Científicos"}], [{"text": "esparsidade das fontes", "type": "Outros Termos Científicos"}, {"text": "dicionário de sinais", "type": "Outros Termos Científicos"}, {"text": "qualidade da separação", "type": "Métrica"}], [{"text": "transformadas multiescala", "type": "Outros Termos Científicos"}, {"text": "wavelet ou pacotes de wavelet", "type": "Outros Termos Científicos"}, {"text": "características locais", "type": "Outros Termos Científicos"}, {"text": "esparsidade", "type": "Outros Termos Científicos"}], [{"text": "características", "type": "Outros Termos Científicos"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "dados sem ruído e com ruído", "type": "Material"}], [{"text": "sinais simulados", "type": "Material"}, {"text": "sons musicais", "type": "Material"}, {"text": "imagens", "type": "Material"}, {"text": "qualidade da separação", "type": "Métrica"}]], "relations": [[{"head": "misturas lineares instantâneas", "tail": "separação cega de fontes", "relation": "Usado-para"}], [{"head": "dicionário de sinais", "tail": "esparsidade das fontes", "relation": "Usado-para"}, {"head": "qualidade da separação", "tail": "esparsidade das fontes", "relation": "Avaliado-para"}], [{"head": "wavelet ou pacotes de wavelet", "tail": "transformadas multiescala", "relation": "Hipónimo-de"}], [], [{"head": "dados sem ruído e com ruído", "tail": "algoritmo", "relation": "Avaliado-para"}], [{"head": "sinais simulados", "tail": "sons musicais", "relation": "Conjunção"}, {"head": "sinais simulados", "tail": "qualidade da separação", "relation": "Avaliado-para"}, {"head": "sons musicais", "tail": "imagens", "relation": "Conjunção"}, {"head": "sons musicais", "tail": "qualidade da separação", "relation": "Avaliado-para"}, {"head": "imagens", "tail": "qualidade da separação", "relation": "Avaliado-para"}]], "clusters": []}
{"doc_id": "INTERSPEECH_2014_20_abs", "text": "Neste artigo, exploramos a partilha de dados multilingue ao nível de características através de atributos de garrafa empilhados de Rede Neural Profunda -LRB- DNN -RRB-. Dado um conjunto de línguas de origem disponíveis, aplicamos identificação de língua para escolher a língua mais semelhante à língua-alvo, para uma utilização mais eficiente de recursos multilingues. As nossas experiências com as línguas IARPA-Babel mostram que atributos de garrafa treinados na língua de origem mais semelhante têm melhor desempenho do que aqueles treinados em todas as línguas de origem disponíveis. Uma análise adicional sugere que apenas dados semelhantes à língua-alvo são úteis para o treino multilingue.", "ner": [[{"text": "partilha de dados multilingue ao nível de características", "type": "Tarefa"}, {"text": "atributos de garrafa empilhados de Rede Neural Profunda -LRB- DNN -RRB-", "type": "Método"}], [{"text": "identificação de língua", "type": "Tarefa"}, {"text": "recursos multilingues", "type": "Material"}], [{"text": "línguas IARPA-Babel", "type": "Material"}, {"text": "atributos de garrafa", "type": "Outros Termos Científicos"}, {"text": "aqueles", "type": "Genérico"}], [{"text": "dados", "type": "Genérico"}, {"text": "treino multilingue", "type": "Tarefa"}]], "relations": [[{"head": "atributos de garrafa empilhados de Rede Neural Profunda -LRB- DNN -RRB-", "tail": "partilha de dados multilingue ao nível de características", "relation": "Usado-para"}], [{"head": "identificação de língua", "tail": "recursos multilingues", "relation": "Usado-para"}], [{"head": "aqueles", "tail": "atributos de garrafa", "relation": "Comparado-com"}], [{"head": "dados", "tail": "treino multilingue", "relation": "Usado-para"}]], "clusters": []}
{"doc_id": "C90-1013", "text": "Este artigo apresenta um sistema bidireccional de geração de gramática denominado geração dirigida por estruturas de traços, desenvolvido para um sistema de tradução de diálogos. O sistema utiliza estruturas de traços tipadas para controlar a derivação descendente de forma declarativa. Este sistema de geração também utiliza estruturas de traços disjuntivas para reduzir o número de cópias da árvore de derivação. A gramática para este gerador é concebida para gerar adequadamente a intenção do falante num diálogo telefónico.", "ner": [[{"text": "sistema bidireccional de geração de gramática", "type": "Método"}, {"text": "geração dirigida por estruturas de traços", "type": "Método"}, {"text": "sistema de tradução de diálogos", "type": "Tarefa"}], [{"text": "sistema", "type": "Genérico"}, {"text": "estruturas de traços tipadas", "type": "Outros Termos Científicos"}, {"text": "derivação descendente", "type": "Outros Termos Científicos"}], [{"text": "sistema de geração", "type": "Método"}, {"text": "estruturas de traços disjuntivas", "type": "Outros Termos Científicos"}, {"text": "árvore de derivação", "type": "Outros Termos Científicos"}], [{"text": "gramática", "type": "Método"}, {"text": "gerador", "type": "Genérico"}, {"text": "intenção do falante", "type": "Outros Termos Científicos"}, {"text": "diálogo telefónico", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "sistema bidireccional de geração de gramática", "tail": "sistema de tradução de diálogos", "relation": "Usado-para"}, {"head": "geração dirigida por estruturas de traços", "tail": "sistema bidireccional de geração de gramática", "relation": "Hipónimo-de"}, {"head": "geração dirigida por estruturas de traços", "tail": "sistema de tradução de diálogos", "relation": "Usado-para"}], [{"head": "estruturas de traços tipadas", "tail": "sistema", "relation": "Usado-para"}, {"head": "estruturas de traços tipadas", "tail": "derivação descendente", "relation": "Usado-para"}], [{"head": "estruturas de traços disjuntivas", "tail": "sistema de geração", "relation": "Usado-para"}, {"head": "estruturas de traços disjuntivas", "tail": "árvore de derivação", "relation": "Usado-para"}], [{"head": "gramática", "tail": "gerador", "relation": "Usado-para"}, {"head": "gramática", "tail": "intenção do falante", "relation": "Usado-para"}, {"head": "diálogo telefónico", "tail": "intenção do falante", "relation": "Característica-de"}]], "clusters": [["geração dirigida por estruturas de traços", "sistema", "sistema de geração", "gerador"]]}
{"doc_id": "IJCNLP_2005_3_abs", "text": "A anotação automática de imagens é uma técnica recentemente desenvolvida e promissora para fornecer recuperação semântica de imagens através de descrições de texto. Diz respeito a um processo de rotulagem automática dos conteúdos da imagem com um conjunto predefinido de palavras‑chave que são exploradas para representar a semântica da imagem. É proposta neste artigo uma abordagem baseada em Modelo de Máxima Entropia para a tarefa de anotação automática de imagens. Na fase de treino, é gerado primeiro um vocabulário visual básico constituído por tokens‑bloco para descrever o conteúdo da imagem; em seguida, é modelada a relação estatística entre os tokens‑bloco e as palavras‑chave por um Modelo de Máxima Entropia construído a partir do conjunto de treino de imagens anotadas. Na fase de anotação, para uma imagem não anotada, as palavras‑chave mais prováveis associadas são previstas em função do conjunto de tokens‑bloco extraído da imagem dada. Realizámos experiências numa coleção de imagens de dimensão média com cerca de 5000 imagens de CDs de Fotos Corel. Os resultados experimentais demonstraram que o desempenho de anotação deste método ultrapassa alguns métodos tradicionais de anotação em cerca de 8 % em precisão média, mostrando o potencial do Modelo de Máxima Entropia na tarefa de anotação automática de imagens.", "ner": [[{"text": "anotação automática de imagens", "type": "Tarefa"}, {"text": "recuperação semântica de imagens", "type": "Tarefa"}, {"text": "descrições de texto", "type": "Material"}], [{"text": "rotulagem automática dos conteúdos da imagem", "type": "Tarefa"}, {"text": "palavras‑chave", "type": "Outros Termos Científicos"}, {"text": "semântica da imagem", "type": "Outros Termos Científicos"}], [{"text": "abordagem baseada em Modelo de Máxima Entropia", "type": "Método"}, {"text": "anotação automática de imagens", "type": "Tarefa"}], [{"text": "treino", "type": "Tarefa"}, {"text": "vocabulário visual", "type": "Outros Termos Científicos"}, {"text": "tokens‑bloco", "type": "Outros Termos Científicos"}, {"text": "conteúdo da imagem", "type": "Outros Termos Científicos"}, {"text": "relação estatística", "type": "Genérico"}, {"text": "tokens‑bloco", "type": "Outros Termos Científicos"}, {"text": "palavras‑chave", "type": "Outros Termos Científicos"}, {"text": "Modelo de Máxima Entropia", "type": "Método"}], [{"text": "anotação", "type": "Tarefa"}, {"text": "palavras‑chave", "type": "Outros Termos Científicos"}, {"text": "conjunto de tokens‑bloco", "type": "Outros Termos Científicos"}], [{"text": "coleção de imagens de dimensão média", "type": "Material"}, {"text": "CDs de Fotos Corel", "type": "Material"}], [{"text": "anotação", "type": "Tarefa"}, {"text": "método", "type": "Genérico"}, {"text": "métodos tradicionais de anotação", "type": "Método"}, {"text": "precisão média", "type": "Métrica"}, {"text": "Modelo de Máxima Entropia", "type": "Método"}, {"text": "anotação automática de imagens", "type": "Tarefa"}]], "relations": [[{"head": "anotação automática de imagens", "tail": "recuperação semântica de imagens", "relation": "Usado-para"}, {"head": "descrições de texto", "tail": "recuperação semântica de imagens", "relation": "Usado-para"}], [{"head": "palavras‑chave", "tail": "rotulagem automática dos conteúdos da imagem", "relation": "Usado-para"}, {"head": "palavras‑chave", "tail": "semântica da imagem", "relation": "Usado-para"}], [{"head": "abordagem baseada em Modelo de Máxima Entropia", "tail": "anotação automática de imagens", "relation": "Usado-para"}], [{"head": "vocabulário visual", "tail": "conteúdo da imagem", "relation": "Usado-para"}, {"head": "tokens‑bloco", "tail": "vocabulário visual", "relation": "Parte-de"}, {"head": "Modelo de Máxima Entropia", "tail": "relação estatística", "relation": "Usado-para"}], [{"head": "conjunto de tokens‑bloco", "tail": "palavras‑chave", "relation": "Usado-para"}], [{"head": "CDs de Fotos Corel", "tail": "coleção de imagens de dimensão média", "relation": "Usado-para"}], [{"head": "método", "tail": "anotação", "relation": "Usado-para"}, {"head": "método", "tail": "métodos tradicionais de anotação", "relation": "Comparado-com"}, {"head": "métodos tradicionais de anotação", "tail": "anotação", "relation": "Usado-para"}, {"head": "precisão média", "tail": "métodos tradicionais de anotação", "relation": "Avaliado-para"}, {"head": "Modelo de Máxima Entropia", "tail": "anotação automática de imagens", "relation": "Usado-para"}]], "clusters": [["anotação automática de imagens", "anotação automática de imagens", "anotação", "anotação"], ["Modelo de Máxima Entropia", "Modelo de Máxima Entropia"]]}
{"doc_id": "N06-1018", "text": "Nos últimos anos tem havido uma investigação crescente sobre a extração e utilização de informação temporal em aplicações de linguagem natural. No entanto, a maioria dos trabalhos encontrados na literatura centrou-se na identificação e compreensão de expressões temporais em textos de notícias. Neste artigo, apresentamos o nosso trabalho sobre o ancoramento de expressões temporais num género inovador, emails. A natureza altamente subespecificada destas expressões adequa-se bem à nossa representação de tempo baseada em restrições, Cálculo Temporal para Linguagem Natural -LRB- TCNL -RRB-. Desenvolvemos e avaliámos um Ancorador de Expressões Temporais -LRB- TEA -RRB-, e o resultado mostra que este tem um desempenho significativamente melhor do que a linha de base, e compara favoravelmente com alguns dos trabalhos mais próximos relacionados.", "ner": [[{"text": "informação temporal", "type": "Outros Termos Científicos"}, {"text": "aplicações de linguagem natural", "type": "Tarefa"}], [{"text": "expressões temporais", "type": "Outros Termos Científicos"}, {"text": "expressões temporais em textos de notícias", "type": "Outros Termos Científicos"}, {"text": "textos de notícias", "type": "Material"}], [{"text": "expressões temporais", "type": "Outros Termos Científicos"}, {"text": "emails", "type": "Material"}], [{"text": "expressões", "type": "Genérico"}, {"text": "representação de tempo baseada em restrições", "type": "Outros Termos Científicos"}, {"text": "Cálculo Temporal para Linguagem Natural -LRB- TCNL -RRB-", "type": "Outros Termos Científicos"}], [{"text": "Ancorador de Expressões Temporais -LRB- TEA -RRB-", "type": "Método"}, {"text": "este", "type": "Genérico"}, {"text": "linha de base", "type": "Genérico"}]], "relations": [[], [{"head": "textos de notícias", "tail": "expressões temporais", "relation": "Característica-de"}], [{"head": "emails", "tail": "expressões temporais", "relation": "Característica-de"}], [{"head": "Cálculo Temporal para Linguagem Natural -LRB- TCNL -RRB-", "tail": "representação de tempo baseada em restrições", "relation": "Hipónimo-de"}], [{"head": "este", "tail": "linha de base", "relation": "Comparado-com"}]], "clusters": [["expressões temporais", "expressões"], ["Ancorador de Expressões Temporais -LRB- TEA -RRB-", "este"]]}
{"doc_id": "CVPR_2014_18_abs", "text": "Abordamos o problema de povoar conjuntos de dados de deteção de categorias de objetos com reconstruções 3D densas por objeto, obtidas de forma automática a partir de rótulos de classe, segmentações figura‑fundo de referência (ground truth) e de um pequeno conjunto de anotações de pontos de interesse. O nosso algoritmo proposto estima primeiro o ponto de vista da câmara usando estrutura‑a‑partir‑do‑movimento rígida, e depois reconstrói as formas dos objetos otimizando propostas de casca visual guiadas por suposições frouxas de semelhança de forma dentro da mesma classe. O processo de amostragem da casca visual tenta intersectar o cone de projeção de um objeto com os cones de subconjuntos mínimos de outros objetos semelhantes entre aqueles representados a partir de determinados pontos de vista. Mostramos que o nosso método é capaz de produzir reconstruções 3D convincentes por objeto num dos conjuntos de dados de deteção de categorias de objetos existentes mais desafiantes, o PASCAL VOC. Os nossos resultados podem reestimular abordagens de reconhecimento baseadas em modelos orientadas à geometria, outrora populares.", "ner": [[{"text": "conjuntos de dados de deteção de categorias de objetos", "type": "Material"}, {"text": "reconstruções 3D densas por objeto", "type": "Tarefa"}, {"text": "segmentações figura‑fundo de referência (ground truth)", "type": "Método"}, {"text": "anotações de pontos de interesse", "type": "Método"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "ponto de vista da câmara", "type": "Outros Termos Científicos"}, {"text": "estrutura‑a‑partir‑do‑movimento rígida", "type": "Outros Termos Científicos"}, {"text": "formas dos objetos", "type": "Outros Termos Científicos"}, {"text": "propostas de casca visual", "type": "Outros Termos Científicos"}, {"text": "suposições frouxas de semelhança de forma dentro da mesma classe", "type": "Outros Termos Científicos"}], [{"text": "processo de amostragem da casca visual", "type": "Método"}, {"text": "cone de projeção", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "reconstruções 3D densas por objeto", "type": "Tarefa"}, {"text": "conjuntos de dados de deteção de categorias de objetos", "type": "Material"}, {"text": "PASCAL VOC", "type": "Material"}], [{"text": "abordagens de reconhecimento baseadas em modelos orientadas à geometria", "type": "Método"}]], "relations": [[{"head": "conjuntos de dados de deteção de categorias de objetos", "tail": "reconstruções 3D densas por objeto", "relation": "Usado-para"}, {"head": "segmentações figura‑fundo de referência (ground truth)", "tail": "reconstruções 3D densas por objeto", "relation": "Usado-para"}, {"head": "segmentações figura‑fundo de referência (ground truth)", "tail": "anotações de pontos de interesse", "relation": "Conjunção"}, {"head": "anotações de pontos de interesse", "tail": "reconstruções 3D densas por objeto", "relation": "Usado-para"}], [{"head": "algoritmo", "tail": "ponto de vista da câmara", "relation": "Usado-para"}, {"head": "algoritmo", "tail": "formas dos objetos", "relation": "Usado-para"}, {"head": "estrutura‑a‑partir‑do‑movimento rígida", "tail": "algoritmo", "relation": "Usado-para"}, {"head": "propostas de casca visual", "tail": "formas dos objetos", "relation": "Usado-para"}, {"head": "suposições frouxas de semelhança de forma dentro da mesma classe", "tail": "propostas de casca visual", "relation": "Usado-para"}], [], [{"head": "método", "tail": "reconstruções 3D densas por objeto", "relation": "Usado-para"}, {"head": "conjuntos de dados de deteção de categorias de objetos", "tail": "método", "relation": "Usado-para"}, {"head": "PASCAL VOC", "tail": "conjuntos de dados de deteção de categorias de objetos", "relation": "Hipónimo-de"}], []], "clusters": [["propostas de casca visual", "processo de amostragem da casca visual"], ["algoritmo", "método"], ["reconstruções 3D densas por objeto", "reconstruções 3D densas por objeto"], ["conjuntos de dados de deteção de categorias de objetos", "conjuntos de dados de deteção de categorias de objetos"]]}
{"doc_id": "CVPR_2005_10_abs", "text": "Modelos probabilísticos já demonstraram anteriormente ser eficientes e eficazes para modelação e reconhecimento de movimento humano. Em particular, focamo-nos em métodos que representam o modelo de movimento humano como um grafo triangulado. Abordagens anteriores aprenderam modelos baseados apenas em posições e velocidades das partes do corpo, ignorando a sua aparência. Além disso, uma abordagem heurística era normalmente usada para obter invariância à translação. Neste artigo sugerimos uma abordagem melhorada para aprender tais modelos e utilizá-los para reconhecimento de movimento humano. A abordagem sugerida combina múltiplas pistas, ou seja, posições, velocidades e aparência, na fase de aprendizagem e fase de detecção. Além disso, introduzimos variáveis globais no modelo, que podem representar propriedades globais como translação, escala ou ponto de vista. O modelo é aprendido de forma não supervisionada a partir de dados não rotulados. Mostramos que o modelo probabilístico híbrido -LRB- que combina variáveis globais, como translação, com variáveis locais, como posições relativas e aparências das partes do corpo -RRB-, conduz a: -LRB- i -RRB- convergência mais rápida da fase de aprendizagem, -LRB- ii -RRB- robustez a oclusões e -LRB- iii -RRB- maior taxa de reconhecimento.", "ner": [[{"text": "Modelos probabilísticos", "type": "Método"}, {"text": "modelação e reconhecimento de movimento humano", "type": "Tarefa"}], [{"text": "modelo de movimento humano", "type": "Método"}, {"text": "grafo triangulado", "type": "Método"}], [{"text": "modelos", "type": "Genérico"}, {"text": "posições", "type": "Outros Termos Científicos"}, {"text": "velocidades", "type": "Outros Termos Científicos"}, {"text": "aparência", "type": "Outros Termos Científicos"}], [{"text": "abordagem heurística", "type": "Método"}, {"text": "invariância à translação", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "modelos", "type": "Genérico"}, {"text": "utilizá-los", "type": "Genérico"}, {"text": "reconhecimento de movimento humano", "type": "Tarefa"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "pistas", "type": "Genérico"}, {"text": "posições", "type": "Outros Termos Científicos"}, {"text": "velocidades", "type": "Outros Termos Científicos"}, {"text": "aparência", "type": "Outros Termos Científicos"}, {"text": "fase de aprendizagem e fase de detecção", "type": "Tarefa"}], [{"text": "variáveis globais", "type": "Outros Termos Científicos"}, {"text": "modelo", "type": "Genérico"}, {"text": "propriedades globais", "type": "Outros Termos Científicos"}, {"text": "translação", "type": "Outros Termos Científicos"}, {"text": "escala", "type": "Outros Termos Científicos"}, {"text": "ponto de vista", "type": "Outros Termos Científicos"}], [{"text": "modelo", "type": "Genérico"}, {"text": "forma não supervisionada", "type": "Método"}, {"text": "dados não rotulados", "type": "Material"}], [{"text": "modelo probabilístico híbrido", "type": "Método"}, {"text": "variáveis globais", "type": "Outros Termos Científicos"}, {"text": "translação", "type": "Outros Termos Científicos"}, {"text": "variáveis locais", "type": "Outros Termos Científicos"}, {"text": "posições relativas", "type": "Outros Termos Científicos"}, {"text": "aparências das partes do corpo", "type": "Outros Termos Científicos"}, {"text": "convergência mais rápida", "type": "Métrica"}, {"text": "fase de aprendizagem", "type": "Tarefa"}, {"text": "robustez", "type": "Métrica"}, {"text": "oclusões", "type": "Outros Termos Científicos"}, {"text": "taxa de reconhecimento", "type": "Material"}]], "relations": [[{"head": "Modelos probabilísticos", "tail": "modelação e reconhecimento de movimento humano", "relation": "Usado-para"}], [{"head": "grafo triangulado", "tail": "modelo de movimento humano", "relation": "Usado-para"}], [{"head": "posições", "tail": "modelos", "relation": "Usado-para"}, {"head": "posições", "tail": "velocidades", "relation": "Conjunção"}, {"head": "velocidades", "tail": "modelos", "relation": "Usado-para"}], [{"head": "abordagem heurística", "tail": "invariância à translação", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "modelos", "relation": "Usado-para"}, {"head": "utilizá-los", "tail": "reconhecimento de movimento humano", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "fase de aprendizagem e fase de detecção", "relation": "Usado-para"}, {"head": "posições", "tail": "pistas", "relation": "Hipónimo-de"}, {"head": "posições", "tail": "velocidades", "relation": "Conjunção"}, {"head": "velocidades", "tail": "pistas", "relation": "Hipónimo-de"}, {"head": "velocidades", "tail": "aparência", "relation": "Conjunção"}, {"head": "aparência", "tail": "pistas", "relation": "Hipónimo-de"}], [{"head": "variáveis globais", "tail": "modelo", "relation": "Usado-para"}, {"head": "variáveis globais", "tail": "propriedades globais", "relation": "Usado-para"}, {"head": "translação", "tail": "propriedades globais", "relation": "Hipónimo-de"}, {"head": "translação", "tail": "escala", "relation": "Conjunção"}, {"head": "escala", "tail": "propriedades globais", "relation": "Hipónimo-de"}, {"head": "escala", "tail": "ponto de vista", "relation": "Conjunção"}, {"head": "ponto de vista", "tail": "propriedades globais", "relation": "Hipónimo-de"}], [{"head": "forma não supervisionada", "tail": "modelo", "relation": "Usado-para"}, {"head": "dados não rotulados", "tail": "forma não supervisionada", "relation": "Usado-para"}], [{"head": "variáveis globais", "tail": "modelo probabilístico híbrido", "relation": "Usado-para"}, {"head": "translação", "tail": "variáveis globais", "relation": "Hipónimo-de"}, {"head": "posições relativas", "tail": "variáveis locais", "relation": "Hipónimo-de"}, {"head": "posições relativas", "tail": "aparências das partes do corpo", "relation": "Conjunção"}, {"head": "aparências das partes do corpo", "tail": "variáveis locais", "relation": "Hipónimo-de"}, {"head": "convergência mais rápida", "tail": "fase de aprendizagem", "relation": "Característica-de"}, {"head": "convergência mais rápida", "tail": "robustez", "relation": "Conjunção"}, {"head": "robustez", "tail": "taxa de reconhecimento", "relation": "Conjunção"}]], "clusters": [["modelo de movimento humano", "modelos", "utilizá-los"], ["abordagem", "abordagem", "modelo", "modelo", "modelo probabilístico híbrido"]]}
{"doc_id": "NIPS_2001_18_abs", "text": "A análise fatorial e a análise de componentes principais podem ser usadas para modelar relações lineares entre variáveis observadas e mapear linearmente dados de alta dimensão para um espaço oculto de menor dimensão. Na análise fatorial, as observações são modeladas como uma combinação linear de variáveis ocultas distribuídas. Descrevemos uma generalização não linear da análise fatorial, chamada 'análise de produto', que modela as variáveis observadas como uma combinação linear de produtos de variáveis ocultas normalmente distribuídas. Assim como a análise fatorial pode ser vista como regressão linear não supervisionada sobre variáveis ocultas não observadas e normalmente distribuídas, a análise de produto pode ser vista como regressão linear não supervisionada sobre produtos de variáveis ocultas não observadas e normalmente distribuídas. A correspondência entre os dados e o espaço oculto é não linear, pelo que usamos uma técnica variacional aproximada para inferência e aprendizagem. Dado que a análise de produto é uma generalização da análise fatorial, a análise de produto encontra sempre uma maior verosimilhança dos dados do que a análise fatorial. Apresentamos resultados sobre reconhecimento de padrões e agrupamento de imagens invariante à iluminação.", "ner": [[{"text": "análise fatorial", "type": "Método"}, {"text": "análise de componentes principais", "type": "Método"}, {"text": "relações lineares entre variáveis observadas", "type": "Outros Termos Científicos"}, {"text": "dados de alta dimensão", "type": "Material"}, {"text": "espaço oculto de menor dimensão", "type": "Outros Termos Científicos"}], [{"text": "análise fatorial", "type": "Método"}, {"text": "combinação linear de variáveis ocultas distribuídas", "type": "Método"}], [{"text": "generalização não linear da análise fatorial", "type": "Método"}, {"text": "análise fatorial", "type": "Método"}, {"text": "'análise de produto'", "type": "Método"}, {"text": "variáveis observadas", "type": "Outros Termos Científicos"}, {"text": "combinação linear de produtos de variáveis ocultas normalmente distribuídas", "type": "Outros Termos Científicos"}], [{"text": "análise fatorial", "type": "Método"}, {"text": "regressão linear não supervisionada", "type": "Método"}, {"text": "variáveis ocultas distribuídas", "type": "Outros Termos Científicos"}, {"text": "análise de produto", "type": "Método"}, {"text": "regressão linear não supervisionada", "type": "Método"}, {"text": "variáveis ocultas distribuídas", "type": "Outros Termos Científicos"}], [{"text": "espaço oculto", "type": "Outros Termos Científicos"}, {"text": "técnica variacional aproximada", "type": "Método"}, {"text": "inferência", "type": "Tarefa"}, {"text": "aprendizagem", "type": "Tarefa"}], [{"text": "análise de produto", "type": "Método"}, {"text": "generalização da análise fatorial", "type": "Método"}, {"text": "análise fatorial", "type": "Método"}, {"text": "análise de produto", "type": "Método"}, {"text": "análise fatorial", "type": "Método"}], [{"text": "reconhecimento de padrões", "type": "Tarefa"}, {"text": "agrupamento de imagens invariante à iluminação", "type": "Tarefa"}]], "relations": [[{"head": "análise fatorial", "tail": "análise de componentes principais", "relation": "Conjunção"}, {"head": "análise fatorial", "tail": "relações lineares entre variáveis observadas", "relation": "Usado-para"}, {"head": "análise de componentes principais", "tail": "relações lineares entre variáveis observadas", "relation": "Usado-para"}], [], [{"head": "generalização não linear da análise fatorial", "tail": "variáveis observadas", "relation": "Usado-para"}, {"head": "'análise de produto'", "tail": "generalização não linear da análise fatorial", "relation": "Hipónimo-de"}, {"head": "combinação linear de produtos de variáveis ocultas normalmente distribuídas", "relation": "Usado-para", "tail": "generalização não linear da análise fatorial"}], [{"head": "regressão linear não supervisionada", "tail": "análise fatorial", "relation": "Usado-para"}, {"head": "regressão linear não supervisionada", "tail": "análise de produto", "relation": "Usado-para"}], [{"head": "técnica variacional aproximada", "tail": "inferência", "relation": "Usado-para"}, {"head": "técnica variacional aproximada", "tail": "aprendizagem", "relation": "Usado-para"}, {"head": "inferência", "tail": "aprendizagem", "relation": "Conjunção"}], [{"head": "análise de produto", "tail": "generalização da análise fatorial", "relation": "Hipónimo-de"}, {"head": "análise de produto", "tail": "análise fatorial", "relation": "Comparado-com"}], [{"head": "reconhecimento de padrões", "tail": "agrupamento de imagens invariante à iluminação", "relation": "Conjunção"}]], "clusters": [["análise fatorial", "análise fatorial", "análise fatorial", "análise fatorial", "análise fatorial", "análise fatorial"], ["'análise de produto'", "análise de produto", "análise de produto", "análise de produto"]]}
{"doc_id": "A88-1001", "text": "Este artigo descreve uma estratégia independente do domínio para a articulação multimédia de respostas obtidas por uma interface de linguagem natural para aplicações de consulta a bases de dados. As respostas multimédia incluem imagens de videodisco e frases completas produzidas de forma heurística em texto ou em forma de conversão de texto em fala. São possibilitadas referência dêitica e retroação sobre o discurso. A interface apresenta assim a aplicação como cooperativa e conversacional.", "ner": [[{"text": "estratégia independente do domínio", "type": "Método"}, {"text": "articulação multimédia de respostas", "type": "Tarefa"}, {"text": "interface de linguagem natural", "type": "Outros Termos Científicos"}, {"text": "aplicações de consulta a bases de dados", "type": "Tarefa"}], [{"text": "respostas multimédia", "type": "Material"}, {"text": "imagens de videodisco", "type": "Material"}, {"text": "forma de conversão de texto em fala", "type": "Outros Termos Científicos"}], [{"text": "referência dêitica", "type": "Outros Termos Científicos"}, {"text": "retroação", "type": "Outros Termos Científicos"}, {"text": "discurso", "type": "Outros Termos Científicos"}], [{"text": "interface", "type": "Genérico"}, {"text": "aplicação", "type": "Genérico"}]], "relations": [[{"head": "estratégia independente do domínio", "tail": "articulação multimédia de respostas", "relation": "Usado-para"}, {"head": "articulação multimédia de respostas", "tail": "interface de linguagem natural", "relation": "Usado-para"}, {"head": "interface de linguagem natural", "tail": "aplicações de consulta a bases de dados", "relation": "Usado-para"}], [{"head": "imagens de videodisco", "tail": "respostas multimédia", "relation": "Parte-de"}], [{"head": "referência dêitica", "tail": "retroação", "relation": "Conjunção"}, {"head": "referência dêitica", "tail": "discurso", "relation": "Característica-de"}, {"head": "retroação", "tail": "discurso", "relation": "Característica-de"}], []], "clusters": [["aplicações de consulta a bases de dados", "aplicação"], ["interface de linguagem natural", "interface"]]}
{"doc_id": "P06-4014", "text": "O demonstrador LOGON MT reúne componentes de PLN de uso geral , independentemente valiosos , numa cadeia de tradução automática que tira partido da qualidade do output . O demonstrador incorpora uma combinação interessante de recursos simbólicos construídos manualmente e processos estocásticos .", "ner": [[{"text": "demonstrador LOGON MT", "type": "Método"}, {"text": "componentes de PLN de uso geral", "type": "Método"}, {"text": "cadeia de tradução automática", "type": "Método"}], [{"text": "demonstrador", "type": "Tarefa"}, {"text": "recursos simbólicos construídos manualmente", "type": "Material"}, {"text": "processos estocásticos", "type": "Método"}]], "relations": [[{"head": "demonstrador LOGON MT", "tail": "componentes de PLN de uso geral", "relation": "Usado-para"}, {"head": "componentes de PLN de uso geral", "tail": "cadeia de tradução automática", "relation": "Parte-de"}], [{"head": "recursos simbólicos construídos manualmente", "tail": "demonstrador", "relation": "Parte-de"}, {"head": "recursos simbólicos construídos manualmente", "tail": "processos estocásticos", "relation": "Conjunção"}, {"head": "processos estocásticos", "tail": "demonstrador", "relation": "Parte-de"}]], "clusters": [["demonstrador LOGON MT", "demonstrador"]]}
{"doc_id": "AAAI_1993_71_abs", "text": "Neste artigo investigamos as propriedades lógicas simples dos contextos. Descrevemos tanto a sintaxe como a semântica de uma linguagem proposicional de contexto e apresentamos um sistema de prova ao estilo de Hilbert para esta linguagem. Uma lógica proposicional de contexto estende a lógica proposicional clássica de duas maneiras. Em primeiro lugar, é introduzida uma nova modalidade, ist -LRB- ;-RRB-. É utilizada para exprimir que a frase , , é válida no contexto. Em segundo lugar, cada contexto tem o seu próprio vocabulário, isto é, um conjunto de átomos proposicionais que são definidos ou significativos nesse contexto. Os principais resultados deste artigo são a solidez e a completude deste sistema de prova ao estilo de Hilbert. Fornecemos também resultados de solidez e completude -LRB- isto é, teoria da correspondência -RRB- para várias extensões do sistema geral.", "ner": [[{"text": "propriedades lógicas simples dos contextos", "type": "Tarefa"}], [{"text": "sintaxe", "type": "Outros Termos Científicos"}, {"text": "semântica", "type": "Outros Termos Científicos"}, {"text": "linguagem proposicional de contexto", "type": "Outros Termos Científicos"}, {"text": "sistema de prova ao estilo de Hilbert", "type": "Método"}, {"text": "linguagem", "type": "Genérico"}], [{"text": "lógica proposicional de contexto", "type": "Outros Termos Científicos"}, {"text": "lógica proposicional clássica", "type": "Outros Termos Científicos"}], [{"text": "modalidade", "type": "Outros Termos Científicos"}], [{"text": "É", "type": "Genérico"}], [], [{"text": "sistema de prova ao estilo de Hilbert", "type": "Método"}], [{"text": "teoria da correspondência", "type": "Outros Termos Científicos"}]], "relations": [[], [{"head": "sintaxe", "tail": "semântica", "relation": "Conjunção"}, {"head": "sintaxe", "tail": "linguagem proposicional de contexto", "relation": "Característica-de"}, {"head": "semântica", "tail": "linguagem proposicional de contexto", "relation": "Característica-de"}, {"head": "sistema de prova ao estilo de Hilbert", "tail": "linguagem", "relation": "Usado-para"}], [{"head": "lógica proposicional clássica", "tail": "lógica proposicional de contexto", "relation": "Usado-para"}], [], [], [], [], []], "clusters": [["modalidade", "É"], ["linguagem proposicional de contexto", "linguagem"], ["sistema de prova ao estilo de Hilbert", "sistema de prova ao estilo de Hilbert"]]}
{"doc_id": "CVPR_2016_406_abs", "text": "A correspondência de imagens é um problema fundamental em Visão por Computador. No contexto da correspondência baseada em características, o SIFT e as suas variantes têm-se destacado há muito tempo numa ampla gama de aplicações. No entanto, para bases ultra-amplas, como no caso de imagens aéreas capturadas sob grandes rotações da câmara, a variação de aparência vai para além do alcance do SIFT e do RANSAC. Neste artigo propomos uma abordagem orientada por dados, baseada em aprendizagem profunda, que contorna a correspondência local ao formular o problema como uma tarefa de classificação. Além disso, demonstramos que as correspondências locais podem ainda ser úteis. Para tal, incorporamos um mecanismo de atenção para produzir um conjunto de correspondências prováveis, o que nos permite aumentar ainda mais o desempenho. Treinamos os nossos modelos num conjunto de dados de imagens aéreas urbanas consistindo em pares 'iguais' e 'diferentes', recolhidos para este fim, e caracterizamos o problema através de um estudo com humanos com anotações da Amazon Mechanical Turk. Demonstramos que os nossos modelos superam o estado da arte na correspondência com bases ultra-amplas e aproximam-se da precisão humana.", "ner": [[{"text": "correspondência de imagens", "type": "Tarefa"}, {"text": "Visão por Computador", "type": "Tarefa"}], [{"text": "correspondência baseada em características", "type": "Tarefa"}, {"text": "SIFT", "type": "Método"}], [{"text": "bases ultra-amplas", "type": "Outros Termos Científicos"}, {"text": "imagens aéreas", "type": "Material"}, {"text": "grandes rotações da câmara", "type": "Outros Termos Científicos"}, {"text": "variação de aparência", "type": "Outros Termos Científicos"}, {"text": "SIFT", "type": "Método"}, {"text": "RANSAC", "type": "Método"}], [{"text": "abordagem orientada por dados, baseada em aprendizagem profunda", "type": "Método"}, {"text": "correspondência local", "type": "Outros Termos Científicos"}, {"text": "problema", "type": "Genérico"}, {"text": "tarefa de classificação", "type": "Tarefa"}], [{"text": "correspondências locais", "type": "Outros Termos Científicos"}], [{"text": "mecanismo de atenção", "type": "Método"}], [{"text": "modelos", "type": "Genérico"}, {"text": "conjunto de dados de imagens aéreas urbanas", "type": "Material"}, {"text": "problema", "type": "Genérico"}, {"text": "estudo com humanos", "type": "Método"}, {"text": "anotações da Amazon Mechanical Turk", "type": "Material"}], [{"text": "modelos", "type": "Genérico"}, {"text": "estado da arte", "type": "Genérico"}, {"text": "correspondência com bases ultra-amplas", "type": "Tarefa"}, {"text": "precisão humana", "type": "Métrica"}]], "relations": [[{"head": "correspondência de imagens", "tail": "Visão por Computador", "relation": "Hipónimo-de"}], [{"head": "SIFT", "tail": "correspondência baseada em características", "relation": "Usado-para"}], [{"head": "grandes rotações da câmara", "tail": "imagens aéreas", "relation": "Característica-de"}, {"head": "SIFT", "tail": "RANSAC", "relation": "Conjunção"}], [{"head": "tarefa de classificação", "tail": "problema", "relation": "Usado-para"}], [], [], [{"head": "conjunto de dados de imagens aéreas urbanas", "tail": "modelos", "relation": "Usado-para"}, {"head": "estudo com humanos", "tail": "problema", "relation": "Usado-para"}, {"head": "anotações da Amazon Mechanical Turk", "tail": "estudo com humanos", "relation": "Usado-para"}], [{"head": "modelos", "tail": "estado da arte", "relation": "Comparado-com"}, {"head": "modelos", "tail": "precisão humana", "relation": "Comparado-com"}, {"head": "correspondência com bases ultra-amplas", "tail": "modelos", "relation": "Avaliado-para"}, {"head": "correspondência com bases ultra-amplas", "tail": "estado da arte", "relation": "Avaliado-para"}]], "clusters": [["SIFT", "SIFT"], ["modelos", "modelos"]]}
{"doc_id": "I05-6010", "text": "Este artigo é dedicado ao problema de quantificar grupos nominais em alemão. Após uma descrição pormenorizada dos fenómenos, são apresentados os resultados de investigações baseadas em corpus. Além disso, são dados alguns exemplos que sublinham a necessidade de integrar algum tipo de informação para além da gramática sensu stricto na treebank. Defendemos que uma anotação fina mais sofisticada na treebank teria efeitos muito positivos em analisadores estocásticos treinados na treebank e em gramáticas induzidas a partir da treebank, e tornaria a treebank mais valiosa como fonte de dados para investigações linguísticas teóricas. A informação obtida a partir da pesquisa de corpus e as análises que são propostas são implementadas no enquadramento de SILVA, uma ferramenta de análise e extração para corpora de texto em alemão.", "ner": [[{"text": "quantificar grupos nominais em alemão", "type": "Tarefa"}, {"text": "alemão", "type": "Material"}], [], [{"text": "gramática sensu stricto", "type": "Outros Termos Científicos"}, {"text": "treebank", "type": "Material"}], [{"text": "anotação fina", "type": "Outros Termos Científicos"}, {"text": "treebank", "type": "Material"}, {"text": "analisadores estocásticos", "type": "Método"}, {"text": "treebank", "type": "Material"}, {"text": "gramáticas", "type": "Método"}, {"text": "treebank", "type": "Material"}, {"text": "treebank", "type": "Material"}, {"text": "investigações linguísticas teóricas", "type": "Tarefa"}], [{"text": "SILVA", "type": "Método"}, {"text": "ferramenta de análise e extração", "type": "Método"}, {"text": "corpora de texto em alemão", "type": "Material"}]], "relations": [[], [], [], [{"head": "anotação fina", "tail": "analisadores estocásticos", "relation": "Usado-para"}, {"head": "treebank", "tail": "analisadores estocásticos", "relation": "Usado-para"}, {"head": "treebank", "tail": "gramáticas", "relation": "Usado-para"}, {"head": "treebank", "tail": "investigações linguísticas teóricas", "relation": "Usado-para"}], [{"head": "SILVA", "tail": "ferramenta de análise e extração", "relation": "Hipónimo-de"}, {"head": "corpora de texto em alemão", "tail": "SILVA", "relation": "Usado-para"}]], "clusters": [["treebank", "treebank", "treebank", "treebank", "treebank"]]}
{"doc_id": "P01-1008", "text": "Embora a paráfrase seja crucial tanto para a interpretação como para a geração de linguagem natural, os sistemas atuais utilizam métodos manuais ou semi-automáticos para recolher paráfrases. Apresentamos um algoritmo de aprendizagem não supervisionada para a identificação de paráfrases a partir de um corpus de múltiplas traduções em inglês do mesmo texto de origem. A nossa abordagem produz paráfrases lexicais frásicas e de palavra única, bem como paráfrases sintáticas.", "ner": [[{"text": "paráfrase", "type": "Método"}, {"text": "interpretação como para a geração de linguagem natural", "type": "Tarefa"}, {"text": "sistemas", "type": "Genérico"}, {"text": "métodos manuais ou semi-automáticos", "type": "Método"}, {"text": "paráfrases", "type": "Outros Termos Científicos"}], [{"text": "algoritmo de aprendizagem não supervisionada", "type": "Método"}, {"text": "identificação de paráfrases", "type": "Tarefa"}, {"text": "corpus de múltiplas traduções em inglês", "type": "Material"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "paráfrases lexicais frásicas e de palavra única", "type": "Outros Termos Científicos"}, {"text": "paráfrases sintáticas", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "paráfrase", "tail": "interpretação como para a geração de linguagem natural", "relation": "Usado-para"}, {"head": "sistemas", "tail": "paráfrases", "relation": "Usado-para"}, {"head": "métodos manuais ou semi-automáticos", "tail": "sistemas", "relation": "Usado-para"}], [{"head": "algoritmo de aprendizagem não supervisionada", "tail": "identificação de paráfrases", "relation": "Usado-para"}, {"head": "corpus de múltiplas traduções em inglês", "tail": "identificação de paráfrases", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "paráfrases lexicais frásicas e de palavra única", "relation": "Usado-para"}, {"head": "abordagem", "tail": "paráfrases sintáticas", "relation": "Usado-para"}, {"head": "paráfrases lexicais frásicas e de palavra única", "tail": "paráfrases sintáticas", "relation": "Conjunção"}]], "clusters": [["algoritmo de aprendizagem não supervisionada", "abordagem"]]}
{"doc_id": "C04-1024", "text": "Apresenta-se um eficiente analisador do tipo CKY baseado em bit-vectors para análise livre de contexto. O analisador calcula uma representação compacta de floresta de análises do conjunto completo de possíveis análises para grandes gramáticas de treebank e frases de entrada longas. O analisador utiliza operações de bit-vectors para paralelizar as operações básicas de análise. O analisador é particularmente útil quando são necessárias todas as análises em vez de apenas a mais provável.", "ner": [[{"text": "analisador do tipo CKY baseado em bit-vectors", "type": "Método"}, {"text": "análise livre de contexto", "type": "Tarefa"}], [{"text": "analisador", "type": "Método"}, {"text": "representação compacta de floresta de análises", "type": "Método"}, {"text": "grandes gramáticas de treebank", "type": "Método"}], [{"text": "analisador", "type": "Método"}, {"text": "operações de bit-vectors", "type": "Método"}], [{"text": "analisador", "type": "Método"}]], "relations": [[{"head": "analisador do tipo CKY baseado em bit-vectors", "tail": "análise livre de contexto", "relation": "Usado-para"}], [{"head": "analisador", "tail": "representação compacta de floresta de análises", "relation": "Usado-para"}, {"head": "representação compacta de floresta de análises", "tail": "grandes gramáticas de treebank", "relation": "Usado-para"}], [{"head": "operações de bit-vectors", "tail": "analisador", "relation": "Usado-para"}], []], "clusters": [["analisador do tipo CKY baseado em bit-vectors", "analisador", "analisador", "analisador"]]}
{"doc_id": "CVPR_2008_103_abs", "text": "Neste artigo, propomos uma estrutura de classificação e análise de imagens parcialmente desfocadas para detetar automaticamente imagens que contêm regiões desfocadas e reconhecer os tipos de desfoque dessas regiões sem necessidade de realizar a estimação do núcleo de desfoque e a remoção de desfoque da imagem. Desenvolvemos várias caraterísticas de desfoque modeladas por cor da imagem, gradiente e informação de espetro, e usamos treino de parâmetros de caraterísticas para classificar de forma robusta imagens desfocadas. A nossa deteção de desfoque baseia-se em blocos de imagem, tornando o treino e classificação por região numa imagem eficientes. Experiências extensivas mostram que o nosso método funciona de forma satisfatória em dados de imagem desafiantes, o que estabelece uma base técnica para resolver vários problemas de visão computacional, como análise de movimento e restauro de imagem, usando a informação de desfoque.", "ner": [[{"text": "estrutura de classificação e análise de imagens parcialmente desfocadas", "type": "Método"}, {"text": "detetar automaticamente imagens", "type": "Tarefa"}, {"text": "imagens", "type": "Material"}, {"text": "regiões desfocadas", "type": "Outros Termos Científicos"}, {"text": "regiões", "type": "Genérico"}, {"text": "estimação do núcleo de desfoque", "type": "Tarefa"}, {"text": "remoção de desfoque da imagem", "type": "Tarefa"}], [{"text": "caraterísticas de desfoque", "type": "Outros Termos Científicos"}, {"text": "cor da imagem", "type": "Outros Termos Científicos"}, {"text": "gradiente", "type": "Outros Termos Científicos"}, {"text": "informação de espetro", "type": "Outros Termos Científicos"}, {"text": "treino de parâmetros de caraterísticas", "type": "Método"}, {"text": "imagens desfocadas", "type": "Material"}], [{"text": "deteção de desfoque", "type": "Método"}, {"text": "blocos de imagem", "type": "Outros Termos Científicos"}, {"text": "treino e classificação por região", "type": "Método"}], [{"text": "método", "type": "Genérico"}, {"text": "dados de imagem", "type": "Material"}, {"text": "problemas de visão computacional", "type": "Tarefa"}, {"text": "análise de movimento", "type": "Tarefa"}, {"text": "restauro de imagem", "type": "Tarefa"}, {"text": "informação de desfoque", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "estrutura de classificação e análise de imagens parcialmente desfocadas", "tail": "detetar automaticamente imagens", "relation": "Usado-para"}, {"head": "regiões desfocadas", "tail": "imagens", "relation": "Parte-de"}, {"head": "estimação do núcleo de desfoque", "tail": "remoção de desfoque da imagem", "relation": "Conjunção"}], [{"head": "cor da imagem", "tail": "caraterísticas de desfoque", "relation": "Usado-para"}, {"head": "cor da imagem", "tail": "gradiente", "relation": "Conjunção"}, {"head": "gradiente", "tail": "caraterísticas de desfoque", "relation": "Usado-para"}, {"head": "gradiente", "tail": "informação de espetro", "relation": "Conjunção"}, {"head": "informação de espetro", "tail": "caraterísticas de desfoque", "relation": "Usado-para"}, {"head": "treino de parâmetros de caraterísticas", "tail": "imagens desfocadas", "relation": "Usado-para"}], [{"head": "blocos de imagem", "tail": "deteção de desfoque", "relation": "Usado-para"}, {"head": "treino e classificação por região", "tail": "deteção de desfoque", "relation": "Usado-para"}], [{"head": "método", "tail": "problemas de visão computacional", "relation": "Usado-para"}, {"head": "dados de imagem", "tail": "método", "relation": "Avaliado-para"}, {"head": "análise de movimento", "tail": "problemas de visão computacional", "relation": "Hipónimo-de"}, {"head": "análise de movimento", "tail": "restauro de imagem", "relation": "Conjunção"}, {"head": "restauro de imagem", "tail": "problemas de visão computacional", "relation": "Hipónimo-de"}, {"head": "informação de desfoque", "tail": "método", "relation": "Usado-para"}]], "clusters": [["estrutura de classificação e análise de imagens parcialmente desfocadas", "deteção de desfoque", "método"], ["regiões desfocadas", "regiões"]]}
{"doc_id": "H92-1045", "text": "É bem conhecido que existem palavras polissémicas como 'sentence' cuja acepção ou sentido depende do contexto de uso. Relatámos recentemente dois novos sistemas de desambiguação de sentidos de palavras, um treinado em material bilingue -LRB- os Hansards canadianos -RRB- e o outro treinado em material monolingue -LRB- o Thesaurus de Roget e a Enciclopédia Grolier -RRB-. Quando este trabalho se aproximava da conclusão, observámos um efeito de discurso muito forte. Ou seja, se uma palavra polissémica como 'sentence' aparecer duas ou mais vezes num discurso bem escrito, é extremamente provável que todas partilhem o mesmo sentido. Este artigo descreve uma experiência que confirmou esta hipótese e constatou que a tendência para partilhar o mesmo sentido no mesmo discurso é extremamente forte -LRB- 98 % -RRB-. Este resultado pode ser usado como uma fonte adicional de restrição para melhorar o desempenho do algoritmo de desambiguação de sentidos de palavras. Além disso, também poderia ser usado para ajudar a avaliar algoritmos de desambiguação que não fizessem uso da restrição de discurso.", "ner": [[{"text": "palavras polissémicas", "type": "Outros Termos Científicos"}], [{"text": "sistemas de desambiguação de sentidos de palavras", "type": "Método"}, {"text": "um", "type": "Genérico"}, {"text": "material bilingue", "type": "Material"}, {"text": "Hansards canadianos", "type": "Material"}, {"text": "outro", "type": "Genérico"}, {"text": "material monolingue", "type": "Material"}, {"text": "Thesaurus de Roget", "type": "Material"}, {"text": "Enciclopédia Grolier", "type": "Material"}], [{"text": "discurso", "type": "Outros Termos Científicos"}], [{"text": "palavra polissémica", "type": "Outros Termos Científicos"}, {"text": "discurso bem escrito", "type": "Outros Termos Científicos"}], [{"text": "discurso", "type": "Outros Termos Científicos"}], [{"text": "restrição", "type": "Outros Termos Científicos"}, {"text": "algoritmo de desambiguação de sentidos de palavras", "type": "Método"}], [{"text": "este", "type": "Genérico"}, {"text": "algoritmos de desambiguação", "type": "Método"}, {"text": "restrição de discurso", "type": "Outros Termos Científicos"}]], "relations": [[], [{"head": "um", "tail": "sistemas de desambiguação de sentidos de palavras", "relation": "Hipónimo-de"}, {"head": "um", "tail": "outro", "relation": "Conjunção"}, {"head": "material bilingue", "tail": "um", "relation": "Avaliado-para"}, {"head": "outro", "tail": "sistemas de desambiguação de sentidos de palavras", "relation": "Hipónimo-de"}, {"head": "material monolingue", "tail": "outro", "relation": "Usado-para"}, {"head": "Thesaurus de Roget", "tail": "material monolingue", "relation": "Hipónimo-de"}, {"head": "Thesaurus de Roget", "tail": "Enciclopédia Grolier", "relation": "Conjunção"}, {"head": "Enciclopédia Grolier", "tail": "material monolingue", "relation": "Hipónimo-de"}], [], [], [], [], [{"head": "este", "tail": "algoritmos de desambiguação", "relation": "Avaliado-para"}]], "clusters": [["sistemas de desambiguação de sentidos de palavras", "algoritmo de desambiguação de sentidos de palavras"], ["material bilingue", "Hansards canadianos"]]}
{"doc_id": "CVPR_2005_18_abs", "text": "Estudamos e comparamos dois métodos de incorporação novos para segmentar pontos de características de estruturas planares por partes a partir de duas imagens perspetivas -LRB- não calibradas -RRB- . Mostramos que um conjunto de diferentes homografias pode ser incorporado de diferentes formas num espaço real ou complexo de dimensão superior , de modo que cada homografia corresponda a uma forma bilinear complexa ou a uma forma quadrática real . Cada incorporação revela diferentes propriedades algébricas e relações de homografias . Damos uma solução de segmentação em forma fechada para cada caso , utilizando estas propriedades com base em métodos de segmentação de subespaços . Estes resultados teóricos mostram que se pode segmentar intrinsecamente uma cena planar por partes a partir de imagens 2-D sem efetuar explicitamente qualquer reconstrução 3-D . A segmentação resultante pode tornar a reconstrução 3-D subsequente muito melhor condicionada . Demonstramos os métodos propostos com alguns resultados experimentais convincentes .", "ner": [[{"text": "métodos de incorporação", "type": "Método"}, {"text": "segmentar pontos de características de estruturas planares por partes", "type": "Tarefa"}], [{"text": "homografias", "type": "Outros Termos Científicos"}, {"text": "espaço real ou complexo de dimensão superior", "type": "Outros Termos Científicos"}, {"text": "homografia", "type": "Outros Termos Científicos"}, {"text": "forma bilinear complexa", "type": "Outros Termos Científicos"}, {"text": "forma quadrática real", "type": "Outros Termos Científicos"}], [{"text": "homografias", "type": "Outros Termos Científicos"}], [{"text": "solução de segmentação em forma fechada", "type": "Método"}, {"text": "métodos de segmentação de subespaços", "type": "Método"}], [{"text": "cena planar por partes", "type": "Outros Termos Científicos"}, {"text": "imagens 2-D", "type": "Material"}, {"text": "reconstrução 3-D", "type": "Método"}], [{"text": "reconstrução 3-D", "type": "Método"}], []], "relations": [[{"head": "métodos de incorporação", "tail": "segmentar pontos de características de estruturas planares por partes", "relation": "Usado-para"}], [{"head": "espaço real ou complexo de dimensão superior", "tail": "homografias", "relation": "Característica-de"}, {"head": "forma bilinear complexa", "tail": "homografia", "relation": "Característica-de"}, {"head": "forma bilinear complexa", "tail": "forma quadrática real", "relation": "Conjunção"}, {"head": "forma quadrática real", "tail": "homografia", "relation": "Característica-de"}], [], [{"head": "métodos de segmentação de subespaços", "tail": "solução de segmentação em forma fechada", "relation": "Usado-para"}], [{"head": "imagens 2-D", "tail": "cena planar por partes", "relation": "Característica-de"}], [], []], "clusters": [["reconstrução 3-D", "reconstrução 3-D"]]}
{"doc_id": "ICCV_1999_47_abs", "text": "A manutenção de fundo é um elemento frequente dos sistemas de videovigilância. Desenvolvemos o Wallflower, um sistema de três componentes para manutenção de fundo: o componente ao nível de píxel realiza filtragem de Wiener para fazer previsões probabilísticas do fundo esperado; o componente ao nível de região preenche regiões homogéneas de objetos de primeiro plano; e o componente ao nível de frame deteta mudanças súbitas e globais na imagem e substitui por melhores aproximações do fundo. Comparamos o nosso sistema com outros 8 algoritmos de subtração de fundo. Mostra-se que o Wallflower supera algoritmos anteriores ao lidar com um conjunto maior das situações difíceis que podem ocorrer. Finalmente, analisamos os resultados experimentais e propomos princípios normativos para a manutenção de fundo.", "ner": [[{"text": "manutenção de fundo", "type": "Tarefa"}, {"text": "sistemas de videovigilância", "type": "Tarefa"}], [{"text": "Wallflower", "type": "Método"}, {"text": "sistema de três componentes", "type": "Genérico"}, {"text": "manutenção de fundo", "type": "Tarefa"}, {"text": "componente ao nível de píxel", "type": "Método"}, {"text": "filtragem de Wiener", "type": "Método"}, {"text": "previsões probabilísticas do fundo esperado", "type": "Tarefa"}, {"text": "componente ao nível de região", "type": "Método"}, {"text": "regiões homogéneas de objetos de primeiro plano", "type": "Outros Termos Científicos"}, {"text": "componente ao nível de frame", "type": "Método"}], [{"text": "sistema", "type": "Genérico"}, {"text": "algoritmos de subtração de fundo", "type": "Método"}], [{"text": "Wallflower", "type": "Método"}, {"text": "algoritmos", "type": "Genérico"}], [{"text": "princípios normativos", "type": "Método"}, {"text": "manutenção de fundo", "type": "Tarefa"}]], "relations": [[{"head": "manutenção de fundo", "tail": "sistemas de videovigilância", "relation": "Parte-de"}], [{"head": "sistema de três componentes", "tail": "manutenção de fundo", "relation": "Usado-para"}, {"head": "componente ao nível de píxel", "tail": "sistema de três componentes", "relation": "Parte-de"}, {"head": "componente ao nível de píxel", "tail": "componente ao nível de região", "relation": "Conjunção"}, {"head": "filtragem de Wiener", "tail": "componente ao nível de píxel", "relation": "Usado-para"}, {"head": "filtragem de Wiener", "tail": "previsões probabilísticas do fundo esperado", "relation": "Usado-para"}, {"head": "componente ao nível de região", "tail": "sistema de três componentes", "relation": "Parte-de"}, {"head": "componente ao nível de região", "tail": "regiões homogéneas de objetos de primeiro plano", "relation": "Usado-para"}, {"head": "componente ao nível de região", "tail": "componente ao nível de frame", "relation": "Conjunção"}, {"head": "componente ao nível de frame", "tail": "sistema de três componentes", "relation": "Parte-de"}], [{"head": "sistema", "tail": "algoritmos de subtração de fundo", "relation": "Comparado-com"}], [{"head": "Wallflower", "tail": "algoritmos", "relation": "Comparado-com"}], [{"head": "princípios normativos", "tail": "manutenção de fundo", "relation": "Usado-para"}]], "clusters": [["Wallflower", "sistema de três componentes", "sistema", "Wallflower"], ["manutenção de fundo", "manutenção de fundo", "manutenção de fundo"], ["algoritmos de subtração de fundo", "algoritmos"]]}
{"doc_id": "INTERSPEECH_2000_483_abs", "text": "É possível utilizar dados de treino acústico fora do domínio para melhorar o desempenho de um reconhecedor de fala numa aplicação específica e independente? Nas nossas experiências, usamos dados do Wallstreet Journal -LRB- WSJ -RRB- para treinar um reconhecedor, que é adaptado e avaliado no domínio Phonebook. Para além da sua linguagem comum -LRB- Inglês dos EUA -RRB-, os dois corpora diferem em muitos aspetos importantes: microfone vs. canal telefónico, fala contínua vs. palavras isoladas, discrepância na taxa de fala. Este artigo trata de duas questões. Primeiro, partindo do reconhecedor treinado com WSJ, quanta quantidade de dados de adaptação -LRB- retirados do corpus de treino Phonebook -RRB- é necessária para alcançar um desempenho de reconhecimento razoável apesar do elevado grau de discrepância? Segundo, é possível melhorar o desempenho de reconhecimento de um modelo acústico de base treinado com Phonebook utilizando dados de treino adicionais fora do domínio? O artigo descreve as técnicas de adaptação e normalização usadas para colmatar a discrepância entre os dois corpora.", "ner": [[{"text": "dados de treino acústico fora do domínio", "type": "Material"}, {"text": "reconhecedor de fala", "type": "Método"}], [{"text": "dados do Wallstreet Journal -LRB- WSJ -RRB-", "type": "Material"}, {"text": "reconhecedor", "type": "Método"}, {"text": "domínio Phonebook", "type": "Material"}], [{"text": "linguagem comum -LRB- Inglês dos EUA -RRB-", "type": "Outros Termos Científicos"}, {"text": "microfone vs. canal telefónico", "type": "Outros Termos Científicos"}, {"text": "fala contínua", "type": "Outros Termos Científicos"}, {"text": "palavras isoladas", "type": "Outros Termos Científicos"}], [], [{"text": "reconhecedor treinado com WSJ", "type": "Método"}, {"text": "dados de adaptação", "type": "Material"}, {"text": "corpus de treino Phonebook", "type": "Material"}, {"text": "reconhecimento", "type": "Tarefa"}, {"text": "discrepância", "type": "Outros Termos Científicos"}], [{"text": "reconhecimento", "type": "Tarefa"}, {"text": "modelo acústico de base treinado com Phonebook", "type": "Método"}, {"text": "dados de treino adicionais fora do domínio", "type": "Material"}], [{"text": "técnicas de adaptação e normalização", "type": "Método"}]], "relations": [[{"head": "dados de treino acústico fora do domínio", "tail": "reconhecedor de fala", "relation": "Usado-para"}], [{"head": "dados do Wallstreet Journal -LRB- WSJ -RRB-", "tail": "reconhecedor", "relation": "Usado-para"}, {"head": "domínio Phonebook", "tail": "reconhecedor", "relation": "Avaliado-para"}], [], [], [{"head": "reconhecedor treinado com WSJ", "tail": "reconhecimento", "relation": "Usado-para"}, {"head": "dados de adaptação", "tail": "reconhecedor treinado com WSJ", "relation": "Usado-para"}, {"head": "dados de adaptação", "tail": "corpus de treino Phonebook", "relation": "Parte-de"}], [{"head": "modelo acústico de base treinado com Phonebook", "tail": "reconhecimento", "relation": "Usado-para"}, {"head": "dados de treino acústico fora do domínio", "tail": "modelo acústico de base treinado com Phonebook", "relation": "Usado-para"}], []], "clusters": [["reconhecimento", "reconhecimento"], ["reconhecedor de fala", "reconhecedor"]]}
{"doc_id": "E99-1014", "text": "Este artigo propõe uma abordagem de análise sintáctica completa adequada para Extração de Informação a partir de textos. Sequências de cascatas de regras analisam deterministamente o texto, construindo estruturas não ambíguas. Inicialmente são analisados blocos básicos; depois são reconhecidas relações argumentais; finalmente é efectuada a associação de modificadores e é construída a árvore global de análise. A abordagem provou funcionar para três línguas e domínios diferentes. Esta foi implementada no módulo de EI do FACILE, um projecto da UE para classificação multilingue de texto e EI.", "ner": [[{"text": "abordagem", "type": "Genérico"}, {"text": "análise sintáctica completa", "type": "Tarefa"}, {"text": "Extração de Informação", "type": "Tarefa"}], [{"text": "regras", "type": "Outros Termos Científicos"}, {"text": "estruturas não ambíguas", "type": "Outros Termos Científicos"}], [{"text": "relações argumentais", "type": "Outros Termos Científicos"}, {"text": "associação de modificadores", "type": "Outros Termos Científicos"}, {"text": "árvore global de análise", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}], [{"text": "Esta", "type": "Genérico"}, {"text": "módulo de EI", "type": "Método"}, {"text": "FACILE, um projecto da UE para classificação multilingue de texto e EI", "type": "Método"}]], "relations": [[{"head": "abordagem", "tail": "análise sintáctica completa", "relation": "Usado-para"}, {"head": "análise sintáctica completa", "tail": "Extração de Informação", "relation": "Usado-para"}], [], [], [], [{"head": "Esta", "tail": "módulo de EI", "relation": "Usado-para"}, {"head": "módulo de EI", "tail": "FACILE, um projecto da UE para classificação multilingue de texto e EI", "relation": "Parte-de"}]], "clusters": [["abordagem", "abordagem", "Esta"]]}
{"doc_id": "P05-1028", "text": "Este artigo apresenta um estudo de corpus que explora em que medida as legendas contribuem para reconhecer a mensagem pretendida de um gráfico informativo. Em seguida, apresenta um sistema de interpretação gráfica implementado, que tem em conta uma variedade de sinais comunicativos, e um estudo de avaliação que mostra que a evidência obtida a partir do processamento superficial da legenda do gráfico tem um impacto significativo no sucesso do sistema. Este trabalho é parte de um projeto mais amplo cujo objetivo é proporcionar a utilizadores com deficiência visual um acesso eficaz a gráficos informativos.", "ner": [[{"text": "estudo de corpus", "type": "Tarefa"}, {"text": "gráfico informativo", "type": "Outros Termos Científicos"}], [{"text": "sistema de interpretação gráfica", "type": "Método"}, {"text": "sinais comunicativos", "type": "Material"}, {"text": "processamento superficial", "type": "Método"}, {"text": "legenda do gráfico", "type": "Material"}, {"text": "sistema", "type": "Genérico"}], [{"text": "utilizadores com deficiência visual", "type": "Outros Termos Científicos"}, {"text": "gráficos informativos", "type": "Outros Termos Científicos"}]], "relations": [[], [{"head": "sinais comunicativos", "tail": "sistema de interpretação gráfica", "relation": "Usado-para"}, {"head": "processamento superficial", "tail": "sistema", "relation": "Usado-para"}, {"head": "legenda do gráfico", "tail": "processamento superficial", "relation": "Usado-para"}], []], "clusters": [["sistema de interpretação gráfica", "sistema"]]}
{"doc_id": "E93-1004", "text": "Neste artigo introduzimos uma linguagem modal LT para impor restrições sobre árvores, e uma extensão LT -LRB- LF -RRB- para impor restrições sobre árvores decoradas com estruturas de traços. A motivação para introduzir estas linguagens é fornecer ferramentas para formalizar perspicuamente quadros gramaticais, e o artigo ilustra isto mostrando como as ideias principais da GPSG podem ser capturadas em LT -LRB- LF -RRB-. Além disso, o papel das linguagens modais -LRB- e, em particular, do que chamámos de formalismos de restrição para a teorização linguística é discutido com algum detalhe.", "ner": [[{"text": "linguagem modal LT", "type": "Método"}, {"text": "restrições sobre árvores", "type": "Outros Termos Científicos"}, {"text": "extensão LT -LRB- LF -RRB-", "type": "Método"}, {"text": "restrições sobre árvores decoradas com estruturas de traços", "type": "Outros Termos Científicos"}], [{"text": "linguagens", "type": "Genérico"}, {"text": "quadros gramaticais", "type": "Método"}, {"text": "GPSG", "type": "Método"}, {"text": "LT -LRB- LF -RRB-", "type": "Método"}], [{"text": "linguagens modais", "type": "Método"}, {"text": "formalismos de restrição", "type": "Método"}]], "relations": [[{"head": "linguagem modal LT", "tail": "restrições sobre árvores", "relation": "Usado-para"}, {"head": "extensão LT -LRB- LF -RRB-", "tail": "restrições sobre árvores decoradas com estruturas de traços", "relation": "Usado-para"}], [{"head": "linguagens", "tail": "quadros gramaticais", "relation": "Usado-para"}, {"head": "GPSG", "tail": "LT -LRB- LF -RRB-", "relation": "Usado-para"}], []], "clusters": [["linguagens", "linguagens modais"], ["extensão LT -LRB- LF -RRB-", "LT -LRB- LF -RRB-"]]}
{"doc_id": "P03-1009", "text": "Investigação anterior demonstrou a utilidade da clusterização na indução de classes semânticas de verbos a partir de dados de corpus não desambiguados. Descrevemos uma nova abordagem que envolve a clusterização de distribuições de frames de subcategorização -LRB- SCF -RRB- usando os métodos de Information Bottleneck e do vizinho mais próximo. Em contraste com trabalhos anteriores, focamo-nos particularmente na clusterização de verbos polissémicos. É proposto um novo esquema de avaliação que tem em conta o efeito da polissemia sobre os clusters, oferecendo-nos uma boa compreensão do potencial e das limitações de classificar semanticamente dados SCF não desambiguados.", "ner": [[{"text": "clusterização", "type": "Método"}, {"text": "indução de classes semânticas de verbos", "type": "Tarefa"}, {"text": "dados de corpus não desambiguados", "type": "Material"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "clusterização de distribuições de frames de subcategorização -LRB- SCF -RRB-", "type": "Tarefa"}, {"text": "métodos de Information Bottleneck e do vizinho mais próximo", "type": "Método"}], [{"text": "clusterização de verbos polissémicos", "type": "Tarefa"}, {"text": "verbos polissémicos", "type": "Outros Termos Científicos"}], [{"text": "esquema de avaliação", "type": "Genérico"}, {"text": "polissemia", "type": "Outros Termos Científicos"}, {"text": "clusters", "type": "Outros Termos Científicos"}, {"text": "classificar semanticamente dados SCF não desambiguados", "type": "Tarefa"}]], "relations": [[{"head": "clusterização", "tail": "indução de classes semânticas de verbos", "relation": "Usado-para"}, {"head": "dados de corpus não desambiguados", "tail": "clusterização", "relation": "Usado-para"}], [{"head": "clusterização de distribuições de frames de subcategorização -LRB- SCF -RRB-", "tail": "abordagem", "relation": "Parte-de"}, {"head": "métodos de Information Bottleneck e do vizinho mais próximo", "tail": "clusterização de distribuições de frames de subcategorização -LRB- SCF -RRB-", "relation": "Usado-para"}], [], [{"head": "esquema de avaliação", "tail": "polissemia", "relation": "Usado-para"}, {"head": "esquema de avaliação", "tail": "classificar semanticamente dados SCF não desambiguados", "relation": "Avaliado-para"}, {"head": "polissemia", "tail": "clusters", "relation": "Característica-de"}]], "clusters": []}
{"doc_id": "INTERSPEECH_2007_28_abs", "text": "Este artigo apresenta um novo algoritmo de duas passagens para reconhecimento de fala contínua com vocabulário Extra Grande -LRB- mais de 1M de palavras -RRB- baseado na Recuperação de Informação -LRB- ELVIRCOS -RRB- . O princípio desta abordagem é decompor um processo de reconhecimento em duas passagens em que a primeira passagem constrói o subconjunto de palavras para o reconhecimento da segunda passagem usando um procedimento de recuperação de informação . É apresentada a composição de grafos de palavras para fala contínua . Com esta abordagem podem ser obtidos desempenhos elevados para reconhecimento de fala com vocabulário grande .", "ner": [[{"text": "algoritmo de duas passagens", "type": "Genérico"}, {"text": "reconhecimento de fala contínua com vocabulário Extra Grande -LRB- mais de 1M de palavras -RRB-", "type": "Tarefa"}, {"text": "Recuperação de Informação -LRB- ELVIRCOS -RRB-", "type": "Tarefa"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "processo de reconhecimento", "type": "Método"}, {"text": "passagens", "type": "Genérico"}, {"text": "primeira passagem", "type": "Genérico"}, {"text": "subconjunto de palavras", "type": "Outros Termos Científicos"}, {"text": "reconhecimento da segunda passagem", "type": "Genérico"}, {"text": "procedimento de recuperação de informação", "type": "Método"}], [{"text": "composição de grafos de palavras", "type": "Método"}, {"text": "fala contínua", "type": "Material"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "reconhecimento de fala com vocabulário grande", "type": "Tarefa"}]], "relations": [[{"head": "algoritmo de duas passagens", "tail": "reconhecimento de fala contínua com vocabulário Extra Grande -LRB- mais de 1M de palavras -RRB-", "relation": "Usado-para"}, {"head": "Recuperação de Informação -LRB- ELVIRCOS -RRB-", "tail": "algoritmo de duas passagens", "relation": "Usado-para"}], [{"head": "primeira passagem", "tail": "passagens", "relation": "Hipónimo-de"}, {"head": "reconhecimento da segunda passagem", "tail": "passagens", "relation": "Hipónimo-de"}, {"head": "procedimento de recuperação de informação", "tail": "reconhecimento da segunda passagem", "relation": "Usado-para"}], [{"head": "composição de grafos de palavras", "tail": "fala contínua", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "reconhecimento de fala com vocabulário grande", "relation": "Usado-para"}]], "clusters": [["processo de reconhecimento", "passagens"], ["algoritmo de duas passagens", "abordagem"], ["reconhecimento de fala contínua com vocabulário Extra Grande -LRB- mais de 1M de palavras -RRB-", "reconhecimento de fala com vocabulário grande"]]}
{"doc_id": "P05-1057", "text": "Apresentamos uma framework para alinhamento de palavras baseada em modelos log-lineares. Todas as fontes de conhecimento são tratadas como funções de características, que dependem da frase na língua de origem, da frase na língua de destino e de possíveis variáveis adicionais. Os modelos log-lineares permitem que modelos estatísticos de alinhamento sejam facilmente estendidos através da incorporação de informação sintáctica. Neste artigo, usamos probabilidades de alinhamento do IBM Model 3, correspondência POS e cobertura de dicionário bilingue como características. As nossas experiências mostram que os modelos log-lineares superam significativamente os modelos de tradução IBM.", "ner": [[{"text": "framework", "type": "Genérico"}, {"text": "alinhamento de palavras", "type": "Tarefa"}, {"text": "modelos log-lineares", "type": "Método"}], [{"text": "fontes de conhecimento", "type": "Material"}, {"text": "funções de características", "type": "Outros Termos Científicos"}], [{"text": "modelos log-lineares", "type": "Método"}, {"text": "modelos estatísticos de alinhamento", "type": "Método"}, {"text": "informação sintáctica", "type": "Outros Termos Científicos"}], [{"text": "probabilidades de alinhamento do IBM Model 3", "type": "Outros Termos Científicos"}, {"text": "correspondência POS", "type": "Outros Termos Científicos"}, {"text": "cobertura de dicionário bilingue", "type": "Outros Termos Científicos"}, {"text": "características", "type": "Outros Termos Científicos"}], [{"text": "modelos log-lineares", "type": "Método"}, {"text": "modelos de tradução IBM", "type": "Método"}]], "relations": [[{"head": "framework", "tail": "alinhamento de palavras", "relation": "Usado-para"}, {"head": "modelos log-lineares", "tail": "framework", "relation": "Usado-para"}], [{"head": "fontes de conhecimento", "tail": "funções de características", "relation": "Usado-para"}], [{"head": "modelos log-lineares", "tail": "modelos estatísticos de alinhamento", "relation": "Usado-para"}, {"head": "informação sintáctica", "tail": "modelos log-lineares", "relation": "Usado-para"}], [{"head": "probabilidades de alinhamento do IBM Model 3", "tail": "correspondência POS", "relation": "Conjunção"}, {"head": "probabilidades de alinhamento do IBM Model 3", "tail": "características", "relation": "Usado-para"}, {"head": "correspondência POS", "tail": "cobertura de dicionário bilingue", "relation": "Conjunção"}, {"head": "correspondência POS", "tail": "características", "relation": "Usado-para"}, {"head": "cobertura de dicionário bilingue", "tail": "características", "relation": "Usado-para"}], [{"head": "modelos log-lineares", "tail": "modelos de tradução IBM", "relation": "Comparado-com"}]], "clusters": [["modelos log-lineares", "modelos log-lineares"]]}
{"doc_id": "ICCV_2015_400_abs", "text": "A votação de Hough num espaço de transformações geométricas permite realizar a verificação espacial, mas continua sensível a erros de deteção de características devido à quantização inflexível de correspondências de características isoladas. Para lidar com este problema, propomos um novo método, designado por votação dither adaptativa, para verificação espacial robusta. Para cada correspondência, em vez de a mapear rigidamente para uma única transformação, o método aumenta a sua descrição utilizando múltiplas transformações dither geradas de forma determinística pelas outras correspondências. O método reduz a probabilidade de perder correspondências durante a quantização de transformações e proporciona elevada robustez face a incompatibilidades, impondo três constrangimentos geométricos no processo de dithering. Propomos também explorar a não uniformidade de um histograma de Hough como similaridade espacial para lidar com múltiplas superfícies de correspondência. Experiências extensivas conduzidas em quatro conjuntos de dados mostram a superioridade do nosso método. O método supera os seus homólogos de última geração tanto em precisão como em escalabilidade, especialmente na recuperação de objetos pequenos e rodados.", "ner": [[{"text": "votação de Hough", "type": "Método"}, {"text": "espaço de transformações geométricas", "type": "Outros Termos Científicos"}, {"text": "verificação espacial", "type": "Tarefa"}, {"text": "erros de deteção de características", "type": "Outros Termos Científicos"}, {"text": "quantização inflexível de correspondências de características isoladas", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "votação dither adaptativa", "type": "Método"}, {"text": "verificação espacial robusta", "type": "Tarefa"}], [{"text": "método", "type": "Genérico"}, {"text": "múltiplas transformações dither", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "quantização de transformações", "type": "Outros Termos Científicos"}, {"text": "face a incompatibilidades", "type": "Outros Termos Científicos"}, {"text": "constrangimentos geométricos", "type": "Outros Termos Científicos"}, {"text": "processo de dithering", "type": "Outros Termos Científicos"}], [{"text": "não uniformidade", "type": "Outros Termos Científicos"}, {"text": "histograma de Hough", "type": "Método"}, {"text": "similaridade espacial", "type": "Outros Termos Científicos"}, {"text": "múltiplas superfícies de correspondência", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}], [{"text": "método", "type": "Genérico"}, {"text": "homólogos", "type": "Genérico"}, {"text": "precisão", "type": "Métrica"}, {"text": "escalabilidade", "type": "Métrica"}, {"text": "recuperação de objetos pequenos e rodados", "type": "Tarefa"}]], "relations": [[{"head": "votação de Hough", "tail": "verificação espacial", "relation": "Usado-para"}, {"head": "espaço de transformações geométricas", "tail": "votação de Hough", "relation": "Característica-de"}], [{"head": "método", "tail": "verificação espacial robusta", "relation": "Usado-para"}], [{"head": "múltiplas transformações dither", "tail": "método", "relation": "Usado-para"}], [], [{"head": "não uniformidade", "tail": "histograma de Hough", "relation": "Característica-de"}, {"head": "não uniformidade", "tail": "múltiplas superfícies de correspondência", "relation": "Usado-para"}], [], [{"head": "método", "tail": "recuperação de objetos pequenos e rodados", "relation": "Usado-para"}, {"head": "homólogos", "tail": "método", "relation": "Comparado-com"}, {"head": "precisão", "tail": "método", "relation": "Avaliado-para"}, {"head": "precisão", "tail": "homólogos", "relation": "Avaliado-para"}, {"head": "escalabilidade", "tail": "método", "relation": "Avaliado-para"}, {"head": "escalabilidade", "tail": "homólogos", "relation": "Avaliado-para"}]], "clusters": [["verificação espacial", "verificação espacial robusta"], ["método", "votação dither adaptativa", "método", "método", "método", "método"]]}
{"doc_id": "CVPR_2012_18_abs", "text": "Propomos uma nova técnica chamada estéreo fotométrico bispectral que faz uso efetivo da fluorescência para a reconstrução de forma. A fluorescência é um fenómeno comum que ocorre em muitos objetos, desde gemas naturais e corais até corantes fluorescentes usados em vestuário. Uma das características importantes da fluorescência é o seu comportamento de desvio de comprimento de onda: materiais fluorescentes absorvem luz a um determinado comprimento de onda e depois reemitem-na em comprimentos de onda mais longos. Devido à complexidade do seu processo de emissão, a fluorescência tende a ser excluída da maioria dos algoritmos em visão por computador e processamento de imagem. Neste artigo, mostramos que existe uma forte semelhança entre fluorescência e reflexão difusa ideal e que a fluorescência pode fornecer pistas distintas sobre como estimar a forma de um objeto. Além disso, a propriedade de desvio de comprimento de onda da fluorescência permite-nos estimar a forma de um objeto aplicando estéreo fotométrico a imagens apenas de emissão sem sofrer de reflexão especular. Esta é a vantagem significativa do método baseado em fluorescência em relação a métodos anteriores baseados em reflexão.", "ner": [[{"text": "técnica", "type": "Genérico"}, {"text": "estéreo fotométrico bispectral", "type": "Método"}, {"text": "fluorescência", "type": "Outros Termos Científicos"}, {"text": "reconstrução de forma", "type": "Tarefa"}], [{"text": "Fluorescência", "type": "Outros Termos Científicos"}, {"text": "gemas naturais", "type": "Outros Termos Científicos"}, {"text": "corantes fluorescentes", "type": "Outros Termos Científicos"}], [{"text": "fluorescência", "type": "Outros Termos Científicos"}, {"text": "materiais fluorescentes", "type": "Outros Termos Científicos"}], [{"text": "complexidade", "type": "Métrica"}, {"text": "processo de emissão", "type": "Método"}, {"text": "fluorescência", "type": "Outros Termos Científicos"}, {"text": "algoritmos", "type": "Genérico"}, {"text": "visão por computador", "type": "Tarefa"}, {"text": "processamento de imagem", "type": "Tarefa"}], [{"text": "semelhança", "type": "Outros Termos Científicos"}, {"text": "fluorescência", "type": "Outros Termos Científicos"}, {"text": "reflexão difusa", "type": "Outros Termos Científicos"}, {"text": "fluorescência", "type": "Outros Termos Científicos"}], [{"text": "propriedade de desvio de comprimento de onda da fluorescência", "type": "Outros Termos Científicos"}, {"text": "forma", "type": "Outros Termos Científicos"}, {"text": "estéreo fotométrico", "type": "Método"}, {"text": "imagens apenas de emissão", "type": "Material"}, {"text": "reflexão especular", "type": "Outros Termos Científicos"}], [{"text": "método baseado em fluorescência", "type": "Método"}, {"text": "métodos", "type": "Genérico"}, {"text": "reflexão", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "estéreo fotométrico bispectral", "tail": "reconstrução de forma", "relation": "Usado-para"}, {"head": "fluorescência", "tail": "estéreo fotométrico bispectral", "relation": "Usado-para"}], [], [], [{"head": "complexidade", "tail": "processo de emissão", "relation": "Avaliado-para"}, {"head": "algoritmos", "tail": "visão por computador", "relation": "Usado-para"}, {"head": "algoritmos", "tail": "processamento de imagem", "relation": "Usado-para"}, {"head": "visão por computador", "tail": "processamento de imagem", "relation": "Conjunção"}], [], [{"head": "propriedade de desvio de comprimento de onda da fluorescência", "tail": "forma", "relation": "Usado-para"}, {"head": "estéreo fotométrico", "tail": "forma", "relation": "Usado-para"}, {"head": "imagens apenas de emissão", "tail": "estéreo fotométrico", "relation": "Usado-para"}], [{"head": "métodos", "tail": "método baseado em fluorescência", "relation": "Comparado-com"}]], "clusters": [["técnica", "estéreo fotométrico bispectral", "estéreo fotométrico"]]}
{"doc_id": "ECCV_2016_100_abs", "text": "Neste artigo, apresentamos uma abordagem para aprender uma representação visual a partir dos sinais espaciotemporais brutos em vídeos. A nossa representação é aprendida sem supervisão a partir de rótulos semânticos. Formulamos o nosso método como uma tarefa não supervisionada de verificação sequencial, i.e., determinamos se uma sequência de frames de um vídeo está na ordem temporal correta. Com esta tarefa simples e sem rótulos semânticos, aprendemos uma representação visual poderosa utilizando uma Rede Neural Convolucional -LRB- CNN -RRB-. A representação contém informação complementar à aprendida a partir de conjuntos de dados de imagens supervisionados como o ImageNet. Resultados qualitativos mostram que o nosso método capta informação que varia temporalmente, como a pose humana. Quando utilizado como pré-treino para reconhecimento de ações, o nosso método fornece ganhos significativos em relação ao aprendizado sem dados externos em conjuntos de dados de referência como UCF101 e HMDB51. Para demonstrar a sua sensibilidade à pose humana, mostramos resultados para estimação de pose nos conjuntos de dados FLIC e MPII que são competitivos ou melhores do que abordagens que utilizam significativamente mais supervisão. O nosso método pode ser combinado com representações supervisionadas para proporcionar um aumento adicional na precisão.", "ner": [[{"text": "abordagem", "type": "Genérico"}, {"text": "representação visual", "type": "Método"}, {"text": "sinais espaciotemporais brutos em vídeos", "type": "Material"}], [{"text": "representação", "type": "Genérico"}, {"text": "supervisão a partir de rótulos semânticos", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "tarefa não supervisionada de verificação sequencial", "type": "Tarefa"}, {"text": "ordem temporal", "type": "Outros Termos Científicos"}], [{"text": "tarefa", "type": "Genérico"}, {"text": "rótulos semânticos", "type": "Outros Termos Científicos"}, {"text": "representação visual", "type": "Método"}, {"text": "Rede Neural Convolucional -LRB- CNN -RRB-", "type": "Método"}], [{"text": "representação", "type": "Genérico"}, {"text": "informação complementar", "type": "Outros Termos Científicos"}, {"text": "conjuntos de dados de imagens supervisionados", "type": "Material"}, {"text": "ImageNet", "type": "Material"}], [{"text": "método", "type": "Genérico"}, {"text": "pose humana", "type": "Outros Termos Científicos"}], [{"text": "pré-treino", "type": "Método"}, {"text": "reconhecimento de ações", "type": "Tarefa"}, {"text": "o nosso método", "type": "Método"}, {"text": "aprendizado sem dados externos", "type": "Método"}, {"text": "conjuntos de dados de referência", "type": "Genérico"}, {"text": "UCF101", "type": "Material"}, {"text": "HMDB51", "type": "Material"}], [{"text": "pose humana", "type": "Outros Termos Científicos"}, {"text": "estimação de pose", "type": "Tarefa"}, {"text": "conjuntos de dados FLIC e MPII", "type": "Material"}, {"text": "abordagens", "type": "Genérico"}, {"text": "supervisão", "type": "Outros Termos Científicos"}], [{"text": "O nosso método", "type": "Outros Termos Científicos"}, {"text": "representações supervisionadas", "type": "Método"}, {"text": "precisão", "type": "Métrica"}]], "relations": [[{"head": "abordagem", "tail": "representação visual", "relation": "Usado-para"}, {"head": "sinais espaciotemporais brutos em vídeos", "tail": "representação visual", "relation": "Usado-para"}], [], [{"head": "tarefa não supervisionada de verificação sequencial", "tail": "método", "relation": "Usado-para"}], [{"head": "tarefa", "tail": "representação visual", "relation": "Usado-para"}, {"head": "Rede Neural Convolucional -LRB- CNN -RRB-", "tail": "representação visual", "relation": "Usado-para"}], [{"head": "informação complementar", "tail": "representação", "relation": "Parte-de"}, {"head": "conjuntos de dados de imagens supervisionados", "tail": "informação complementar", "relation": "Usado-para"}, {"head": "ImageNet", "tail": "conjuntos de dados de imagens supervisionados", "relation": "Hipónimo-de"}], [{"head": "método", "tail": "pose humana", "relation": "Usado-para"}], [{"head": "pré-treino", "tail": "reconhecimento de ações", "relation": "Usado-para"}, {"head": "o nosso método", "tail": "pré-treino", "relation": "Usado-para"}, {"head": "o nosso método", "tail": "aprendizado sem dados externos", "relation": "Comparado-com"}, {"head": "conjuntos de dados de referência", "tail": "o nosso método", "relation": "Avaliado-para"}, {"head": "conjuntos de dados de referência", "tail": "aprendizado sem dados externos", "relation": "Avaliado-para"}, {"head": "UCF101", "tail": "conjuntos de dados de referência", "relation": "Hipónimo-de"}, {"head": "UCF101", "tail": "HMDB51", "relation": "Conjunção"}, {"head": "HMDB51", "tail": "conjuntos de dados de referência", "relation": "Hipónimo-de"}], [{"head": "conjuntos de dados FLIC e MPII", "tail": "estimação de pose", "relation": "Avaliado-para"}, {"head": "supervisão", "tail": "abordagens", "relation": "Usado-para"}], [{"head": "representações supervisionadas", "tail": "O nosso método", "relation": "Conjunção"}, {"head": "precisão", "tail": "O nosso método", "relation": "Avaliado-para"}]], "clusters": [["tarefa não supervisionada de verificação sequencial", "tarefa"], ["abordagem", "método", "método", "o nosso método", "O nosso método"], ["representação visual", "representação"], ["representação visual", "representação"]]}
{"doc_id": "J97-1004", "text": "Para explicar fenómenos complexos, um sistema de explicação deve ser capaz de selecionar informação a partir de uma representação formal do conhecimento do domínio, organizar a informação selecionada em planos discursivos multissentenciais e realizar os planos discursivos em texto. Embora os últimos anos tenham testemunhado um progresso significativo no desenvolvimento de mecanismos computacionais sofisticados para explicação, os resultados empíricos têm sido limitados. Este artigo relata um esforço de sete anos para estudar empiricamente a geração de explicações a partir de bases de conhecimento semanticamente ricas e de grande escala. Em particular, descreve um sistema de explicação robusto que constrói explicações multissentenciais e multi-parágrafo a partir de uma base de conhecimento de grande escala no domínio da anatomia botânica, fisiologia e desenvolvimento botânicos. Introduzimos a metodologia de avaliação e descrevemos como o desempenho foi avaliado com esta metodologia na avaliação empírica mais extensa realizada sobre um sistema de explicação. Nesta avaliação, foi classificado dentro de 'meia nota' dos especialistas do domínio, e o seu desempenho excedeu o de um dos especialistas do domínio.", "ner": [[{"text": "sistema de explicação", "type": "Método"}, {"text": "planos discursivos multissentenciais", "type": "Outros Termos Científicos"}, {"text": "planos discursivos", "type": "Outros Termos Científicos"}], [], [{"text": "geração de explicações", "type": "Tarefa"}, {"text": "bases de conhecimento semanticamente ricas e de grande escala", "type": "Material"}], [{"text": "sistema de explicação robusto", "type": "Método"}, {"text": "explicações multissentenciais e multi-parágrafo", "type": "Outros Termos Científicos"}, {"text": "base de conhecimento de grande escala", "type": "Material"}, {"text": "anatomia botânica", "type": "Material"}, {"text": "fisiologia", "type": "Material"}, {"text": "desenvolvimento", "type": "Material"}], [{"text": "metodologia de avaliação", "type": "Genérico"}, {"text": "metodologia", "type": "Genérico"}, {"text": "sistema de explicação", "type": "Método"}], [{"text": "avaliação", "type": "Genérico"}]], "relations": [[{"head": "sistema de explicação", "tail": "planos discursivos", "relation": "Usado-para"}], [], [{"head": "bases de conhecimento semanticamente ricas e de grande escala", "tail": "geração de explicações", "relation": "Usado-para"}], [{"head": "sistema de explicação robusto", "tail": "explicações multissentenciais e multi-parágrafo", "relation": "Usado-para"}, {"head": "base de conhecimento de grande escala", "tail": "sistema de explicação robusto", "relation": "Usado-para"}, {"head": "anatomia botânica", "tail": "base de conhecimento de grande escala", "relation": "Característica-de"}, {"head": "anatomia botânica", "tail": "fisiologia", "relation": "Conjunção"}, {"head": "fisiologia", "tail": "base de conhecimento de grande escala", "relation": "Característica-de"}, {"head": "fisiologia", "tail": "desenvolvimento", "relation": "Conjunção"}, {"head": "desenvolvimento", "tail": "base de conhecimento de grande escala", "relation": "Característica-de"}], [{"head": "metodologia", "tail": "sistema de explicação", "relation": "Avaliado-para"}], []], "clusters": [["sistema de explicação", "sistema de explicação robusto", "sistema de explicação"], ["metodologia de avaliação", "metodologia", "avaliação"]]}
{"doc_id": "E99-1038", "text": "Apresentamos uma definição operativa de foco que se argumenta ser de natureza cognitivo-pragmática e exploramos como ela é determinada no discurso de forma formalizada. Para este fim, é introduzido um modelo de cartão de arquivo do modelo de discurso e do repositório de conhecimento, que permite a decomposição e a representação formal do seu processo de determinação como um algoritmo programável -LRB- FDA -RRB-. São citadas evidências interdisciplinares da psicologia social e cognitiva e é também brevemente discutida a perspetiva da integração do foco, via FDA, como um construto ao nível do discurso em sistemas de síntese de fala, em particular, em sistemas de conceito-para-fala.", "ner": [[{"text": "definição operativa", "type": "Genérico"}, {"text": "natureza cognitivo-pragmática", "type": "Outros Termos Científicos"}, {"text": "ela", "type": "Genérico"}, {"text": "discurso", "type": "Outros Termos Científicos"}], [{"text": "um modelo de cartão de arquivo do modelo de discurso e do repositório de conhecimento", "type": "Método"}, {"text": "modelo de discurso", "type": "Método"}, {"text": "repositório de conhecimento", "type": "Outros Termos Científicos"}, {"text": "processo de determinação", "type": "Outros Termos Científicos"}, {"text": "algoritmo programável", "type": "Método"}, {"text": "FDA", "type": "Método"}], [{"text": "psicologia social e cognitiva", "type": "Outros Termos Científicos"}, {"text": "FDA", "type": "Outros Termos Científicos"}, {"text": "construto ao nível do discurso", "type": "Outros Termos Científicos"}, {"text": "sistemas de síntese de fala", "type": "Método"}, {"text": "sistemas de conceito-para-fala", "type": "Método"}]], "relations": [[{"head": "natureza cognitivo-pragmática", "tail": "definição operativa", "relation": "Característica-de"}], [{"head": "FDA", "tail": "algoritmo programável", "relation": "Hipónimo-de"}], [{"head": "FDA", "tail": "construto ao nível do discurso", "relation": "Usado-para"}, {"head": "construto ao nível do discurso", "tail": "sistemas de síntese de fala", "relation": "Parte-de"}, {"head": "sistemas de conceito-para-fala", "tail": "sistemas de síntese de fala", "relation": "Hipónimo-de"}]], "clusters": [["FDA", "FDA"], ["definição operativa", "ela"]]}
{"doc_id": "CVPR_2010_21_abs", "text": "Os modelos de Campos Aleatórios Condicionais revelaram-se eficazes para vários problemas de visão por computador de baixo nível. A inferência nestes modelos envolve resolver um problema de otimização combinatória, com métodos como cortes em grafos, propagação de crença. Embora tenham sido propostos vários métodos para aprender os parâmetros do modelo a partir de dados de treino, estes sofrem de várias desvantagens. Aprender estes parâmetros envolve calcular a função de partição, o que é intratável. Para ultrapassar isto, os métodos de aprendizagem estruturada de última geração formulam o problema como uma estimação de grande margem. Têm sido propostas soluções iterativas para resolver o problema de otimização convexo resultante. Cada iteração envolve resolver um problema de inferência sobre todos os rótulos, o que limita a eficiência destes métodos estruturados. Neste artigo apresentamos um eficiente método de aprendizagem por partes de grande margem que é amplamente aplicável. Mostramos como o problema de otimização resultante pode ser reduzido a um problema convexo equivalente com um pequeno número de restrições e resolvê-lo usando um esquema eficiente. O nosso método é eficiente tanto em termos de memória como computacionalmente. Apresentamos resultados em conjuntos de dados padrão publicamente disponíveis.", "ner": [[{"text": "modelos de Campos Aleatórios Condicionais", "type": "Método"}, {"text": "problemas de visão por computador de baixo nível", "type": "Tarefa"}], [{"text": "inferência", "type": "Tarefa"}, {"text": "modelos", "type": "Genérico"}, {"text": "problema de otimização combinatória", "type": "Tarefa"}, {"text": "métodos", "type": "Genérico"}, {"text": "cortes em grafos", "type": "Método"}, {"text": "propagação de crença", "type": "Método"}], [{"text": "parâmetros do modelo", "type": "Outros Termos Científicos"}], [{"text": "parâmetros", "type": "Genérico"}, {"text": "função de partição", "type": "Outros Termos Científicos"}], [{"text": "métodos de aprendizagem estruturada", "type": "Método"}, {"text": "problema", "type": "Genérico"}, {"text": "estimação de grande margem", "type": "Tarefa"}], [{"text": "soluções iterativas", "type": "Método"}, {"text": "problema de otimização convexo", "type": "Tarefa"}], [{"text": "problema de inferência", "type": "Tarefa"}, {"text": "métodos estruturados", "type": "Genérico"}], [{"text": "método de aprendizagem por partes de grande margem", "type": "Método"}], [{"text": "problema de otimização", "type": "Tarefa"}, {"text": "problema convexo", "type": "Tarefa"}], [{"text": "método", "type": "Genérico"}], []], "relations": [[], [{"head": "inferência", "tail": "modelos", "relation": "Usado-para"}, {"head": "problema de otimização combinatória", "tail": "inferência", "relation": "Parte-de"}, {"head": "métodos", "tail": "problema de otimização combinatória", "relation": "Usado-para"}, {"head": "cortes em grafos", "tail": "métodos", "relation": "Usado-para"}, {"head": "cortes em grafos", "tail": "propagação de crença", "relation": "Conjunção"}, {"head": "propagação de crença", "tail": "métodos", "relation": "Usado-para"}], [], [], [{"head": "métodos de aprendizagem estruturada", "tail": "problema", "relation": "Usado-para"}, {"head": "estimação de grande margem", "tail": "problema", "relation": "Usado-para"}], [{"head": "soluções iterativas", "tail": "problema de otimização convexo", "relation": "Usado-para"}], [], [], [{"head": "problema convexo", "tail": "problema de otimização", "relation": "Usado-para"}], [], []], "clusters": [["parâmetros do modelo", "parâmetros"], ["modelos de Campos Aleatórios Condicionais", "modelos"], ["problema de otimização combinatória", "problema de otimização convexo"], ["métodos de aprendizagem estruturada", "métodos estruturados"], ["método de aprendizagem por partes de grande margem", "método"]]}
{"doc_id": "P80-1004", "text": "Interpretar metáforas é um processo integral e inevitável na compreensão humana da linguagem natural. Este artigo discute um método de análise de metáforas baseado na existência de um pequeno número de mapeamentos de metáforas generalizadas. Cada metáfora generalizada contém uma rede de reconhecimento, um mapeamento básico, mapeamentos de transferência adicionais e um componente de intenção implícita. Argumenta-se que o método reduz a interpretação de metáforas de uma reconstrução para uma tarefa de reconhecimento. São também discutidas implicações para a automatização de certos aspetos da aprendizagem de línguas.", "ner": [[{"text": "Interpretar metáforas", "type": "Tarefa"}, {"text": "compreensão humana da linguagem natural", "type": "Tarefa"}], [{"text": "método", "type": "Genérico"}, {"text": "análise de metáforas", "type": "Tarefa"}, {"text": "mapeamentos de metáforas generalizadas", "type": "Método"}], [{"text": "metáfora generalizada", "type": "Outros Termos Científicos"}, {"text": "rede de reconhecimento", "type": "Método"}, {"text": "mapeamento básico", "type": "Método"}, {"text": "mapeamentos de transferência", "type": "Método"}, {"text": "componente de intenção implícita", "type": "Método"}], [{"text": "método", "type": "Genérico"}, {"text": "interpretação de metáforas", "type": "Tarefa"}, {"text": "reconstrução", "type": "Tarefa"}, {"text": "tarefa de reconhecimento", "type": "Tarefa"}], [{"text": "aprendizagem de línguas", "type": "Tarefa"}]], "relations": [[{"head": "Interpretar metáforas", "tail": "compreensão humana da linguagem natural", "relation": "Hipónimo-de"}], [{"head": "método", "tail": "análise de metáforas", "relation": "Usado-para"}, {"head": "mapeamentos de metáforas generalizadas", "tail": "análise de metáforas", "relation": "Usado-para"}], [{"head": "rede de reconhecimento", "tail": "metáfora generalizada", "relation": "Parte-de"}, {"head": "rede de reconhecimento", "tail": "mapeamento básico", "relation": "Conjunção"}, {"head": "mapeamento básico", "tail": "metáfora generalizada", "relation": "Parte-de"}, {"head": "mapeamentos de transferência", "tail": "metáfora generalizada", "relation": "Parte-de"}, {"head": "mapeamentos de transferência", "tail": "mapeamento básico", "relation": "Conjunção"}, {"head": "mapeamentos de transferência", "tail": "componente de intenção implícita", "relation": "Conjunção"}, {"head": "componente de intenção implícita", "tail": "metáfora generalizada", "relation": "Parte-de"}], [{"head": "método", "tail": "interpretação de metáforas", "relation": "Usado-para"}, {"head": "tarefa de reconhecimento", "tail": "interpretação de metáforas", "relation": "Usado-para"}], []], "clusters": [["Interpretar metáforas", "interpretação de metáforas"], ["método", "método"]]}
{"doc_id": "I08-1043", "text": "Este estudo apresenta um método para adquirir automaticamente paráfrases utilizando corpora bilingues, que utiliza as relações de dependência bilingues obtidas projetando uma análise de dependência monolingue sobre a frase na outra língua com base em técnicas estatísticas de alinhamento. Dado que o método de parágrafo é capaz de desambiguar claramente o sentido de uma frase original utilizando o contexto bilingue da relação de dependência, seria possível obter paráfrases intercambiáveis num dado contexto. Além disso, fornecemos um método avançado para adquirir conhecimento de tradução generalizado utilizando as paráfrases extraídas. Aplicámos o método para adquirir o conhecimento de tradução generalizado para tradução coreano-inglês. Através de experiências com corpora paralelos de pares de línguas coreano e inglês, mostramos que o nosso método de parágrafo extrai efetivamente paráfrases com elevada precisão, 94,3 % e 84,6 % respetivamente para coreano e inglês, e que o conhecimento de tradução extraído dos corpora bilingues pôde ser generalizado com sucesso utilizando as paráfrases com a taxa de compressão de 12,5 %.", "ner": [[{"text": "método para adquirir automaticamente paráfrases", "type": "Método"}, {"text": "corpora bilingues", "type": "Material"}, {"text": "relações de dependência bilingues", "type": "Outros Termos Científicos"}, {"text": "análise de dependência monolingue", "type": "Outros Termos Científicos"}, {"text": "técnicas estatísticas de alinhamento", "type": "Método"}], [{"text": "método de parágrafo", "type": "Método"}, {"text": "contexto bilingue da relação de dependência", "type": "Outros Termos Científicos"}, {"text": "paráfrases", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "conhecimento de tradução generalizado", "type": "Outros Termos Científicos"}, {"text": "paráfrases", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "conhecimento de tradução generalizado", "type": "Outros Termos Científicos"}, {"text": "tradução coreano-inglês", "type": "Tarefa"}], [{"text": "corpora paralelos de pares de línguas coreano e inglês", "type": "Material"}, {"text": "método de parágrafo", "type": "Método"}, {"text": "paráfrases", "type": "Outros Termos Científicos"}, {"text": "precisão", "type": "Métrica"}, {"text": "coreano", "type": "Material"}, {"text": "inglês", "type": "Material"}, {"text": "conhecimento de tradução", "type": "Outros Termos Científicos"}, {"text": "corpora bilingues", "type": "Material"}, {"text": "paráfrases", "type": "Outros Termos Científicos"}, {"text": "taxa de compressão", "type": "Métrica"}]], "relations": [[{"head": "corpora bilingues", "tail": "método para adquirir automaticamente paráfrases", "relation": "Usado-para"}, {"head": "relações de dependência bilingues", "tail": "método para adquirir automaticamente paráfrases", "relation": "Usado-para"}, {"head": "análise de dependência monolingue", "tail": "relações de dependência bilingues", "relation": "Usado-para"}, {"head": "técnicas estatísticas de alinhamento", "tail": "relações de dependência bilingues", "relation": "Usado-para"}], [{"head": "contexto bilingue da relação de dependência", "tail": "método de parágrafo", "relation": "Usado-para"}], [{"head": "método", "tail": "conhecimento de tradução generalizado", "relation": "Usado-para"}, {"head": "paráfrases", "tail": "método", "relation": "Usado-para"}], [{"head": "método", "tail": "conhecimento de tradução generalizado", "relation": "Usado-para"}, {"head": "conhecimento de tradução generalizado", "tail": "tradução coreano-inglês", "relation": "Usado-para"}], [{"head": "método de parágrafo", "tail": "paráfrases", "relation": "Usado-para"}, {"head": "precisão", "tail": "método de parágrafo", "relation": "Avaliado-para"}, {"head": "coreano", "tail": "inglês", "relation": "Conjunção"}, {"head": "corpora bilingues", "tail": "conhecimento de tradução", "relation": "Usado-para"}, {"head": "paráfrases", "tail": "conhecimento de tradução", "relation": "Usado-para"}, {"head": "taxa de compressão", "tail": "conhecimento de tradução", "relation": "Avaliado-para"}]], "clusters": [["método", "método"], ["método para adquirir automaticamente paráfrases", "método de parágrafo", "método de parágrafo"], ["corpora bilingues", "corpora paralelos de pares de línguas coreano e inglês", "corpora bilingues"], ["paráfrases", "paráfrases"]]}
{"doc_id": "P01-1047", "text": "Propomos uma definição lógica de gramáticas Minimalistas, que são a formalização de Stabler do programa minimalista de Chomsky. A nossa definição lógica conduz a uma relação elegante com a gramática categorial (-LRB- produzindo um tratamento da semântica de Montague -RRB-), a uma análise-como-dedução numa lógica sensível a recursos e a um algoritmo de aprendizagem a partir de dados estruturados (-LRB- baseado num algoritmo de tipagem e na unificação de tipos -RRB-). Aqui enfatizamos a ligação à semântica de Montague, que pode ser vista como um cálculo formal da forma lógica.", "ner": [[{"text": "definição lógica de gramáticas Minimalistas", "type": "Método"}, {"text": "formalização de Stabler do programa minimalista de Chomsky", "type": "Método"}], [{"text": "definição lógica", "type": "Método"}, {"text": "gramática categorial", "type": "Método"}, {"text": "semântica de Montague", "type": "Outros Termos Científicos"}, {"text": "análise-como-dedução", "type": "Método"}, {"text": "lógica sensível a recursos", "type": "Outros Termos Científicos"}, {"text": "algoritmo de aprendizagem", "type": "Método"}, {"text": "dados estruturados", "type": "Material"}, {"text": "algoritmo de tipagem", "type": "Método"}, {"text": "unificação de tipos", "type": "Método"}], [{"text": "semântica de Montague", "type": "Outros Termos Científicos"}, {"text": "cálculo formal da forma lógica", "type": "Outros Termos Científicos"}, {"text": "forma lógica", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "formalização de Stabler do programa minimalista de Chomsky", "tail": "definição lógica de gramáticas Minimalistas", "relation": "Hipónimo-de"}], [{"head": "definição lógica", "tail": "semântica de Montague", "relation": "Usado-para"}, {"head": "análise-como-dedução", "tail": "lógica sensível a recursos", "relation": "Usado-para"}, {"head": "dados estruturados", "tail": "algoritmo de aprendizagem", "relation": "Usado-para"}, {"head": "algoritmo de tipagem", "tail": "algoritmo de aprendizagem", "relation": "Usado-para"}, {"head": "algoritmo de tipagem", "tail": "unificação de tipos", "relation": "Conjunção"}, {"head": "unificação de tipos", "tail": "algoritmo de aprendizagem", "relation": "Usado-para"}], []], "clusters": [["definição lógica de gramáticas Minimalistas", "definição lógica"]]}
{"doc_id": "N06-2038", "text": "Existem várias abordagens que modelam a extração de informação como uma tarefa de classificação de tokens, usando várias estratégias de etiquetagem para combinar múltiplos tokens. Descrevemos as estratégias de etiquetagem que podem ser encontradas na literatura e avaliamos os seus desempenhos relativos. Introduzimos também uma nova estratégia, chamada etiquetagem Begin/After ou BIA, e mostramos que é competitiva em relação às melhores outras estratégias.", "ner": [[{"text": "abordagens", "type": "Genérico"}, {"text": "extração de informação", "type": "Tarefa"}, {"text": "tarefa de classificação de tokens", "type": "Tarefa"}, {"text": "estratégias de etiquetagem", "type": "Método"}], [{"text": "estratégias de etiquetagem", "type": "Método"}], [{"text": "estratégia", "type": "Genérico"}, {"text": "etiquetagem Begin/After", "type": "Método"}, {"text": "BIA", "type": "Método"}, {"text": "ela", "type": "Genérico"}, {"text": "estratégias", "type": "Genérico"}]], "relations": [[{"head": "abordagens", "tail": "extração de informação", "relation": "Usado-para"}, {"head": "extração de informação", "tail": "tarefa de classificação de tokens", "relation": "Hipónimo-de"}, {"head": "estratégias de etiquetagem", "tail": "tarefa de classificação de tokens", "relation": "Usado-para"}], [], [{"head": "ela", "tail": "estratégias", "relation": "Comparado-com"}]], "clusters": [["estratégia", "etiquetagem Begin/After", "BIA", "ela"], ["abordagens", "estratégias de etiquetagem", "estratégias de etiquetagem"]]}
{"doc_id": "M91-1029", "text": "O Sistema de Compreensão de Texto Baseado em Conhecimento Adaptativo da PRC -LRB- PAKTUS -RRB- tem estado em desenvolvimento como um projeto de Investigação e Desenvolvimento Independente na PRC desde 1984. O objetivo é um sistema genérico de ferramentas, incluindo um léxico nuclear de inglês, gramática e representações de conceitos, para a construção de sistemas de processamento de linguagem natural -LRB- NLP -RRB- para compreensão de texto. Os sistemas construídos com o PAKTUS destinam-se a gerar dados de entrada para sistemas baseados em conhecimento ou sistemas de base de dados. A entrada para o sistema de NLP é tipicamente derivada de um fluxo de mensagens eletrónicas existente, como um serviço de notícias. O PAKTUS suporta a adaptação do núcleo genérico a uma variedade de domínios: mensagens JINTACCS, mensagens RAINFORM, notícias sobre um tipo específico de evento, como transferências financeiras ou atos terroristas, etc., adquirindo sublinguagem e gramática específica de domínio, palavras, mapeamentos conceptuais e padrões de discurso. O objetivo a longo prazo é um sistema que possa suportar o processamento de discursos relativamente longos em domínios que sejam razoavelmente amplos, com uma elevada taxa de sucesso.", "ner": [[{"text": "Sistema de Compreensão de Texto Baseado em Conhecimento Adaptativo da PRC -LRB- PAKTUS -RRB-", "type": "Método"}], [{"text": "sistema", "type": "Genérico"}, {"text": "léxico nuclear de inglês", "type": "Outros Termos Científicos"}, {"text": "gramática", "type": "Método"}, {"text": "representações de conceitos", "type": "Método"}, {"text": "sistemas de processamento de linguagem natural -LRB- NLP -RRB-", "type": "Método"}, {"text": "compreensão de texto", "type": "Tarefa"}], [{"text": "PAKTUS", "type": "Método"}, {"text": "sistemas baseados em conhecimento", "type": "Tarefa"}], [{"text": "sistema de NLP", "type": "Método"}, {"text": "fluxo de mensagens eletrónicas", "type": "Material"}, {"text": "serviço de notícias", "type": "Material"}], [{"text": "PAKTUS", "type": "Método"}, {"text": "mensagens JINTACCS", "type": "Material"}, {"text": "mensagens RAINFORM", "type": "Material"}, {"text": "notícias", "type": "Outros Termos Científicos"}, {"text": "evento", "type": "Outros Termos Científicos"}, {"text": "transferências financeiras", "type": "Material"}, {"text": "atos terroristas", "type": "Material"}, {"text": "sublinguagem e gramática específica de domínio", "type": "Método"}, {"text": "palavras", "type": "Genérico"}, {"text": "mapeamentos conceptuais", "type": "Outros Termos Científicos"}, {"text": "padrões de discurso", "type": "Outros Termos Científicos"}], []], "relations": [[], [{"head": "sistema", "tail": "sistemas de processamento de linguagem natural -LRB- NLP -RRB-", "relation": "Usado-para"}, {"head": "léxico nuclear de inglês", "tail": "sistema", "relation": "Parte-de"}, {"head": "gramática", "tail": "sistema", "relation": "Parte-de"}, {"head": "representações de conceitos", "tail": "sistema", "relation": "Parte-de"}, {"head": "sistemas de processamento de linguagem natural -LRB- NLP -RRB-", "tail": "compreensão de texto", "relation": "Usado-para"}], [{"head": "PAKTUS", "tail": "sistemas baseados em conhecimento", "relation": "Usado-para"}], [{"head": "fluxo de mensagens eletrónicas", "tail": "sistema de NLP", "relation": "Usado-para"}, {"head": "serviço de notícias", "tail": "fluxo de mensagens eletrónicas", "relation": "Hipónimo-de"}], [{"head": "PAKTUS", "tail": "mensagens JINTACCS", "relation": "Usado-para"}, {"head": "PAKTUS", "tail": "mensagens RAINFORM", "relation": "Usado-para"}, {"head": "PAKTUS", "tail": "notícias", "relation": "Usado-para"}, {"head": "mensagens JINTACCS", "tail": "mensagens RAINFORM", "relation": "Conjunção"}, {"head": "mensagens RAINFORM", "tail": "notícias", "relation": "Conjunção"}, {"head": "evento", "tail": "notícias", "relation": "Característica-de"}, {"head": "transferências financeiras", "tail": "evento", "relation": "Hipónimo-de"}, {"head": "transferências financeiras", "tail": "atos terroristas", "relation": "Conjunção"}, {"head": "atos terroristas", "tail": "evento", "relation": "Hipónimo-de"}, {"head": "sublinguagem e gramática específica de domínio", "tail": "PAKTUS", "relation": "Usado-para"}, {"head": "sublinguagem e gramática específica de domínio", "tail": "palavras", "relation": "Conjunção"}, {"head": "palavras", "tail": "PAKTUS", "relation": "Usado-para"}, {"head": "palavras", "tail": "mapeamentos conceptuais", "relation": "Conjunção"}, {"head": "mapeamentos conceptuais", "tail": "PAKTUS", "relation": "Usado-para"}, {"head": "mapeamentos conceptuais", "tail": "padrões de discurso", "relation": "Conjunção"}, {"head": "padrões de discurso", "tail": "PAKTUS", "relation": "Usado-para"}], []], "clusters": [["Sistema de Compreensão de Texto Baseado em Conhecimento Adaptativo da PRC -LRB- PAKTUS -RRB-", "sistema", "PAKTUS", "PAKTUS"], ["sistemas de processamento de linguagem natural -LRB- NLP -RRB-", "sistema de NLP"]]}
{"doc_id": "H94-1064", "text": "Um dos principais eixos de investigação no LIMSI é dirigido à dictação de fala multilingue, independente do locutor, e com grande vocabulário. Neste artigo é descrito o reconhecedor do LIMSI que foi avaliado no teste ARPA NOV93 CSR, e são apresentados resultados experimentais sobre os corpora WSJ e BREF em condições rigorosamente comparáveis. Para ambos os corpora foram realizados experiências de reconhecimento de palavras com vocabulários contendo até 20 mil palavras. O reconhecedor utiliza HMM de densidade contínua com mistura gaussiana para modelização acústica e estatísticas de n-gramas estimadas em textos de jornais para modelização da linguagem. O reconhecedor usa uma estratégia de pesquisa em grafo síncrona no tempo que se mostra ainda viável com um vocabulário de 20 mil palavras quando utilizada com modelos de linguagem bigrama com retrocesso. Uma segunda passagem direta, que utiliza um grafo de palavras gerado com o bigrama, incorpora um modelo de linguagem trigramático. A modelização acústica utiliza características baseadas no cepstrum, modelos de fone dependentes do contexto (intra e inter-palavra), modelos de duração de fones e modelos dependentes do sexo.", "ner": [[{"text": "dictação de fala multilingue, independente do locutor, e com grande vocabulário", "type": "Tarefa"}], [{"text": "reconhecedor do LIMSI", "type": "Método"}, {"text": "teste ARPA NOV93 CSR", "type": "Material"}, {"text": "corpora WSJ e BREF", "type": "Material"}], [{"text": "corpora", "type": "Genérico"}, {"text": "reconhecimento de palavras", "type": "Tarefa"}], [{"text": "reconhecedor", "type": "Genérico"}, {"text": "HMM de densidade contínua", "type": "Método"}, {"text": "mistura gaussiana", "type": "Método"}, {"text": "modelização acústica", "type": "Tarefa"}, {"text": "estatísticas de n-gramas", "type": "Método"}, {"text": "textos de jornais", "type": "Material"}, {"text": "modelização da linguagem", "type": "Tarefa"}], [{"text": "reconhecedor", "type": "Genérico"}, {"text": "estratégia de pesquisa em grafo síncrona no tempo", "type": "Método"}, {"text": "modelos de linguagem bigrama com retrocesso", "type": "Método"}], [{"text": "grafo de palavras", "type": "Outros Termos Científicos"}, {"text": "bigrama", "type": "Método"}, {"text": "modelo de linguagem trigramático", "type": "Método"}], [{"text": "modelização acústica", "type": "Tarefa"}, {"text": "características baseadas no cepstrum", "type": "Outros Termos Científicos"}, {"text": "modelos de fone dependentes do contexto (intra e inter-palavra)", "type": "Método"}, {"text": "modelos de duração de fones", "type": "Método"}, {"text": "modelos dependentes do sexo", "type": "Método"}]], "relations": [[], [{"head": "teste ARPA NOV93 CSR", "tail": "reconhecedor do LIMSI", "relation": "Avaliado-para"}, {"head": "corpora WSJ e BREF", "tail": "reconhecedor do LIMSI", "relation": "Avaliado-para"}], [{"head": "corpora", "tail": "reconhecimento de palavras", "relation": "Avaliado-para"}], [{"head": "HMM de densidade contínua", "tail": "reconhecedor", "relation": "Usado-para"}, {"head": "HMM de densidade contínua", "tail": "mistura gaussiana", "relation": "Conjunção"}, {"head": "HMM de densidade contínua", "tail": "modelização acústica", "relation": "Usado-para"}, {"head": "HMM de densidade contínua", "tail": "estatísticas de n-gramas", "relation": "Conjunção"}, {"head": "mistura gaussiana", "tail": "modelização acústica", "relation": "Usado-para"}, {"head": "estatísticas de n-gramas", "tail": "reconhecedor", "relation": "Usado-para"}, {"head": "estatísticas de n-gramas", "tail": "modelização da linguagem", "relation": "Usado-para"}, {"head": "textos de jornais", "tail": "estatísticas de n-gramas", "relation": "Avaliado-para"}], [{"head": "estratégia de pesquisa em grafo síncrona no tempo", "tail": "reconhecedor", "relation": "Usado-para"}, {"head": "modelos de linguagem bigrama com retrocesso", "tail": "reconhecedor", "relation": "Usado-para"}, {"head": "modelos de linguagem bigrama com retrocesso", "tail": "estratégia de pesquisa em grafo síncrona no tempo", "relation": "Conjunção"}], [{"head": "bigrama", "tail": "grafo de palavras", "relation": "Usado-para"}, {"head": "modelo de linguagem trigramático", "tail": "grafo de palavras", "relation": "Conjunção"}], [{"head": "características baseadas no cepstrum", "tail": "modelização acústica", "relation": "Usado-para"}, {"head": "características baseadas no cepstrum", "tail": "modelos de fone dependentes do contexto (intra e inter-palavra)", "relation": "Conjunção"}, {"head": "modelos de fone dependentes do contexto (intra e inter-palavra)", "tail": "modelização acústica", "relation": "Usado-para"}, {"head": "modelos de fone dependentes do contexto (intra e inter-palavra)", "tail": "modelos de duração de fones", "relation": "Conjunção"}, {"head": "modelos de duração de fones", "tail": "modelização acústica", "relation": "Usado-para"}, {"head": "modelos de duração de fones", "tail": "modelos dependentes do sexo", "relation": "Conjunção"}, {"head": "modelos dependentes do sexo", "tail": "modelização acústica", "relation": "Usado-para"}]], "clusters": [["reconhecedor do LIMSI", "reconhecedor", "reconhecedor"], ["modelização acústica", "modelização acústica"]]}
{"doc_id": "CVPR_2011_303_abs", "text": "O padrão de coocorrência, uma combinação de características binárias ou locais, é mais discriminativo do que características individuais e tem demonstrado as suas vantagens no reconhecimento de objetos, cenas e ações. Discutimos dois tipos de padrões de coocorrência que são complementares entre si, a conjunção -LRB- AND -RRB- e disjunção -LRB- OR -RRB- de características binárias. A condição necessária para identificar padrões de coocorrência discriminativos é inicialmente apresentada. Em seguida, propomos um novo método de mineração de dados para descobrir de forma eficiente o padrão de coocorrência ótimo com erro empírico mínimo, apesar do conjunto de dados de treino ruidoso. Este procedimento de mineração de padrões AND e OR é facilmente integrado ao boosting, o que melhora a capacidade de generalização em relação às árvores de decisão com boosting e aos tocos de decisão com boosting. As nossas diversas experiências em categorização de objetos, cenas e ações validam as vantagens dos padrões de coocorrência discriminativos descobertos.", "ner": [[{"text": "padrão de coocorrência", "type": "Outros Termos Científicos"}, {"text": "características binárias ou locais", "type": "Outros Termos Científicos"}, {"text": "reconhecimento de objetos, cenas e ações", "type": "Tarefa"}], [{"text": "padrões de coocorrência", "type": "Outros Termos Científicos"}, {"text": "conjunção -LRB- AND -RRB- e disjunção -LRB- OR -RRB- de características binárias", "type": "Outros Termos Científicos"}], [{"text": "identificar padrões de coocorrência discriminativos", "type": "Tarefa"}, {"text": "padrões de coocorrência discriminativos", "type": "Outros Termos Científicos"}], [{"text": "método de mineração de dados", "type": "Método"}, {"text": "padrão de coocorrência ótimo", "type": "Outros Termos Científicos"}, {"text": "erro empírico mínimo", "type": "Outros Termos Científicos"}, {"text": "conjunto de dados de treino ruidoso", "type": "Material"}], [{"text": "procedimento de mineração", "type": "Genérico"}, {"text": "padrões AND e OR", "type": "Outros Termos Científicos"}, {"text": "boosting", "type": "Método"}, {"text": "capacidade de generalização", "type": "Métrica"}, {"text": "árvores de decisão com boosting", "type": "Método"}, {"text": "tocos de decisão com boosting", "type": "Método"}], [{"text": "categorização de objetos, cenas e ações", "type": "Tarefa"}, {"text": "padrões de coocorrência discriminativos", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "padrão de coocorrência", "tail": "reconhecimento de objetos, cenas e ações", "relation": "Usado-para"}, {"head": "características binárias ou locais", "tail": "padrão de coocorrência", "relation": "Parte-de"}], [], [], [{"head": "método de mineração de dados", "tail": "padrão de coocorrência ótimo", "relation": "Usado-para"}, {"head": "erro empírico mínimo", "tail": "padrão de coocorrência ótimo", "relation": "Característica-de"}, {"head": "conjunto de dados de treino ruidoso", "tail": "método de mineração de dados", "relation": "Usado-para"}], [{"head": "procedimento de mineração", "tail": "padrões AND e OR", "relation": "Usado-para"}, {"head": "padrões AND e OR", "tail": "boosting", "relation": "Parte-de"}, {"head": "boosting", "tail": "árvores de decisão com boosting", "relation": "Comparado-com"}, {"head": "boosting", "tail": "tocos de decisão com boosting", "relation": "Comparado-com"}, {"head": "capacidade de generalização", "tail": "boosting", "relation": "Avaliado-para"}, {"head": "capacidade de generalização", "tail": "árvores de decisão com boosting", "relation": "Avaliado-para"}, {"head": "capacidade de generalização", "tail": "tocos de decisão com boosting", "relation": "Avaliado-para"}, {"head": "árvores de decisão com boosting", "tail": "tocos de decisão com boosting", "relation": "Conjunção"}], [{"head": "categorização de objetos, cenas e ações", "tail": "padrões de coocorrência discriminativos", "relation": "Avaliado-para"}]], "clusters": [["método de mineração de dados", "procedimento de mineração"], ["padrões de coocorrência discriminativos", "padrões de coocorrência discriminativos"], ["padrão de coocorrência", "padrões de coocorrência", "conjunção -LRB- AND -RRB- e disjunção -LRB- OR -RRB- de características binárias", "padrões AND e OR"], ["reconhecimento de objetos, cenas e ações", "categorização de objetos, cenas e ações"]]}
{"doc_id": "C04-1058", "text": "A experiência empírica e as observações mostraram-nos que, quando classificadores poderosos e altamente ajustáveis, como classificadores de entropia máxima, boosting e SVMs, são aplicados a tarefas de processamento de linguagem, é possível obter elevadas exatidões, mas, eventualmente, o seu desempenho tende todos a estabilizar aproximadamente no mesmo ponto. Para melhorar ainda mais o desempenho, foram desenvolvidos vários mecanismos de correção de erros, mas, na prática, a maioria deles não pode ser considerada fiável para melhorar previsivelmente o desempenho em dados não vistos; na verdade, dependendo do conjunto de teste, é tão provável que degradem a exatidão como que a melhorem. Este problema é especialmente grave se o classificador de base já tiver sido finamente ajustado. Em trabalho recente, introduzimos a N-fold Templated Piped Correction, ou NTPC -LRB- 'nitpick' -RRB-, um intrigante corretor de erros concebido para funcionar nestas condições extremas de operação. Apesar da sua simplicidade, melhora de forma consistente e robusta a exatidão de modelos de base já altamente exatos. Este artigo investiga algumas das afirmações mais surpreendentes feitas pela NTPC e apresenta experiências que suportam um argumento da Navalha de Occam de que modelos mais complexos são prejudiciais ou desnecessários na prática.", "ner": [[{"text": "classificadores", "type": "Método"}, {"text": "classificadores de entropia máxima", "type": "Método"}, {"text": "boosting", "type": "Método"}, {"text": "SVMs", "type": "Método"}, {"text": "tarefas de processamento de linguagem", "type": "Tarefa"}], [{"text": "mecanismos de correção de erros", "type": "Método"}], [{"text": "classificador de base", "type": "Genérico"}], [{"text": "N-fold Templated Piped Correction, ou NTPC -LRB- 'nitpick' -RRB-", "type": "Método"}, {"text": "corretor de erros", "type": "Método"}], [{"text": "it", "type": "Genérico"}, {"text": "modelos de base", "type": "Genérico"}], [{"text": "NTPC", "type": "Método"}, {"text": "argumento da Navalha de Occam", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "classificadores", "tail": "tarefas de processamento de linguagem", "relation": "Usado-para"}, {"head": "classificadores de entropia máxima", "tail": "classificadores", "relation": "Hipónimo-de"}, {"head": "classificadores de entropia máxima", "tail": "boosting", "relation": "Conjunção"}, {"head": "boosting", "tail": "classificadores", "relation": "Hipónimo-de"}, {"head": "boosting", "tail": "SVMs", "relation": "Conjunção"}, {"head": "SVMs", "tail": "classificadores", "relation": "Hipónimo-de"}], [], [], [{"head": "N-fold Templated Piped Correction, ou NTPC -LRB- 'nitpick' -RRB-", "tail": "corretor de erros", "relation": "Hipónimo-de"}], [{"head": "it", "tail": "modelos de base", "relation": "Comparado-com"}], []], "clusters": [["N-fold Templated Piped Correction, ou NTPC -LRB- 'nitpick' -RRB-", "it", "NTPC"], ["mecanismos de correção de erros", "corretor de erros"], ["classificador de base", "modelos de base"]]}
{"doc_id": "P81-1033", "text": "Um analisador flexível pode lidar com entrada que se desvia da sua gramática, para além da entrada que está em conformidade com ela. Idealmente, tal analisador corrigirá a entrada desviada: por vezes, não conseguirá corrigi-la de todo; noutras ocasiões, a correção será possível, mas apenas dentro de um conjunto de possibilidades ambíguas. Este artigo ocupa-se de tais situações ambíguas e de tornar o mais fácil possível que a ambiguidade seja resolvida através de consulta com o utilizador do analisador – presumimos uma utilização interativa. Mostramos a importância de pedir ao utilizador esclarecimentos da forma mais focada possível. Uma interação focada deste tipo é facilitada por uma abordagem específica por construção à análise flexível, com técnicas de análise especializadas para cada tipo de construção e representações de ambiguidade especializadas para cada tipo de ambiguidade a que uma determinada construção pode dar origem. Uma abordagem específica por construção também ajuda no desenvolvimento de linguagem específico da tarefa, permitindo que uma definição de linguagem que seja natural em termos do domínio da tarefa seja interpretada diretamente sem compilação para um formalismo de gramática uniforme, acelerando assim grandemente o teste de alterações à definição da linguagem.", "ner": [[{"text": "analisador flexível", "type": "Método"}, {"text": "ele", "type": "Genérico"}], [{"text": "analisador", "type": "Método"}], [{"text": "ambiguidade", "type": "Outros Termos Científicos"}, {"text": "analisador", "type": "Método"}], [], [{"text": "abordagem específica por construção", "type": "Método"}, {"text": "análise flexível", "type": "Tarefa"}, {"text": "técnicas de análise especializadas", "type": "Método"}, {"text": "construção", "type": "Tarefa"}, {"text": "representações de ambiguidade", "type": "Método"}, {"text": "ambiguidade", "type": "Outros Termos Científicos"}, {"text": "construção", "type": "Tarefa"}], [{"text": "abordagem específica por construção", "type": "Método"}, {"text": "desenvolvimento de linguagem específico da tarefa", "type": "Tarefa"}, {"text": "formalismo de gramática uniforme", "type": "Método"}]], "relations": [[], [], [], [], [{"head": "abordagem específica por construção", "tail": "análise flexível", "relation": "Usado-para"}, {"head": "abordagem específica por construção", "tail": "técnicas de análise especializadas", "relation": "Conjunção"}, {"head": "técnicas de análise especializadas", "tail": "construção", "relation": "Usado-para"}, {"head": "técnicas de análise especializadas", "tail": "representações de ambiguidade", "relation": "Conjunção"}, {"head": "representações de ambiguidade", "tail": "ambiguidade", "relation": "Usado-para"}], [{"head": "abordagem específica por construção", "tail": "desenvolvimento de linguagem específico da tarefa", "relation": "Usado-para"}]], "clusters": [["analisador flexível", "ele", "analisador", "analisador"]]}
{"doc_id": "E89-1006", "text": "É apresentada uma proposta para lidar com os tempos verbais franceses no quadro da Teoria da Representação do Discurso , tal como foi implementada para um fragmento no IMS . Baseia-se na teoria dos tempos verbais de H. Kamp e Ch . Rohrer . Em vez de utilizar operadores para exprimir o significado dos tempos verbais , adota-se e aprofunda-se o ponto de vista reichenbachiano de tal modo que o impacto dos tempos verbais relativamente ao significado do texto é entendido como um contributo para a integração dos eventos de uma frase na estrutura de eventos do texto precedente . Deste modo , utiliza-se um sistema de tempos relevantes fornecido pelo texto precedente e pelos advérbios temporais da frase que está a ser processada . Este sistema consiste em um ou mais tempos de referência e tempos de perspetiva temporal , o tempo de fala e o tempo de localização . O interesse especial da nossa proposta é estabelecer uma escolha plausível de âncoras para o novo evento a partir do sistema de tempos relevantes e atualizar corretamente este sistema de coordenadas temporais . O problema da escolha é amplamente negligenciado na literatura . Em oposição à abordagem de Kamp e Rohrer , o significado exato dos tempos verbais é fixado pelo componente de resolução e não no processo de análise sintática .", "ner": [[{"text": "proposta", "type": "Genérico"}, {"text": "tempos verbais franceses", "type": "Outros Termos Científicos"}, {"text": "Teoria da Representação do Discurso", "type": "Método"}, {"text": "esta", "type": "Genérico"}, {"text": "IMS", "type": "Tarefa"}], [{"text": "Esta", "type": "Genérico"}, {"text": "teoria dos tempos verbais", "type": "Outros Termos Científicos"}], [], [{"text": "operadores", "type": "Genérico"}, {"text": "significado dos tempos verbais", "type": "Outros Termos Científicos"}, {"text": "estrutura de eventos", "type": "Outros Termos Científicos"}], [{"text": "sistema de tempos relevantes", "type": "Método"}, {"text": "texto precedente", "type": "Outros Termos Científicos"}, {"text": "advérbios temporais", "type": "Outros Termos Científicos"}], [{"text": "sistema", "type": "Genérico"}, {"text": "tempos de referência", "type": "Outros Termos Científicos"}, {"text": "tempos de perspetiva temporal", "type": "Outros Termos Científicos"}, {"text": "tempo de fala", "type": "Outros Termos Científicos"}, {"text": "tempo de localização", "type": "Outros Termos Científicos"}], [{"text": "sistema de tempos relevantes", "type": "Método"}, {"text": "sistema de coordenadas temporais", "type": "Método"}], [], [{"text": "significado dos tempos verbais", "type": "Outros Termos Científicos"}, {"text": "componente de resolução", "type": "Método"}, {"text": "análise sintática", "type": "Método"}]], "relations": [[{"head": "Teoria da Representação do Discurso", "tail": "tempos verbais franceses", "relation": "Usado-para"}, {"head": "esta", "tail": "IMS", "relation": "Usado-para"}], [{"head": "teoria dos tempos verbais", "tail": "Esta", "relation": "Usado-para"}], [], [{"head": "operadores", "tail": "significado dos tempos verbais", "relation": "Usado-para"}], [{"head": "texto precedente", "tail": "sistema de tempos relevantes", "relation": "Usado-para"}, {"head": "texto precedente", "tail": "advérbios temporais", "relation": "Conjunção"}, {"head": "advérbios temporais", "tail": "sistema de tempos relevantes", "relation": "Usado-para"}], [{"head": "tempos de referência", "tail": "sistema", "relation": "Parte-de"}, {"head": "tempos de referência", "tail": "tempos de perspetiva temporal", "relation": "Conjunção"}, {"head": "tempos de perspetiva temporal", "tail": "sistema", "relation": "Parte-de"}, {"head": "tempos de perspetiva temporal", "tail": "tempo de fala", "relation": "Conjunção"}, {"head": "tempo de fala", "tail": "sistema", "relation": "Parte-de"}, {"head": "tempo de fala", "tail": "tempo de localização", "relation": "Conjunção"}, {"head": "tempo de localização", "tail": "sistema", "relation": "Parte-de"}], [], [], [{"head": "componente de resolução", "tail": "significado dos tempos verbais", "relation": "Usado-para"}, {"head": "componente de resolução", "tail": "análise sintática", "relation": "Comparado-com"}]], "clusters": [["proposta", "esta", "Esta"], ["sistema de tempos relevantes", "sistema", "sistema de tempos relevantes", "sistema de coordenadas temporais"]]}
{"doc_id": "C04-1068", "text": "O trabalho apresentado neste artigo é o primeiro passo de um projeto que visa agrupar e resumir discussões eletrónicas no contexto de aplicações de help-desk. O objetivo final deste projeto é utilizar estes resumos para auxiliar utilizadores e operadores de help-desk. Neste artigo, identificamos características das discussões eletrónicas que influenciam o processo de agrupamento e propomos um mecanismo de filtragem que remove influências indesejáveis. Testámos os processos de agrupamento e filtragem em discussões eletrónicas de grupos de notícias e avaliámos o seu desempenho por meio de duas experiências: agrupamento de nível grosseiro e recuperação simples de informação.", "ner": [[{"text": "discussões eletrónicas", "type": "Tarefa"}, {"text": "aplicações de help-desk", "type": "Tarefa"}], [], [{"text": "características", "type": "Outros Termos Científicos"}, {"text": "discussões eletrónicas", "type": "Tarefa"}, {"text": "processo de agrupamento", "type": "Método"}, {"text": "mecanismo de filtragem", "type": "Método"}], [{"text": "processos de agrupamento e filtragem", "type": "Método"}, {"text": "discussões eletrónicas de grupos de notícias", "type": "Material"}, {"text": "experiências", "type": "Genérico"}, {"text": "agrupamento de nível grosseiro", "type": "Tarefa"}, {"text": "recuperação simples de informação", "type": "Tarefa"}]], "relations": [[{"head": "discussões eletrónicas", "tail": "aplicações de help-desk", "relation": "Parte-de"}], [], [{"head": "características", "tail": "discussões eletrónicas", "relation": "Característica-de"}], [{"head": "discussões eletrónicas de grupos de notícias", "tail": "processos de agrupamento e filtragem", "relation": "Avaliado-para"}, {"head": "experiências", "tail": "processos de agrupamento e filtragem", "relation": "Avaliado-para"}, {"head": "experiências", "tail": "processos de agrupamento e filtragem", "relation": "Avaliado-para"}, {"head": "agrupamento de nível grosseiro", "tail": "experiências", "relation": "Hipónimo-de"}, {"head": "recuperação simples de informação", "tail": "experiências", "relation": "Hipónimo-de"}]], "clusters": [["discussões eletrónicas", "discussões eletrónicas"]]}
{"doc_id": "C04-1192", "text": "O artigo apresenta um método para a desambiguação do sentido de palavras baseado em corpora paralelos. O método explora avanços recentes na alinhamento de palavras e na agrupamento de palavras, baseado na extração automática de equivalentes de tradução e apoiado por wordnets alinhadas disponíveis para as línguas no corpus. As wordnets estão alinhadas ao Princeton Wordnet, de acordo com os princípios estabelecidos pelo EuroWordNet. A avaliação do sistema de desambiguação do sentido de palavras (WSD), que implementa o método aqui descrito, mostrou resultados muito encorajadores. O mesmo sistema, usado em modo de validação, pode ser usado para verificar e detetar erros de alinhamento em wordnets multilinguisticamente alinhadas, como o BalkaNet e o EuroWordNet.", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "desambiguação do sentido de palavras", "type": "Tarefa"}, {"text": "corpora paralelos", "type": "Material"}], [{"text": "método", "type": "Genérico"}, {"text": "alinhamento de palavras", "type": "Tarefa"}, {"text": "agrupamento de palavras", "type": "Tarefa"}, {"text": "extração automática de equivalentes de tradução", "type": "Tarefa"}, {"text": "wordnets alinhadas", "type": "Material"}], [{"text": "wordnets", "type": "Material"}, {"text": "Princeton Wordnet", "type": "Material"}, {"text": "EuroWordNet", "type": "Material"}], [{"text": "sistema de desambiguação do sentido de palavras (WSD)", "type": "Método"}, {"text": "método", "type": "Genérico"}], [{"text": "sistema", "type": "Genérico"}, {"text": "erros de alinhamento em wordnets multilinguisticamente alinhadas", "type": "Outros Termos Científicos"}, {"text": "wordnets multilinguisticamente alinhadas", "type": "Material"}, {"text": "BalkaNet", "type": "Material"}, {"text": "EuroWordNet", "type": "Material"}]], "relations": [[{"head": "método", "tail": "desambiguação do sentido de palavras", "relation": "Usado-para"}, {"head": "corpora paralelos", "tail": "método", "relation": "Usado-para"}], [{"head": "método", "tail": "alinhamento de palavras", "relation": "Usado-para"}, {"head": "método", "tail": "agrupamento de palavras", "relation": "Usado-para"}, {"head": "alinhamento de palavras", "tail": "agrupamento de palavras", "relation": "Conjunção"}, {"head": "extração automática de equivalentes de tradução", "tail": "método", "relation": "Usado-para"}, {"head": "wordnets alinhadas", "tail": "método", "relation": "Usado-para"}], [], [], [{"head": "sistema", "tail": "erros de alinhamento em wordnets multilinguisticamente alinhadas", "relation": "Usado-para"}, {"head": "BalkaNet", "tail": "wordnets multilinguisticamente alinhadas", "relation": "Hipónimo-de"}, {"head": "BalkaNet", "tail": "EuroWordNet", "relation": "Conjunção"}, {"head": "EuroWordNet", "tail": "wordnets multilinguisticamente alinhadas", "relation": "Hipónimo-de"}]], "clusters": [["wordnets alinhadas", "wordnets"], ["método", "método", "método"], ["desambiguação do sentido de palavras", "sistema de desambiguação do sentido de palavras (WSD)", "sistema"]]}
{"doc_id": "CVPR_2003_21_abs", "text": "Este artigo investiga configurações críticas para a reconstrução projetiva a partir de múltiplas imagens captadas por uma câmara que se desloca em linha recta. Reconstrução projetiva refere-se à determinação da configuração geométrica 3D de um conjunto de pontos 3D e câmaras, dado apenas por correspondências entre pontos nas imagens. Uma configuração de pontos e câmaras é crítica se não puder ser determinada de forma única (até uma transformação projetiva) a partir das coordenadas de imagem dos pontos. Mostra-se que uma configuração constituída por qualquer número de câmaras situadas numa linha recta, e qualquer número de pontos situados numa cúbica torcida constitui uma configuração crítica. Existe uma configuração alternativa constituída por um conjunto de pontos e câmaras todos situados numa curva quártica racional.", "ner": [[{"text": "reconstrução projetiva", "type": "Tarefa"}, {"text": "imagens", "type": "Material"}], [{"text": "Reconstrução projetiva", "type": "Tarefa"}, {"text": "configuração geométrica 3D", "type": "Outros Termos Científicos"}, {"text": "pontos 3D e câmaras", "type": "Outros Termos Científicos"}], [{"text": "coordenadas de imagem", "type": "Outros Termos Científicos"}], [], [{"text": "curva quártica racional", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "imagens", "tail": "reconstrução projetiva", "relation": "Usado-para"}], [{"head": "configuração geométrica 3D", "tail": "pontos 3D e câmaras", "relation": "Característica-de"}], [], [], []], "clusters": [["reconstrução projetiva", "Reconstrução projetiva"]]}
{"doc_id": "C96-2213", "text": "A adaptação de um sistema de Processamento de Linguagem Natural -LRB- PLN -RRB- a um novo domínio continua a ser um dos estrangulamentos na análise sintáctica, devido à quantidade de esforço necessária para colmatar lacunas no léxico e para ajustar a gramática existente às idiossincrasias da nova sublinguagem. Este artigo mostra como o processo de adaptação de uma gramática lexicalizada a um domínio pode ser amplamente automatizado através da utilização de um sistema híbrido que combina técnicas tradicionais baseadas em conhecimento com uma abordagem baseada em corpus.", "ner": [[{"text": "sistema de Processamento de Linguagem Natural -LRB- PLN -RRB-", "type": "Tarefa"}, {"text": "novo domínio", "type": "Material"}, {"text": "análise sintáctica", "type": "Tarefa"}, {"text": "gramática", "type": "Método"}, {"text": "idiossincrasias da nova sublinguagem", "type": "Outros Termos Científicos"}], [{"text": "gramática lexicalizada", "type": "Método"}, {"text": "sistema híbrido", "type": "Método"}, {"text": "técnicas tradicionais baseadas em conhecimento", "type": "Método"}, {"text": "abordagem baseada em corpus", "type": "Método"}]], "relations": [[{"head": "sistema de Processamento de Linguagem Natural -LRB- PLN -RRB-", "tail": "novo domínio", "relation": "Usado-para"}, {"head": "gramática", "tail": "idiossincrasias da nova sublinguagem", "relation": "Usado-para"}], [{"head": "técnicas tradicionais baseadas em conhecimento", "tail": "sistema híbrido", "relation": "Parte-de"}, {"head": "técnicas tradicionais baseadas em conhecimento", "tail": "abordagem baseada em corpus", "relation": "Conjunção"}, {"head": "abordagem baseada em corpus", "tail": "sistema híbrido", "relation": "Parte-de"}]], "clusters": []}
{"doc_id": "C88-2132", "text": "A análise por diagramas é direcional no sentido em que funciona a partir do ponto de partida -LRB- geralmente o início da frase -RRB-, estendendo a sua atividade geralmente para a direita. Iremos introduzir o conceito de um diagrama que funciona para fora a partir de ilhas e dá sentido a tanta parte da frase quanto for efetivamente possível e, depois disso, levará a previsões de fragmentos em falta. Assim, para qualquer lugar onde ocorram na frase os fragmentos facilmente identificáveis, o processo estender-se-á tanto para a esquerda como para a direita das ilhas, até que sejam eventualmente alcançados fragmentos completamente em falta. Nesse ponto, em virtude do facto de terem sido encontrados tanto um contexto à esquerda como à direita, podem ser introduzidas heurísticas que preveem a natureza dos fragmentos em falta.", "ner": [[], [], [], []], "relations": [[], [], [], []], "clusters": []}
{"doc_id": "E91-1050", "text": "A unificação é frequentemente o método apropriado para exprimir relações entre representações sob a forma de estruturas de traços; no entanto, há circunstâncias em que uma abordagem diferente é desejável. Apresenta-se um formalismo declarativo que permite mapeamentos directos de uma estrutura de traços para outra, e são dados exemplos ilustrativos da sua aplicação a áreas de interesse actual.", "ner": [[{"text": "unificação", "type": "Método"}, {"text": "método", "type": "Genérico"}, {"text": "relações entre representações", "type": "Tarefa"}, {"text": "estruturas de traços", "type": "Outros Termos Científicos"}, {"text": "abordagem", "type": "Genérico"}], [{"text": "formalismo declarativo", "type": "Método"}, {"text": "mapeamentos directos de uma estrutura de traços para outra", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "método", "tail": "relações entre representações", "relation": "Usado-para"}, {"head": "estruturas de traços", "tail": "relações entre representações", "relation": "Usado-para"}, {"head": "abordagem", "tail": "método", "relation": "Comparado-com"}], [{"head": "mapeamentos directos de uma estrutura de traços para outra", "tail": "formalismo declarativo", "relation": "Característica-de"}]], "clusters": [["abordagem", "formalismo declarativo"], ["unificação", "método"]]}
{"doc_id": "H01-1017", "text": "Para apoiar o envolvimento de utilizadores humanos em interações de diálogo de fala de iniciativa mista robustas, que vão para além das capacidades atuais dos sistemas de diálogo, o programa DARPA Communicator -LSB- 1 -RSB- está a financiar o desenvolvimento de uma infraestrutura distribuída de passagem de mensagens para sistemas de diálogo que todos os participantes do Communicator estão a utilizar. Nesta apresentação, descrevemos as funcionalidades e os requisitos de uma infraestrutura de software genuinamente útil para este fim.", "ner": [[{"text": "interações de diálogo de fala de iniciativa mista", "type": "Método"}, {"text": "sistemas de diálogo", "type": "Método"}, {"text": "infraestrutura distribuída de passagem de mensagens", "type": "Método"}, {"text": "sistemas de diálogo", "type": "Método"}], []], "relations": [[{"head": "infraestrutura distribuída de passagem de mensagens", "tail": "sistemas de diálogo", "relation": "Usado-para"}], []], "clusters": [["sistemas de diálogo", "sistemas de diálogo"]]}
{"doc_id": "ICML_2016_21_abs", "text": "Propomos uma nova atualização BFGS em bloco estocástico de memória limitada para incorporar informação de curvatura enriquecida em métodos de aproximação estocástica. No nosso método, a estimativa da matriz Hessiana inversa que é por ele mantida é atualizada a cada iteração usando um esboço da Hessiana, isto é, uma forma comprimida gerada aleatoriamente da Hessiana. Propomos diversas estratégias de esboço, apresentamos um novo método quasi-Newton que utiliza atualizações BFGS em bloco estocástico combinadas com a abordagem de redução de variância SVRG para calcular gradientes estocásticos em lote e provamos a convergência linear do método resultante. Testes numéricos em problemas de regressão logística de grande escala revelam que o nosso método é mais robusto e supera substancialmente os métodos de última geração atuais.", "ner": [[{"text": "atualização BFGS em bloco estocástico de memória limitada", "type": "Método"}, {"text": "incorporar informação de curvatura enriquecida em métodos de aproximação estocástica", "type": "Tarefa"}], [{"text": "método", "type": "Genérico"}, {"text": "matriz Hessiana inversa", "type": "Outros Termos Científicos"}, {"text": "ele", "type": "Genérico"}, {"text": "Hessiana", "type": "Outros Termos Científicos"}, {"text": "forma comprimida gerada aleatoriamente da Hessiana", "type": "Outros Termos Científicos"}], [{"text": "estratégias de esboço", "type": "Método"}, {"text": "método quasi-Newton", "type": "Método"}, {"text": "atualizações BFGS em bloco estocástico", "type": "Método"}, {"text": "abordagem de redução de variância SVRG", "type": "Método"}, {"text": "gradientes estocásticos em lote", "type": "Outros Termos Científicos"}, {"text": "convergência linear", "type": "Outros Termos Científicos"}, {"text": "método", "type": "Genérico"}], [{"text": "problemas de regressão logística de grande escala", "type": "Tarefa"}, {"text": "método", "type": "Genérico"}, {"text": "métodos de última geração", "type": "Genérico"}]], "relations": [[{"head": "atualização BFGS em bloco estocástico de memória limitada", "tail": "incorporar informação de curvatura enriquecida em métodos de aproximação estocástica", "relation": "Usado-para"}], [{"head": "ele", "tail": "matriz Hessiana inversa", "relation": "Usado-para"}, {"head": "Hessiana", "tail": "ele", "relation": "Usado-para"}, {"head": "forma comprimida gerada aleatoriamente da Hessiana", "tail": "Hessiana", "relation": "Hipónimo-de"}], [{"head": "método quasi-Newton", "tail": "gradientes estocásticos em lote", "relation": "Usado-para"}, {"head": "atualizações BFGS em bloco estocástico", "tail": "método quasi-Newton", "relation": "Usado-para"}, {"head": "atualizações BFGS em bloco estocástico", "tail": "abordagem de redução de variância SVRG", "relation": "Conjunção"}, {"head": "abordagem de redução de variância SVRG", "tail": "método quasi-Newton", "relation": "Usado-para"}, {"head": "convergência linear", "tail": "método", "relation": "Característica-de"}], [{"head": "problemas de regressão logística de grande escala", "tail": "método", "relation": "Avaliado-para"}, {"head": "problemas de regressão logística de grande escala", "tail": "métodos de última geração", "relation": "Avaliado-para"}, {"head": "método", "tail": "métodos de última geração", "relation": "Comparado-com"}]], "clusters": [["método quasi-Newton", "método"], ["atualização BFGS em bloco estocástico de memória limitada", "método", "ele", "método"]]}
{"doc_id": "H89-2066", "text": "O objetivo desta investigação é desenvolver um sistema de linguagem falada que demonstre a utilidade da entrada de voz para a resolução interativa de problemas. O sistema aceitará fala contínua e lidará com múltiplos oradores sem registo explícito do orador. Combinando reconhecimento de fala e processamento de linguagem natural para alcançar compreensão da fala, o sistema será demonstrado num domínio de aplicação relevante para o DoD. O objetivo deste projeto é desenvolver um sistema de reconhecimento de fala robusto e de alto desempenho usando uma abordagem baseada em segmentos para o reconhecimento fonético. O sistema de reconhecimento será eventualmente integrado com processamento de linguagem natural para alcançar compreensão de linguagem falada.", "ner": [[{"text": "sistema de linguagem falada", "type": "Método"}, {"text": "entrada de voz", "type": "Material"}, {"text": "resolução interativa de problemas", "type": "Tarefa"}], [{"text": "fala contínua", "type": "Material"}], [{"text": "reconhecimento de fala", "type": "Tarefa"}, {"text": "processamento de linguagem natural", "type": "Tarefa"}, {"text": "compreensão da fala", "type": "Tarefa"}, {"text": "sistema", "type": "Genérico"}], [{"text": "sistema de reconhecimento de fala robusto e de alto desempenho", "type": "Método"}, {"text": "abordagem baseada em segmentos", "type": "Método"}, {"text": "reconhecimento fonético", "type": "Tarefa"}], [{"text": "sistema de reconhecimento", "type": "Método"}, {"text": "processamento de linguagem natural", "type": "Tarefa"}, {"text": "compreensão de linguagem falada", "type": "Tarefa"}]], "relations": [[{"head": "sistema de linguagem falada", "tail": "resolução interativa de problemas", "relation": "Usado-para"}, {"head": "entrada de voz", "tail": "resolução interativa de problemas", "relation": "Usado-para"}], [], [{"head": "reconhecimento de fala", "tail": "processamento de linguagem natural", "relation": "Conjunção"}, {"head": "reconhecimento de fala", "tail": "compreensão da fala", "relation": "Usado-para"}, {"head": "processamento de linguagem natural", "tail": "compreensão da fala", "relation": "Usado-para"}], [{"head": "abordagem baseada em segmentos", "tail": "sistema de reconhecimento de fala robusto e de alto desempenho", "relation": "Usado-para"}, {"head": "abordagem baseada em segmentos", "tail": "reconhecimento fonético", "relation": "Usado-para"}, {"head": "reconhecimento fonético", "tail": "sistema de reconhecimento de fala robusto e de alto desempenho", "relation": "Usado-para"}], [{"head": "sistema de reconhecimento", "tail": "compreensão de linguagem falada", "relation": "Usado-para"}, {"head": "processamento de linguagem natural", "tail": "sistema de reconhecimento", "relation": "Conjunção"}, {"head": "processamento de linguagem natural", "tail": "compreensão de linguagem falada", "relation": "Usado-para"}]], "clusters": [["sistema de linguagem falada", "sistema", "sistema de reconhecimento de fala robusto e de alto desempenho", "sistema de reconhecimento"], ["processamento de linguagem natural", "processamento de linguagem natural"], ["compreensão da fala", "compreensão de linguagem falada"]]}
{"doc_id": "C90-3072", "text": "Os verificadores ortográficos tornaram-se uma parte integrante da maior parte do software de processamento de texto. Por diferentes razões, entre as quais prevalece a velocidade de processamento, eles baseiam‑se normalmente em dicionários de formas de palavras em vez de palavras. Esta abordagem é suficiente para línguas com pouca flexão, como o inglês, mas falha para línguas altamente flexivas, como o checo, o russo, o eslovaco ou outras línguas eslavas. Desenvolvemos um método especial para descrever a flexão com o objetivo de construir verificadores ortográficos para essas línguas. A velocidade do programa resultante situa‑se algures a meio da escala dos verificadores ortográficos existentes para inglês e o dicionário principal cabe numa disquete padrão de 360K, enquanto o número de formas de palavras reconhecidas excede 6 milhões (para checo). Além disso, foi desenvolvido um método especial para uma fácil classificação de palavras.", "ner": [[{"text": "verificadores ortográficos", "type": "Tarefa"}, {"text": "software de processamento de texto", "type": "Tarefa"}], [{"text": "eles", "type": "Genérico"}, {"text": "dicionários de formas de palavras", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "línguas", "type": "Material"}, {"text": "flexão", "type": "Outros Termos Científicos"}, {"text": "inglês", "type": "Material"}, {"text": "línguas altamente flexivas", "type": "Material"}, {"text": "checo", "type": "Material"}, {"text": "russo", "type": "Material"}, {"text": "eslovaco", "type": "Material"}, {"text": "línguas eslavas", "type": "Material"}], [{"text": "método", "type": "Genérico"}, {"text": "flexão", "type": "Outros Termos Científicos"}, {"text": "verificadores ortográficos", "type": "Tarefa"}, {"text": "línguas", "type": "Genérico"}], [{"text": "programa", "type": "Genérico"}, {"text": "verificadores ortográficos", "type": "Método"}, {"text": "inglês", "type": "Material"}, {"text": "checo", "type": "Material"}], [{"text": "método", "type": "Genérico"}, {"text": "classificação de palavras", "type": "Tarefa"}]], "relations": [[{"head": "verificadores ortográficos", "tail": "software de processamento de texto", "relation": "Parte-de"}], [{"head": "dicionários de formas de palavras", "tail": "eles", "relation": "Usado-para"}], [{"head": "línguas", "tail": "abordagem", "relation": "Usado-para"}, {"head": "flexão", "tail": "línguas", "relation": "Característica-de"}, {"head": "inglês", "tail": "línguas", "relation": "Hipónimo-de"}, {"head": "checo", "tail": "línguas altamente flexivas", "relation": "Hipónimo-de"}, {"head": "checo", "tail": "russo", "relation": "Conjunção"}, {"head": "russo", "tail": "línguas altamente flexivas", "relation": "Hipónimo-de"}, {"head": "russo", "tail": "eslovaco", "relation": "Conjunção"}, {"head": "eslovaco", "tail": "línguas altamente flexivas", "relation": "Hipónimo-de"}, {"head": "eslovaco", "tail": "línguas eslavas", "relation": "Conjunção"}, {"head": "línguas eslavas", "tail": "línguas altamente flexivas", "relation": "Hipónimo-de"}], [{"head": "método", "tail": "flexão", "relation": "Usado-para"}, {"head": "método", "tail": "verificadores ortográficos", "relation": "Usado-para"}, {"head": "verificadores ortográficos", "tail": "línguas", "relation": "Usado-para"}], [{"head": "inglês", "tail": "verificadores ortográficos", "relation": "Usado-para"}], [{"head": "método", "tail": "classificação de palavras", "relation": "Usado-para"}]], "clusters": [["línguas altamente flexivas", "línguas"], ["dicionários de formas de palavras", "abordagem"], ["verificadores ortográficos", "eles", "verificadores ortográficos"], ["método", "programa"]]}
{"doc_id": "C04-1080", "text": "Apresentamos um novo etiquetador HMM que explora o contexto em ambos os lados de uma palavra a ser etiquetada, e avaliamos o mesmo tanto no caso não supervisionado como no supervisionado. Ao longo do trabalho, apresentamos a primeira comparação abrangente de métodos não supervisionados para etiquetagem morfossintáctica, observando que os resultados publicados até à data não têm sido comparáveis entre corpora ou léxicos. Observando que a qualidade do léxico influencia fortemente a exactidão que pode ser alcançada pelos algoritmos, apresentamos um método de treino HMM que melhora a exactidão quando o treino das probabilidades lexicais é instável. Finalmente, mostramos como este novo etiquetador atinge resultados de topo de gama num enquadramento supervisionado, não intensivo em treino.", "ner": [[{"text": "etiquetador HMM", "type": "Método"}, {"text": "o mesmo", "type": "Genérico"}, {"text": "caso não supervisionado como no supervisionado", "type": "Tarefa"}], [{"text": "métodos não supervisionados", "type": "Método"}, {"text": "etiquetagem morfossintáctica", "type": "Tarefa"}], [{"text": "exactidão", "type": "Métrica"}, {"text": "algoritmos", "type": "Genérico"}, {"text": "treino HMM", "type": "Método"}, {"text": "probabilidades lexicais", "type": "Outros Termos Científicos"}], [{"text": "etiquetador", "type": "Genérico"}, {"text": "enquadramento supervisionado, não intensivo em treino", "type": "Tarefa"}]], "relations": [[{"head": "caso não supervisionado como no supervisionado", "tail": "o mesmo", "relation": "Avaliado-para"}], [{"head": "métodos não supervisionados", "tail": "etiquetagem morfossintáctica", "relation": "Usado-para"}], [{"head": "exactidão", "tail": "algoritmos", "relation": "Avaliado-para"}], [{"head": "enquadramento supervisionado, não intensivo em treino", "tail": "etiquetador", "relation": "Avaliado-para"}]], "clusters": [["etiquetador HMM", "o mesmo", "etiquetador"], ["métodos não supervisionados", "algoritmos"]]}
{"doc_id": "NIPS_2015_10_abs", "text": "Propomos uma família de estratégias de amostragem não uniforme para acelerar comprovadamente uma classe de algoritmos de otimização estocástica com convergência linear, incluindo Stochastic Variance Reduced Gradient -LRB- SVRG -RRB- e Stochastic Dual Coordinate Ascent -LRB- SDCA -RRB-. Para uma grande família de problemas de minimização de risco empírico penalizado, os nossos métodos exploram a suavidade local dependente dos dados das funções de perda perto do ótimo, mantendo ao mesmo tempo garantias de convergência. Os nossos limites são os primeiros a quantificar a vantagem obtida a partir da suavidade local, que é significativa para alguns problemas e significativamente melhor. Empiricamente, fornecemos resultados numéricos exaustivos para sustentar a nossa teoria. Adicionalmente, apresentamos algoritmos que exploram a suavidade local de formas mais agressivas, que apresentam um desempenho ainda melhor na prática.", "ner": [[{"text": "estratégias de amostragem não uniforme", "type": "Método"}, {"text": "algoritmos de otimização estocástica", "type": "Método"}, {"text": "convergência linear", "type": "Outros Termos Científicos"}, {"text": "Stochastic Variance Reduced Gradient -LRB- SVRG -RRB-", "type": "Método"}, {"text": "Stochastic Dual Coordinate Ascent -LRB- SDCA -RRB-", "type": "Método"}], [{"text": "problemas de minimização de risco empírico penalizado", "type": "Tarefa"}, {"text": "métodos", "type": "Genérico"}, {"text": "suavidade local dependente dos dados", "type": "Outros Termos Científicos"}, {"text": "funções de perda", "type": "Outros Termos Científicos"}, {"text": "ótimo", "type": "Outros Termos Científicos"}, {"text": "garantias de convergência", "type": "Outros Termos Científicos"}], [{"text": "suavidade local", "type": "Outros Termos Científicos"}], [{"text": "teoria", "type": "Genérico"}], [{"text": "algoritmos", "type": "Genérico"}, {"text": "suavidade local", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "estratégias de amostragem não uniforme", "tail": "algoritmos de otimização estocástica", "relation": "Usado-para"}, {"head": "convergência linear", "tail": "algoritmos de otimização estocástica", "relation": "Característica-de"}, {"head": "Stochastic Variance Reduced Gradient -LRB- SVRG -RRB-", "tail": "algoritmos de otimização estocástica", "relation": "Hipónimo-de"}, {"head": "Stochastic Variance Reduced Gradient -LRB- SVRG -RRB-", "tail": "Stochastic Dual Coordinate Ascent -LRB- SDCA -RRB-", "relation": "Conjunção"}, {"head": "Stochastic Dual Coordinate Ascent -LRB- SDCA -RRB-", "tail": "algoritmos de otimização estocástica", "relation": "Hipónimo-de"}], [{"head": "métodos", "tail": "problemas de minimização de risco empírico penalizado", "relation": "Usado-para"}, {"head": "suavidade local dependente dos dados", "tail": "métodos", "relation": "Usado-para"}, {"head": "suavidade local dependente dos dados", "tail": "funções de perda", "relation": "Característica-de"}], [], [], [{"head": "suavidade local", "tail": "algoritmos", "relation": "Usado-para"}]], "clusters": [["estratégias de amostragem não uniforme", "métodos", "teoria"]]}
{"doc_id": "C04-1022", "text": "A modelação estatística de linguagem continua a ser uma tarefa desafiante, em particular para línguas morfologicamente ricas. Recentemente, foram desenvolvidas novas abordagens baseadas em modelos de linguagem fatorizados para lidar com este problema. Estes modelos fornecem formas fundamentadas de incluir variáveis de condicionamento adicionais para além das palavras precedentes, tais como características morfológicas ou sintácticas. No entanto, o número de escolhas possíveis para os parâmetros do modelo cria um grande espaço de modelos que não pode ser pesquisado exaustivamente. Este artigo apresenta um procedimento de selecção de modelos inteiramente orientado por dados baseado em pesquisa genética, o qual supera procedimentos de selecção baseados em conhecimento e aleatórios em duas diferentes tarefas de modelação de linguagem (árabe e turco).", "ner": [[{"text": "modelação estatística de linguagem", "type": "Método"}, {"text": "tarefa", "type": "Genérico"}, {"text": "línguas morfologicamente ricas", "type": "Material"}], [{"text": "abordagens", "type": "Genérico"}, {"text": "modelos de linguagem fatorizados", "type": "Método"}], [{"text": "modelos", "type": "Genérico"}, {"text": "variáveis de condicionamento", "type": "Outros Termos Científicos"}, {"text": "características morfológicas ou sintácticas", "type": "Outros Termos Científicos"}], [{"text": "parâmetros do modelo", "type": "Outros Termos Científicos"}], [{"text": "procedimento de selecção de modelos inteiramente orientado por dados", "type": "Método"}, {"text": "pesquisa genética", "type": "Método"}, {"text": "procedimentos de selecção baseados em conhecimento e aleatórios", "type": "Método"}, {"text": "tarefas de modelação de linguagem", "type": "Tarefa"}, {"text": "árabe", "type": "Material"}, {"text": "turco", "type": "Material"}]], "relations": [[{"head": "tarefa", "tail": "línguas morfologicamente ricas", "relation": "Usado-para"}], [{"head": "modelos de linguagem fatorizados", "tail": "abordagens", "relation": "Usado-para"}], [{"head": "características morfológicas ou sintácticas", "tail": "variáveis de condicionamento", "relation": "Hipónimo-de"}], [], [{"head": "procedimento de selecção de modelos inteiramente orientado por dados", "tail": "procedimentos de selecção baseados em conhecimento e aleatórios", "relation": "Comparado-com"}, {"head": "pesquisa genética", "tail": "procedimento de selecção de modelos inteiramente orientado por dados", "relation": "Usado-para"}, {"head": "procedimentos de selecção baseados em conhecimento e aleatórios", "tail": "tarefas de modelação de linguagem", "relation": "Usado-para"}, {"head": "árabe", "tail": "tarefas de modelação de linguagem", "relation": "Hipónimo-de"}, {"head": "árabe", "tail": "turco", "relation": "Conjunção"}, {"head": "turco", "tail": "tarefas de modelação de linguagem", "relation": "Hipónimo-de"}]], "clusters": [["abordagens", "modelos"], ["modelação estatística de linguagem", "tarefa"]]}
{"doc_id": "P03-1033", "text": "Abordamos uma modelização adequada do utilizador de modo a gerar respostas cooperativas para cada utilizador em sistemas de diálogo falado. Ao contrário de estudos anteriores que se concentram no conhecimento do utilizador ou em tipos típicos de utilizadores, o modelo de utilizador que propomos é mais abrangente. Especificamente, definimos três dimensões de modelos de utilizador: nível de competência relativamente ao sistema, nível de conhecimento sobre o domínio alvo e grau de pressa. Além disso, os modelos são automaticamente derivados por aprendizagem em árvore de decisão usando dados reais de diálogo recolhidos pelo sistema. Obtivemos uma precisão de classificação razoável para todas as dimensões. Estratégias de diálogo baseadas na modelização do utilizador são implementadas no sistema de informação de autocarros da cidade de Quioto que foi desenvolvido no nosso laboratório. A avaliação experimental mostra que as respostas cooperativas adaptadas a utilizadores individuais servem como uma boa orientação para utilizadores principiantes sem aumentar a duração do diálogo para utilizadores experientes.", "ner": [[{"text": "modelização do utilizador", "type": "Método"}, {"text": "respostas cooperativas", "type": "Outros Termos Científicos"}, {"text": "sistemas de diálogo falado", "type": "Tarefa"}], [{"text": "estudos", "type": "Genérico"}, {"text": "modelo de utilizador", "type": "Método"}], [{"text": "modelos de utilizador", "type": "Método"}], [{"text": "modelos", "type": "Genérico"}, {"text": "aprendizagem em árvore de decisão", "type": "Método"}, {"text": "dados reais de diálogo", "type": "Material"}, {"text": "sistema", "type": "Genérico"}], [{"text": "precisão de classificação", "type": "Métrica"}], [{"text": "Estratégias de diálogo", "type": "Método"}, {"text": "modelização do utilizador", "type": "Método"}, {"text": "sistema de informação de autocarros da cidade de Quioto", "type": "Método"}], [{"text": "respostas cooperativas", "type": "Outros Termos Científicos"}, {"text": "duração do diálogo", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "modelização do utilizador", "tail": "respostas cooperativas", "relation": "Usado-para"}, {"head": "modelização do utilizador", "tail": "sistemas de diálogo falado", "relation": "Parte-de"}], [{"head": "estudos", "tail": "modelo de utilizador", "relation": "Comparado-com"}], [], [{"head": "aprendizagem em árvore de decisão", "tail": "modelos", "relation": "Usado-para"}, {"head": "dados reais de diálogo", "tail": "aprendizagem em árvore de decisão", "relation": "Usado-para"}, {"head": "sistema", "tail": "dados reais de diálogo", "relation": "Usado-para"}], [], [{"head": "Estratégias de diálogo", "tail": "sistema de informação de autocarros da cidade de Quioto", "relation": "Usado-para"}, {"head": "modelização do utilizador", "tail": "Estratégias de diálogo", "relation": "Usado-para"}], []], "clusters": [["modelização do utilizador", "modelo de utilizador", "modelos de utilizador", "modelos", "modelização do utilizador"]]}
{"doc_id": "P06-2059", "text": "Este artigo propõe um novo método de construção de um corpus etiquetado com polaridade a partir de documentos HTML. As características deste método são que ele é totalmente automático e pode ser aplicado a documentos HTML arbitrários. A ideia por detrás do nosso método é utilizar certas estruturas de layout e padrões linguísticos. Ao utilizá-los, podemos extrair automaticamente frases que exprimem opinião. Na nossa experiência, o método conseguiu construir um corpus constituído por 126 610 frases.", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "construção de um corpus etiquetado com polaridade", "type": "Tarefa"}, {"text": "documentos HTML", "type": "Material"}], [{"text": "método", "type": "Genérico"}, {"text": "ele", "type": "Genérico"}, {"text": "documentos HTML", "type": "Material"}], [{"text": "método", "type": "Genérico"}, {"text": "estruturas de layout", "type": "Outros Termos Científicos"}, {"text": "padrões linguísticos", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}]], "relations": [[{"head": "método", "tail": "construção de um corpus etiquetado com polaridade", "relation": "Usado-para"}, {"head": "documentos HTML", "tail": "método", "relation": "Usado-para"}], [{"head": "ele", "tail": "documentos HTML", "relation": "Usado-para"}], [{"head": "estruturas de layout", "tail": "método", "relation": "Usado-para"}, {"head": "estruturas de layout", "tail": "padrões linguísticos", "relation": "Conjunção"}, {"head": "padrões linguísticos", "tail": "método", "relation": "Usado-para"}], [], []], "clusters": [["documentos HTML", "documentos HTML"], ["método", "método", "ele", "método", "método"]]}
{"doc_id": "P05-1074", "text": "Trabalhos anteriores utilizaram corpora paralelos monolingues para extrair e gerar paráfrases. Mostramos que esta tarefa pode ser realizada usando corpora paralelos bilingues, um recurso muito mais comum. Usando técnicas de alinhamento da tradução automática estatística baseada em frases, mostramos como paráfrases numa língua podem ser identificadas usando uma frase noutra língua como pivô. Definimos uma probabilidade de paráfrase que permite que paráfrases extraídas de um corpus paralelo bilingue sejam ordenadas usando probabilidades de tradução e mostramos como ela pode ser refinada para ter em conta informação contextual. Avaliamos os nossos métodos de extração e ordenação de paráfrases usando um conjunto de alinhamentos manuais de palavras e contrastamos a qualidade com paráfrases extraídas de alinhamentos automáticos.", "ner": [[{"text": "corpora paralelos monolingues", "type": "Material"}, {"text": "paráfrases", "type": "Outros Termos Científicos"}], [{"text": "tarefa", "type": "Genérico"}, {"text": "corpora paralelos bilingues", "type": "Material"}], [{"text": "técnicas de alinhamento", "type": "Método"}, {"text": "tradução automática estatística baseada em frases", "type": "Tarefa"}, {"text": "paráfrases", "type": "Outros Termos Científicos"}], [{"text": "probabilidade de paráfrase", "type": "Outros Termos Científicos"}, {"text": "paráfrases", "type": "Outros Termos Científicos"}, {"text": "corpus paralelo bilingue", "type": "Material"}, {"text": "probabilidades de tradução", "type": "Outros Termos Científicos"}, {"text": "ela", "type": "Genérico"}, {"text": "informação contextual", "type": "Outros Termos Científicos"}], [{"text": "métodos de extração e ordenação de paráfrases", "type": "Método"}, {"text": "alinhamentos manuais de palavras", "type": "Material"}, {"text": "qualidade", "type": "Métrica"}, {"text": "paráfrases", "type": "Outros Termos Científicos"}, {"text": "alinhamentos automáticos", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "corpora paralelos monolingues", "tail": "paráfrases", "relation": "Usado-para"}], [{"head": "corpora paralelos bilingues", "tail": "tarefa", "relation": "Usado-para"}], [{"head": "técnicas de alinhamento", "tail": "tradução automática estatística baseada em frases", "relation": "Usado-para"}], [{"head": "paráfrases", "tail": "corpus paralelo bilingue", "relation": "Parte-de"}, {"head": "probabilidades de tradução", "tail": "paráfrases", "relation": "Usado-para"}, {"head": "informação contextual", "tail": "ela", "relation": "Usado-para"}], [{"head": "alinhamentos manuais de palavras", "tail": "métodos de extração e ordenação de paráfrases", "relation": "Avaliado-para"}, {"head": "qualidade", "tail": "paráfrases", "relation": "Avaliado-para"}, {"head": "paráfrases", "tail": "alinhamentos automáticos", "relation": "Parte-de"}]], "clusters": [["corpora paralelos monolingues", "corpora paralelos bilingues"], ["probabilidade de paráfrase", "ela"]]}
{"doc_id": "H89-2019", "text": "Este artigo propõe um meio automático, essencialmente independente do domínio, de avaliar Sistemas de Linguagem Falada -LRB- SLS -RRB-, que combina o software que desenvolvemos para esse fim -LRB- o 'Comparator' -RRB- e um conjunto de especificações para expressões de resposta -LRB- a 'Common Answer Specification', ou CAS -RRB-. O Comparator verifica se a resposta fornecida por um SLS está em conformidade com uma resposta canónica, devolvendo verdadeiro ou falso. A Common Answer Specification determina a sintaxe das expressões de resposta, o conteúdo mínimo que deve ser incluído nelas, os dados a incluir e a excluir dos corpora de teste e os procedimentos usados pelo Comparator. Embora alguns detalhes da CAS sejam particulares de domínios individuais, o software Comparator é independente do domínio, tal como a abordagem CAS.", "ner": [[{"text": "meio automático, essencialmente independente do domínio, de avaliar Sistemas de Linguagem Falada -LRB- SLS -RRB-", "type": "Método"}, {"text": "software", "type": "Genérico"}, {"text": "Comparator", "type": "Método"}, {"text": "especificações", "type": "Genérico"}, {"text": "expressões de resposta", "type": "Outros Termos Científicos"}, {"text": "Common Answer Specification", "type": "Método"}, {"text": "CAS", "type": "Método"}], [{"text": "Comparator", "type": "Método"}, {"text": "SLS", "type": "Método"}], [{"text": "Common Answer Specification", "type": "Método"}, {"text": "sintaxe das expressões de resposta", "type": "Outros Termos Científicos"}, {"text": "Comparator", "type": "Método"}], [{"text": "CAS", "type": "Outros Termos Científicos"}, {"text": "software Comparator", "type": "Método"}, {"text": "abordagem CAS", "type": "Método"}]], "relations": [[{"head": "software", "tail": "meio automático, essencialmente independente do domínio, de avaliar Sistemas de Linguagem Falada -LRB- SLS -RRB-", "relation": "Parte-de"}, {"head": "software", "tail": "especificações", "relation": "Conjunção"}, {"head": "especificações", "tail": "meio automático, essencialmente independente do domínio, de avaliar Sistemas de Linguagem Falada -LRB- SLS -RRB-", "relation": "Parte-de"}, {"head": "especificações", "tail": "expressões de resposta", "relation": "Usado-para"}], [], [{"head": "Common Answer Specification", "tail": "sintaxe das expressões de resposta", "relation": "Usado-para"}], []], "clusters": [["software", "Comparator", "Comparator", "Comparator", "software Comparator"], ["meio automático, essencialmente independente do domínio, de avaliar Sistemas de Linguagem Falada -LRB- SLS -RRB-", "SLS"], ["especificações", "Common Answer Specification", "CAS", "Common Answer Specification", "CAS", "abordagem CAS"]]}
{"doc_id": "INTERSPEECH_2015_9_abs", "text": "Descrevemos a utilização de dados de texto extraídos da web para aumentar modelos de linguagem para Reconhecimento Automático de Fala e Pesquisa por Palavras‑chave em Línguas com Poucos Recursos. Extraímos texto de múltiplos géneros, incluindo blogues, notícias online, palestras TED traduzidas e legendas. Utilizando modelos de linguagem linearmente interpolados, verificamos que os blogues e as legendas de filmes são mais relevantes para a modelação de linguagem de fala telefónica conversacional e obtemos grandes reduções em palavras‑chave fora de vocabulário. Além disso, mostramos que os dados da web podem melhorar o Desempenho da Taxa de Erro de Termos em 3,8 % absolutos e o Valor Máximo Ponderado por Termo na Pesquisa por Palavras‑chave em 0,0076‑0,1059 pontos absolutos. Grande parte do ganho advém da redução de itens fora de vocabulário.", "ner": [[{"text": "dados de texto", "type": "Material"}, {"text": "web", "type": "Material"}, {"text": "modelos de linguagem", "type": "Método"}, {"text": "Reconhecimento Automático de Fala", "type": "Tarefa"}, {"text": "Pesquisa por Palavras‑chave", "type": "Tarefa"}, {"text": "Línguas com Poucos Recursos", "type": "Material"}], [{"text": "géneros", "type": "Genérico"}, {"text": "blogues", "type": "Material"}, {"text": "notícias online", "type": "Material"}, {"text": "palestras TED traduzidas", "type": "Material"}, {"text": "legendas", "type": "Material"}], [{"text": "modelos de linguagem linearmente interpolados", "type": "Método"}, {"text": "blogues", "type": "Material"}, {"text": "legendas de filmes", "type": "Material"}, {"text": "modelação de linguagem de fala telefónica conversacional", "type": "Método"}, {"text": "palavras‑chave fora de vocabulário", "type": "Outros Termos Científicos"}], [{"text": "dados da web", "type": "Material"}, {"text": "Desempenho da Taxa de Erro de Termos", "type": "Métrica"}, {"text": "Valor Máximo Ponderado por Termo", "type": "Métrica"}, {"text": "Pesquisa por Palavras‑chave", "type": "Tarefa"}], [{"text": "redução de itens fora de vocabulário", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "dados de texto", "tail": "modelos de linguagem", "relation": "Usado-para"}, {"head": "web", "tail": "dados de texto", "relation": "Característica-de"}, {"head": "modelos de linguagem", "tail": "Reconhecimento Automático de Fala", "relation": "Usado-para"}, {"head": "modelos de linguagem", "tail": "Pesquisa por Palavras‑chave", "relation": "Usado-para"}, {"head": "Reconhecimento Automático de Fala", "tail": "Pesquisa por Palavras‑chave", "relation": "Conjunção"}, {"head": "Línguas com Poucos Recursos", "tail": "Reconhecimento Automático de Fala", "relation": "Usado-para"}, {"head": "Línguas com Poucos Recursos", "tail": "Pesquisa por Palavras‑chave", "relation": "Usado-para"}], [{"head": "blogues", "tail": "géneros", "relation": "Hipónimo-de"}, {"head": "blogues", "tail": "notícias online", "relation": "Conjunção"}, {"head": "notícias online", "tail": "géneros", "relation": "Hipónimo-de"}, {"head": "notícias online", "tail": "palestras TED traduzidas", "relation": "Conjunção"}, {"head": "palestras TED traduzidas", "tail": "géneros", "relation": "Hipónimo-de"}, {"head": "palestras TED traduzidas", "tail": "legendas", "relation": "Conjunção"}, {"head": "legendas", "tail": "géneros", "relation": "Hipónimo-de"}], [{"head": "modelos de linguagem linearmente interpolados", "tail": "modelação de linguagem de fala telefónica conversacional", "relation": "Usado-para"}, {"head": "blogues", "tail": "legendas de filmes", "relation": "Conjunção"}, {"head": "blogues", "tail": "modelação de linguagem de fala telefónica conversacional", "relation": "Usado-para"}, {"head": "legendas de filmes", "tail": "modelação de linguagem de fala telefónica conversacional", "relation": "Usado-para"}], [{"head": "dados da web", "tail": "Pesquisa por Palavras‑chave", "relation": "Usado-para"}, {"head": "Desempenho da Taxa de Erro de Termos", "tail": "Pesquisa por Palavras‑chave", "relation": "Avaliado-para"}, {"head": "Valor Máximo Ponderado por Termo", "tail": "Pesquisa por Palavras‑chave", "relation": "Avaliado-para"}], []], "clusters": [["legendas", "legendas de filmes"], ["blogues", "blogues"]]}
{"doc_id": "P03-1034", "text": "Os sistemas de Geração de Linguagem Natural em Pipeline -LRB- NLG -RRB- tornaram-se cada vez mais complexos à medida que foram adicionados módulos arquitetónicos para suportar funcionalidades de linguagem como expressões referenciais, escolha lexical e revisão. Isto deu origem a discussões sobre a colocação relativa destes novos módulos na arquitetura global. Trabalhos recentes sobre outro aspeto de texto multiparágrafo, os marcadores discursivos, indicam que é altura de considerar onde se enquadra um algoritmo de inserção de marcadores discursivos. Apresentamos exemplos que sugerem que, numa arquitetura de NLG em pipeline, a melhor abordagem é ligá-lo fortemente a um componente de revisão. Por fim, avaliamos a abordagem num sistema operativo de múltiplas páginas.", "ner": [[{"text": "sistemas de Geração de Linguagem Natural em Pipeline -LRB- NLG -RRB-", "type": "Método"}, {"text": "módulos arquitetónicos", "type": "Método"}, {"text": "funcionalidades de linguagem", "type": "Outros Termos Científicos"}, {"text": "expressões referenciais", "type": "Outros Termos Científicos"}, {"text": "escolha lexical", "type": "Outros Termos Científicos"}, {"text": "revisão", "type": "Outros Termos Científicos"}], [{"text": "módulos", "type": "Genérico"}, {"text": "arquitetura global", "type": "Genérico"}], [{"text": "texto multiparágrafo", "type": "Material"}, {"text": "marcadores discursivos", "type": "Outros Termos Científicos"}, {"text": "algoritmo de inserção de marcadores discursivos", "type": "Método"}], [{"text": "arquitetura de NLG em pipeline", "type": "Método"}, {"text": "abordagem", "type": "Genérico"}, {"text": "o", "type": "Genérico"}, {"text": "componente de revisão", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "sistema operativo de múltiplas páginas", "type": "Tarefa"}]], "relations": [[{"head": "módulos arquitetónicos", "tail": "funcionalidades de linguagem", "relation": "Usado-para"}, {"head": "expressões referenciais", "tail": "funcionalidades de linguagem", "relation": "Hipónimo-de"}, {"head": "expressões referenciais", "tail": "escolha lexical", "relation": "Conjunção"}, {"head": "escolha lexical", "tail": "funcionalidades de linguagem", "relation": "Hipónimo-de"}, {"head": "escolha lexical", "tail": "revisão", "relation": "Conjunção"}, {"head": "revisão", "tail": "funcionalidades de linguagem", "relation": "Hipónimo-de"}], [{"head": "módulos", "tail": "arquitetura global", "relation": "Parte-de"}], [], [{"head": "o", "tail": "componente de revisão", "relation": "Conjunção"}, {"head": "componente de revisão", "tail": "arquitetura de NLG em pipeline", "relation": "Parte-de"}], [{"head": "sistema operativo de múltiplas páginas", "tail": "abordagem", "relation": "Avaliado-para"}]], "clusters": [["sistemas de Geração de Linguagem Natural em Pipeline -LRB- NLG -RRB-", "arquitetura global", "arquitetura de NLG em pipeline"], ["módulos arquitetónicos", "módulos"], ["algoritmo de inserção de marcadores discursivos", "o"], ["abordagem", "abordagem"]]}
{"doc_id": "E83-1029", "text": "Neste artigo é apresentado um sistema que compreende e conceptualiza descrições de cenas em linguagem natural. Especificamente, são descridos os seguintes componentes do sistema: o analisador sintáctico, baseado numa Gramática Sistémica Procedimental, o analisador semântico, que se apoia na Teoria da Dependência Conceptual, e o dicionário.", "ner": [[{"text": "sistema", "type": "Genérico"}, {"text": "descrições de cenas em linguagem natural", "type": "Tarefa"}], [{"text": "componentes", "type": "Genérico"}, {"text": "sistema", "type": "Genérico"}, {"text": "analisador sintáctico", "type": "Método"}, {"text": "Gramática Sistémica Procedimental", "type": "Método"}, {"text": "analisador semântico", "type": "Método"}, {"text": "Teoria da Dependência Conceptual", "type": "Método"}, {"text": "dicionário", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "sistema", "tail": "descrições de cenas em linguagem natural", "relation": "Usado-para"}], [{"head": "componentes", "tail": "sistema", "relation": "Parte-de"}, {"head": "analisador sintáctico", "tail": "componentes", "relation": "Parte-de"}, {"head": "analisador sintáctico", "tail": "analisador semântico", "relation": "Conjunção"}, {"head": "Gramática Sistémica Procedimental", "tail": "analisador sintáctico", "relation": "Usado-para"}, {"head": "analisador semântico", "tail": "componentes", "relation": "Parte-de"}, {"head": "analisador semântico", "tail": "dicionário", "relation": "Conjunção"}, {"head": "Teoria da Dependência Conceptual", "tail": "analisador semântico", "relation": "Usado-para"}, {"head": "dicionário", "tail": "componentes", "relation": "Parte-de"}]], "clusters": [["sistema", "sistema"]]}
{"doc_id": "J05-1003", "text": "Este artigo considera abordagens que reordenam a saída de um analisador probabilístico existente. O analisador de base produz um conjunto de análises sintáticas candidatas para cada frase de entrada, com probabilidades associadas que definem uma ordenação inicial dessas análises. Um segundo modelo tenta então melhorar esta ordenação inicial, usando características adicionais da árvore como evidência. A força da nossa abordagem é que permite que uma árvore seja representada como um conjunto arbitrário de características, sem preocupações sobre como essas características interagem ou se sobrepõem e sem a necessidade de definir uma derivação ou um modelo generativo que tenha essas características em conta. Introduzimos um novo método para a tarefa de reordenação, baseado na abordagem de boosting para problemas de ordenação descrita em Freund et al. (1998). Aplicamos o método de boosting à análise sintáctica do treebank do Wall Street Journal. O método combinou a log-verosimilhança ao abrigo de um modelo de base (o de Collins [1999]) com evidência de 500 000 características adicionais sobre árvores de análise que não estavam incluídas no modelo original. O novo modelo obteve 89,75 % de medida-F, uma diminuição relativa de 13 % no erro de medida-F em relação à pontuação de 88,2 % do modelo de base. O artigo também introduz um novo algoritmo para a abordagem de boosting que tira partido da esparsidade do espaço de características nos dados de análise sintáctica. As experiências mostram ganhos de eficiência significativos para o novo algoritmo em relação à implementação óbvia da abordagem de boosting. Argumentamos que o método é uma alternativa apelativa – em termos de simplicidade e eficiência – aos trabalhos sobre métodos de selecção de características em modelos log-lineares (de máxima entropia). Embora as experiências neste artigo incidam sobre a análise de língua natural (PLN), a abordagem deverá ser aplicável a muitos outros problemas de PLN que são naturalmente formulados como tarefas de ordenação, por exemplo, o reconhecimento de fala, a tradução automática ou a geração de língua natural.", "ner": [[{"text": "abordagens", "type": "Genérico"}, {"text": "analisador probabilístico", "type": "Método"}], [{"text": "analisador", "type": "Método"}, {"text": "análises sintáticas candidatas", "type": "Outros Termos Científicos"}, {"text": "ordenação", "type": "Outros Termos Científicos"}, {"text": "análises", "type": "Genérico"}], [{"text": "modelo", "type": "Genérico"}, {"text": "ordenação", "type": "Outros Termos Científicos"}, {"text": "características", "type": "Outros Termos Científicos"}, {"text": "árvore", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "ela", "type": "Genérico"}, {"text": "árvore", "type": "Outros Termos Científicos"}, {"text": "características", "type": "Outros Termos Científicos"}, {"text": "características", "type": "Outros Termos Científicos"}, {"text": "derivação", "type": "Outros Termos Científicos"}, {"text": "modelo generativo", "type": "Método"}, {"text": "características", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "tarefa de reordenação", "type": "Tarefa"}, {"text": "abordagem de boosting", "type": "Método"}, {"text": "problemas de ordenação", "type": "Tarefa"}], [{"text": "método de boosting", "type": "Método"}, {"text": "análise sintáctica", "type": "Tarefa"}, {"text": "treebank do Wall Street Journal", "type": "Material"}], [{"text": "método", "type": "Genérico"}, {"text": "log-verosimilhança", "type": "Outros Termos Científicos"}, {"text": "modelo de base", "type": "Método"}, {"text": "características", "type": "Outros Termos Científicos"}, {"text": "árvores de análise", "type": "Outros Termos Científicos"}, {"text": "modelo", "type": "Genérico"}], [{"text": "modelo", "type": "Genérico"}, {"text": "medida-F", "type": "Métrica"}, {"text": "medida-F", "type": "Métrica"}, {"text": "modelo de base", "type": "Genérico"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "abordagem de boosting", "type": "Método"}, {"text": "esparsidade do espaço de características", "type": "Outros Termos Científicos"}, {"text": "dados de análise sintáctica", "type": "Material"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "abordagem de boosting", "type": "Método"}], [{"text": "método", "type": "Genérico"}, {"text": "métodos de selecção de características", "type": "Método"}, {"text": "modelos log-lineares (de máxima entropia)", "type": "Método"}], [{"text": "análise de língua natural (PLN)", "type": "Tarefa"}, {"text": "problemas de PLN", "type": "Tarefa"}, {"text": "tarefas de ordenação", "type": "Tarefa"}, {"text": "reconhecimento de fala", "type": "Tarefa"}, {"text": "tradução automática", "type": "Tarefa"}, {"text": "geração de língua natural", "type": "Tarefa"}]], "relations": [[], [{"head": "ordenação", "tail": "análises", "relation": "Característica-de"}], [{"head": "modelo", "tail": "ordenação", "relation": "Usado-para"}, {"head": "características", "tail": "modelo", "relation": "Usado-para"}], [{"head": "características", "tail": "modelo generativo", "relation": "Usado-para"}], [{"head": "método", "tail": "tarefa de reordenação", "relation": "Usado-para"}, {"head": "abordagem de boosting", "tail": "método", "relation": "Usado-para"}, {"head": "abordagem de boosting", "tail": "problemas de ordenação", "relation": "Usado-para"}], [{"head": "método de boosting", "tail": "análise sintáctica", "relation": "Usado-para"}, {"head": "treebank do Wall Street Journal", "tail": "método de boosting", "relation": "Usado-para"}], [{"head": "log-verosimilhança", "tail": "método", "relation": "Parte-de"}, {"head": "log-verosimilhança", "tail": "modelo de base", "relation": "Conjunção"}], [{"head": "medida-F", "tail": "modelo", "relation": "Avaliado-para"}, {"head": "medida-F", "tail": "modelo de base", "relation": "Avaliado-para"}, {"head": "modelo de base", "tail": "modelo", "relation": "Comparado-com"}], [{"head": "algoritmo", "tail": "abordagem de boosting", "relation": "Usado-para"}, {"head": "esparsidade do espaço de características", "tail": "algoritmo", "relation": "Usado-para"}, {"head": "esparsidade do espaço de características", "tail": "dados de análise sintáctica", "relation": "Característica-de"}], [{"head": "algoritmo", "tail": "abordagem de boosting", "relation": "Comparado-com"}], [{"head": "métodos de selecção de características", "tail": "modelos log-lineares (de máxima entropia)", "relation": "Parte-de"}], [{"head": "tarefas de ordenação", "tail": "problemas de PLN", "relation": "Usado-para"}, {"head": "reconhecimento de fala", "tail": "problemas de PLN", "relation": "Hipónimo-de"}, {"head": "reconhecimento de fala", "tail": "tarefas de ordenação", "relation": "Hipónimo-de"}, {"head": "reconhecimento de fala", "tail": "tradução automática", "relation": "Conjunção"}, {"head": "tradução automática", "tail": "problemas de PLN", "relation": "Hipónimo-de"}, {"head": "tradução automática", "tail": "tarefas de ordenação", "relation": "Hipónimo-de"}, {"head": "tradução automática", "tail": "geração de língua natural", "relation": "Conjunção"}, {"head": "geração de língua natural", "tail": "problemas de PLN", "relation": "Hipónimo-de"}, {"head": "geração de língua natural", "tail": "tarefas de ordenação", "relation": "Hipónimo-de"}]], "clusters": [["características", "características"], ["abordagens", "abordagem", "ela"], ["algoritmo", "algoritmo", "método"], ["abordagem de boosting", "método de boosting", "método", "modelo", "abordagem de boosting", "abordagem de boosting"], ["medida-F", "medida-F"], ["modelo de base", "modelo", "modelo de base"], ["ordenação", "ordenação"], ["análises sintáticas candidatas", "análises"], ["analisador probabilístico", "analisador"], ["tarefa de reordenação", "problemas de ordenação", "tarefas de ordenação"]]}
{"doc_id": "CVPR_2014_10_abs", "text": "Apresentamos um algoritmo de classificação de conjuntos de imagens baseado em clustering não supervisionado de dados de treino rotulados e dados de teste não rotulados, em que os rótulos são apenas usados no critério de paragem. A distribuição de probabilidade de cada classe sobre o conjunto de clusters é usada para definir uma medida de similaridade verdadeira baseada em conjuntos. Para este fim, propomos um algoritmo iterativo de clustering espectral esparso. Em cada iteração, uma matriz de proximidade é recomputada de forma eficiente para representar melhor a estrutura local do subespaço. Os clusters iniciais capturam a estrutura global dos dados e clusters mais finos nas fases posteriores capturam as diferenças subtis entre classes não visíveis à escala global. Conjuntos de imagens são representados de forma compacta com múltiplas variedades de Grassmann, que são subsequentemente embebidas em espaço Euclidiano com o algoritmo de clustering espectral proposto. Propomos também um solucionador de autovetores eficiente que não só reduz o custo computacional do clustering espectral em muitos factores, como também melhora a qualidade do clustering e os resultados de classificação finais. Experiências em cinco conjuntos de dados padrão e a comparação com sete técnicas existentes mostram a eficácia do nosso algoritmo.", "ner": [[{"text": "algoritmo de classificação de conjuntos de imagens", "type": "Método"}, {"text": "clustering não supervisionado", "type": "Método"}, {"text": "dados de treino rotulados e dados de teste não rotulados", "type": "Material"}, {"text": "critério de paragem", "type": "Outros Termos Científicos"}], [{"text": "distribuição de probabilidade", "type": "Outros Termos Científicos"}, {"text": "clusters", "type": "Outros Termos Científicos"}, {"text": "medida de similaridade verdadeira baseada em conjuntos", "type": "Métrica"}], [{"text": "algoritmo iterativo de clustering espectral esparso", "type": "Método"}], [{"text": "matriz de proximidade", "type": "Outros Termos Científicos"}, {"text": "estrutura local do subespaço", "type": "Outros Termos Científicos"}], [{"text": "clusters iniciais", "type": "Outros Termos Científicos"}, {"text": "estrutura global dos dados", "type": "Outros Termos Científicos"}, {"text": "clusters mais finos", "type": "Outros Termos Científicos"}, {"text": "diferenças subtis entre classes", "type": "Outros Termos Científicos"}, {"text": "escala global", "type": "Outros Termos Científicos"}], [{"text": "Conjuntos de imagens", "type": "Material"}, {"text": "variedades de Grassmann", "type": "Método"}, {"text": "espaço Euclidiano", "type": "Outros Termos Científicos"}, {"text": "algoritmo de clustering espectral", "type": "Método"}], [{"text": "solucionador de autovetores", "type": "Método"}, {"text": "custo computacional", "type": "Métrica"}, {"text": "clustering espectral", "type": "Método"}, {"text": "qualidade do clustering", "type": "Métrica"}, {"text": "resultados de classificação", "type": "Métrica"}], [{"text": "conjuntos de dados", "type": "Material"}, {"text": "algoritmo", "type": "Genérico"}]], "relations": [[{"head": "clustering não supervisionado", "tail": "algoritmo de classificação de conjuntos de imagens", "relation": "Usado-para"}, {"head": "dados de treino rotulados e dados de teste não rotulados", "tail": "clustering não supervisionado", "relation": "Usado-para"}], [{"head": "distribuição de probabilidade", "tail": "medida de similaridade verdadeira baseada em conjuntos", "relation": "Usado-para"}], [], [{"head": "matriz de proximidade", "tail": "estrutura local do subespaço", "relation": "Usado-para"}], [{"head": "clusters iniciais", "tail": "estrutura global dos dados", "relation": "Usado-para"}, {"head": "clusters mais finos", "tail": "diferenças subtis entre classes", "relation": "Usado-para"}], [{"head": "variedades de Grassmann", "tail": "Conjuntos de imagens", "relation": "Usado-para"}, {"head": "algoritmo de clustering espectral", "tail": "espaço Euclidiano", "relation": "Usado-para"}], [{"head": "solucionador de autovetores", "tail": "clustering espectral", "relation": "Usado-para"}, {"head": "custo computacional", "tail": "clustering espectral", "relation": "Avaliado-para"}, {"head": "qualidade do clustering", "tail": "clustering espectral", "relation": "Avaliado-para"}, {"head": "resultados de classificação", "tail": "clustering espectral", "relation": "Avaliado-para"}], []], "clusters": [["algoritmo de classificação de conjuntos de imagens", "algoritmo"], ["algoritmo iterativo de clustering espectral esparso", "algoritmo de clustering espectral"]]}
{"doc_id": "H05-1101", "text": "Este artigo investiga alguns problemas computacionais associados a modelos probabilísticos de tradução que foram recentemente adotados na literatura sobre tradução automática. Estes modelos podem ser vistos como pares de gramáticas probabilísticas livres de contexto que funcionam de forma 'sincrónica'. São apresentados dois resultados de dificuldade para a classe NP, juntamente com um limite inferior de tempo exponencial para certas classes de algoritmos que são atualmente utilizados na literatura.", "ner": [[{"text": "problemas computacionais", "type": "Outros Termos Científicos"}, {"text": "modelos probabilísticos de tradução", "type": "Método"}, {"text": "tradução automática", "type": "Tarefa"}], [{"text": "modelos", "type": "Genérico"}, {"text": "gramáticas probabilísticas livres de contexto", "type": "Método"}], [{"text": "limite inferior de tempo exponencial", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "problemas computacionais", "tail": "modelos probabilísticos de tradução", "relation": "Característica-de"}, {"head": "modelos probabilísticos de tradução", "tail": "tradução automática", "relation": "Usado-para"}], [{"head": "gramáticas probabilísticas livres de contexto", "tail": "modelos", "relation": "Característica-de"}], []], "clusters": [["modelos probabilísticos de tradução", "modelos"]]}
{"doc_id": "CVPR_2005_21_abs", "text": "Os modelos de forma ativos são uma ferramenta poderosa e amplamente utilizada para interpretar dados de imagem complexos. Ao construir modelos de variação de forma, permitem que algoritmos de pesquisa usem conhecimento a priori de forma eficiente e proveitosa. No entanto, devido à linearidade da ACP, não linearidades como rotações ou subpartes que se movem de forma independente nos dados podem deteriorar consideravelmente o modelo resultante. Embora tenham sido propostas extensões não lineares dos modelos de forma ativos e utilizadas soluções específicas de aplicação, estas ainda exigem uma certa quantidade de interação do utilizador durante a construção do modelo. Neste artigo, a tarefa de construir/escolher modelos ótimos é abordada de uma forma mais genérica, baseada na teoria da informação. Em particular, propomos um algoritmo baseado no princípio do comprimento mínimo de descrição para encontrar uma subdivisão ótima dos dados em subpartes, cada uma adequada para modelação linear. Isto resulta numa configuração de modelo globalmente mais compacta, o que, por sua vez, conduz a um melhor modelo em termos de modos de variação. O método proposto é avaliado em dados sintéticos, imagens médicas e contornos de mãos.", "ner": [[{"text": "modelos de forma ativos", "type": "Método"}, {"text": "dados de imagem complexos", "type": "Material"}], [{"text": "modelos de variação de forma", "type": "Método"}, {"text": "algoritmos de pesquisa", "type": "Método"}, {"text": "conhecimento a priori", "type": "Outros Termos Científicos"}], [{"text": "linearidade", "type": "Outros Termos Científicos"}, {"text": "ACP", "type": "Método"}, {"text": "não linearidades", "type": "Outros Termos Científicos"}, {"text": "rotações", "type": "Outros Termos Científicos"}], [{"text": "extensões não lineares dos modelos de forma ativos", "type": "Método"}, {"text": "modelos de forma ativos", "type": "Método"}, {"text": "interação do utilizador", "type": "Outros Termos Científicos"}], [{"text": "construir/escolher modelos ótimos", "type": "Tarefa"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "princípio do comprimento mínimo de descrição", "type": "Método"}, {"text": "modelação linear", "type": "Método"}], [], [{"text": "modelo", "type": "Genérico"}, {"text": "modos de variação", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "dados sintéticos", "type": "Material"}, {"text": "imagens médicas", "type": "Material"}, {"text": "contornos de mãos", "type": "Material"}]], "relations": [[{"head": "modelos de forma ativos", "tail": "dados de imagem complexos", "relation": "Usado-para"}], [{"head": "algoritmos de pesquisa", "tail": "modelos de variação de forma", "relation": "Usado-para"}, {"head": "conhecimento a priori", "tail": "algoritmos de pesquisa", "relation": "Usado-para"}], [{"head": "linearidade", "tail": "ACP", "relation": "Característica-de"}, {"head": "rotações", "tail": "não linearidades", "relation": "Hipónimo-de"}], [{"head": "interação do utilizador", "tail": "extensões não lineares dos modelos de forma ativos", "relation": "Usado-para"}], [], [{"head": "princípio do comprimento mínimo de descrição", "tail": "algoritmo", "relation": "Usado-para"}], [], [{"head": "modos de variação", "tail": "modelo", "relation": "Característica-de"}], [{"head": "dados sintéticos", "tail": "método", "relation": "Avaliado-para"}, {"head": "dados sintéticos", "tail": "imagens médicas", "relation": "Conjunção"}, {"head": "imagens médicas", "tail": "método", "relation": "Avaliado-para"}, {"head": "imagens médicas", "tail": "contornos de mãos", "relation": "Conjunção"}, {"head": "contornos de mãos", "tail": "método", "relation": "Avaliado-para"}]], "clusters": [["algoritmo", "modelo", "método"], ["modelos de forma ativos", "modelos de forma ativos"]]}
{"doc_id": "L08-1110", "text": "Descrevemos um conjunto de experiências para explorar técnicas estatísticas para ordenar e selecionar as melhores traduções num grafo de hipóteses de tradução. Num artigo anterior -LRB- Carl, 2007 -RRB- descrevemos como o grafo de hipóteses é gerado através de regras de mapeamento superficial e regras de permutação. Demos exemplos dos seus nós constituídos por vetores que representam propriedades morfossintáticas de palavras e frases. Este artigo descreve um conjunto de métodos para elaborar funções de características estatísticas a partir de alguns dos componentes dos vetores. As funções de características são treinadas off-line sobre diferentes tipos de texto e a sua combinação log-linear é então utilizada para recuperar os melhores M caminhos de tradução no grafo. Comparamos duas ferramentas de modelização de linguagem, o toolkit da CMU e o toolkit da SRI, e obtemos três resultados: 1 -RRB- modelos de funções de características baseados em lema de palavra produzem melhores resultados do que modelos baseados em tokens, 2 -RRB- acrescentar uma função de características de PoS-tag ao modelo de lema de palavra melhora a saída e 3 -RRB- pesos para traduções lexicais são adequados se o material de treino for semelhante aos textos a serem traduzidos.", "ner": [[{"text": "técnicas estatísticas", "type": "Método"}, {"text": "ordenar", "type": "Tarefa"}, {"text": "grafo de hipóteses de tradução", "type": "Outros Termos Científicos"}], [{"text": "grafo de hipóteses", "type": "Outros Termos Científicos"}, {"text": "mapeamento superficial", "type": "Método"}, {"text": "regras de permutação", "type": "Método"}], [{"text": "nós", "type": "Outros Termos Científicos"}, {"text": "vetores que representam propriedades morfossintáticas", "type": "Outros Termos Científicos"}], [{"text": "métodos", "type": "Genérico"}, {"text": "funções de características estatísticas", "type": "Outros Termos Científicos"}, {"text": "componentes dos vetores", "type": "Método"}], [{"text": "funções de características", "type": "Outros Termos Científicos"}, {"text": "combinação log-linear", "type": "Outros Termos Científicos"}, {"text": "caminhos de tradução", "type": "Outros Termos Científicos"}, {"text": "grafo", "type": "Outros Termos Científicos"}], [{"text": "ferramentas de modelização de linguagem", "type": "Método"}, {"text": "toolkit da CMU e o toolkit da SRI", "type": "Método"}, {"text": "modelos de funções de características baseados em lema de palavra", "type": "Método"}, {"text": "modelos baseados em tokens", "type": "Método"}, {"text": "função de características de PoS-tag", "type": "Outros Termos Científicos"}, {"text": "modelo de lema de palavra", "type": "Método"}, {"text": "traduções lexicais", "type": "Tarefa"}]], "relations": [[{"head": "técnicas estatísticas", "tail": "ordenar", "relation": "Usado-para"}], [{"head": "mapeamento superficial", "tail": "grafo de hipóteses", "relation": "Usado-para"}, {"head": "mapeamento superficial", "tail": "regras de permutação", "relation": "Conjunção"}, {"head": "regras de permutação", "tail": "grafo de hipóteses", "relation": "Usado-para"}], [], [{"head": "métodos", "tail": "funções de características estatísticas", "relation": "Usado-para"}, {"head": "componentes dos vetores", "tail": "métodos", "relation": "Usado-para"}], [{"head": "combinação log-linear", "tail": "caminhos de tradução", "relation": "Usado-para"}, {"head": "caminhos de tradução", "tail": "grafo", "relation": "Parte-de"}], [{"head": "toolkit da CMU e o toolkit da SRI", "tail": "ferramentas de modelização de linguagem", "relation": "Hipónimo-de"}, {"head": "modelos de funções de características baseados em lema de palavra", "tail": "modelos baseados em tokens", "relation": "Comparado-com"}, {"head": "função de características de PoS-tag", "tail": "modelo de lema de palavra", "relation": "Parte-de"}]], "clusters": [["grafo de hipóteses de tradução", "grafo de hipóteses", "grafo"], ["funções de características estatísticas", "funções de características"], ["modelos de funções de características baseados em lema de palavra", "modelo de lema de palavra"]]}
{"doc_id": "L08-1154", "text": "As técnicas existentes extraem candidatos a termos procurando informação interna e contextual associada a termos específicos de domínio. Os algoritmos enfrentam sempre o dilema de que menos características não são suficientes para distinguir termos de não-termos, enquanto mais características conduzem a mais conflitos entre as características selecionadas. Este artigo apresenta uma abordagem inovadora para extração de termos baseada em delimitadores que são muito mais estáveis e independentes do domínio. A abordagem proposta não é tão sensível à frequência de termos como a de trabalhos anteriores. Esta abordagem não tem limite estrito nem regras rígidas e, portanto, pode lidar com todos os tipos de termos. Também não requer conhecimento prévio do domínio nem treino adicional para se adaptar a novos domínios. Consequentemente, a abordagem proposta pode ser aplicada facilmente a diferentes domínios e é especialmente útil para domínios com recursos limitados. Avaliações conduzidas em dois domínios diferentes para extração de termos em chinês mostram melhorias significativas em relação às técnicas existentes, o que confirma a sua eficiência e natureza independente do domínio. Experiências sobre extração de novos termos indicam que a abordagem proposta também pode servir como uma ferramenta eficaz para a expansão de léxicos de domínio.", "ner": [[{"text": "informação interna e contextual", "type": "Outros Termos Científicos"}, {"text": "termos específicos de domínio", "type": "Outros Termos Científicos"}], [{"text": "características", "type": "Outros Termos Científicos"}, {"text": "características", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "extração de termos", "type": "Tarefa"}, {"text": "delimitadores", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "frequência de termos", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "regras rígidas", "type": "Outros Termos Científicos"}], [{"text": "conhecimento prévio do domínio", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "esta", "type": "Genérico"}, {"text": "domínios com recursos limitados", "type": "Material"}], [{"text": "Avaliações", "type": "Genérico"}, {"text": "extração de termos em chinês", "type": "Tarefa"}], [{"text": "extração de novos termos", "type": "Tarefa"}, {"text": "abordagem", "type": "Genérico"}, {"text": "ferramenta", "type": "Genérico"}, {"text": "expansão de léxicos de domínio", "type": "Tarefa"}]], "relations": [[{"head": "termos específicos de domínio", "tail": "informação interna e contextual", "relation": "Característica-de"}], [], [{"head": "abordagem", "tail": "extração de termos", "relation": "Usado-para"}, {"head": "delimitadores", "tail": "abordagem", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "frequência de termos", "relation": "Comparado-com"}], [], [], [{"head": "esta", "tail": "domínios com recursos limitados", "relation": "Usado-para"}], [{"head": "Avaliações", "tail": "extração de termos em chinês", "relation": "Avaliado-para"}], [{"head": "abordagem", "tail": "expansão de léxicos de domínio", "relation": "Usado-para"}]], "clusters": [["abordagem", "abordagem", "abordagem", "abordagem", "esta", "abordagem", "ferramenta"]]}
{"doc_id": "H05-2007", "text": "Descrevemos um método para identificar padrões sistemáticos em dados de tradução usando sequências de etiquetas de classe gramatical. Incorporamos esta análise numa ferramenta de diagnóstico destinada a programadores de sistemas de tradução automática e demonstramos como a nossa aplicação pode ser utilizada por programadores para explorar padrões na saída de tradução automática.", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "padrões sistemáticos em dados de tradução", "type": "Outros Termos Científicos"}, {"text": "sequências de etiquetas de classe gramatical", "type": "Material"}], [{"text": "análise", "type": "Genérico"}, {"text": "ferramenta de diagnóstico", "type": "Método"}, {"text": "sistemas de tradução automática", "type": "Método"}, {"text": "aplicação", "type": "Genérico"}, {"text": "padrões na saída de tradução automática", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "método", "tail": "padrões sistemáticos em dados de tradução", "relation": "Usado-para"}, {"head": "sequências de etiquetas de classe gramatical", "tail": "método", "relation": "Usado-para"}], [{"head": "análise", "tail": "ferramenta de diagnóstico", "relation": "Parte-de"}, {"head": "ferramenta de diagnóstico", "tail": "sistemas de tradução automática", "relation": "Usado-para"}, {"head": "aplicação", "tail": "padrões na saída de tradução automática", "relation": "Usado-para"}]], "clusters": [["ferramenta de diagnóstico", "aplicação"], ["método", "análise"]]}
{"doc_id": "NIPS_1996_22_abs", "text": "Estudamos o número de camadas escondidas necessário a uma rede neural multicamada com unidades limiar para calcular uma função f de n d em -LCB- O , I -RCB- . Na dimensão d = 2 , Gibson caracterizou as funções computáveis com apenas uma camada escondida , sob a suposição de que não existe nenhum 'ponto de interseção múltipla' e de que f só está definida num conjunto compacto . Consideramos a restrição de f à vizinhança de um ponto de interseção múltipla ou do infinito , e damos condições necessárias e suficientes para que seja localmente computável com uma camada escondida . Mostramos que acrescentar estas condições às suposições de Gibson não é suficiente para garantir a computabilidade global com uma camada escondida , exibindo uma nova configuração não local , o 'ciclo crítico', que implica que f não é computável com uma camada escondida .", "ner": [[{"text": "número de camadas escondidas", "type": "Outros Termos Científicos"}, {"text": "rede neural multicamada", "type": "Método"}, {"text": "unidades limiar", "type": "Outros Termos Científicos"}], [{"text": "camada escondida", "type": "Outros Termos Científicos"}], [{"text": "camada escondida", "type": "Outros Termos Científicos"}], [{"text": "computabilidade global", "type": "Outros Termos Científicos"}, {"text": "camada escondida", "type": "Outros Termos Científicos"}, {"text": "configuração não local", "type": "Outros Termos Científicos"}, {"text": "'ciclo crítico'", "type": "Outros Termos Científicos"}, {"text": "camada escondida", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "número de camadas escondidas", "tail": "rede neural multicamada", "relation": "Usado-para"}, {"head": "unidades limiar", "tail": "número de camadas escondidas", "relation": "Usado-para"}], [], [], [{"head": "'ciclo crítico'", "tail": "configuração não local", "relation": "Hipónimo-de"}]], "clusters": []}
{"doc_id": "ECCV_2014_50_abs", "text": "Este artigo apresenta uma abordagem para estimar as propriedades de textura intrínsecas -LRB- albedo , sombreamento , normal -RRB- de cenas a partir de aquisição multi‑vista sob condições de iluminação desconhecidas . Introduzimos o conceito de texturas intrínsecas , que são texturas de superfície à resolução de píxel que representam os parâmetros de aparência intrínseca de uma cena . Ao contrário dos métodos de reiluminação de vídeo anteriores, a abordagem não assume regiões de albedo uniforme , o que faz ela aplicável a cenas ricas em textura . Mostramos que métodos de imagem intrínseca podem ser usados para refinar uma estimativa inicial de sombreamento de baixa frequência , baseada numa reconstrução global da iluminação a partir de uma textura original e geometria de cena grosseira , de modo a resolver a ambiguidade global inerente no sombreamento . O método é aplicado à reiluminação de renderização de ponto de vista livre a partir de captura de vídeo multi‑vista . Isto demonstra reiluminação com reprodução de detalhes finos de superfície .", "ner": [[{"text": "abordagem", "type": "Genérico"}, {"text": "propriedades de textura intrínsecas -LRB- albedo , sombreamento , normal -RRB- de cenas", "type": "Tarefa"}, {"text": "aquisição multi‑vista", "type": "Tarefa"}, {"text": "condições de iluminação desconhecidas", "type": "Outros Termos Científicos"}], [{"text": "texturas intrínsecas", "type": "Outros Termos Científicos"}, {"text": "texturas de superfície à resolução de píxel", "type": "Outros Termos Científicos"}, {"text": "parâmetros de aparência intrínseca", "type": "Outros Termos Científicos"}], [{"text": "métodos de reiluminação de vídeo", "type": "Método"}, {"text": "abordagem", "type": "Genérico"}, {"text": "albedo uniforme", "type": "Outros Termos Científicos"}, {"text": "ela", "type": "Genérico"}, {"text": "cenas ricas em textura", "type": "Material"}], [{"text": "métodos de imagem intrínseca", "type": "Método"}, {"text": "estimativa inicial de sombreamento de baixa frequência", "type": "Tarefa"}, {"text": "reconstrução global da iluminação", "type": "Outros Termos Científicos"}, {"text": "textura original e geometria de cena grosseira", "type": "Outros Termos Científicos"}, {"text": "ambiguidade global inerente no sombreamento", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "reiluminação de renderização de ponto de vista livre", "type": "Tarefa"}, {"text": "captura de vídeo multi‑vista", "type": "Outros Termos Científicos"}], [{"text": "reiluminação", "type": "Tarefa"}, {"text": "reprodução de detalhes finos de superfície", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "abordagem", "tail": "propriedades de textura intrínsecas -LRB- albedo , sombreamento , normal -RRB- de cenas", "relation": "Usado-para"}, {"head": "aquisição multi‑vista", "tail": "propriedades de textura intrínsecas -LRB- albedo , sombreamento , normal -RRB- de cenas", "relation": "Usado-para"}, {"head": "condições de iluminação desconhecidas", "tail": "aquisição multi‑vista", "relation": "Característica-de"}], [], [{"head": "abordagem", "tail": "métodos de reiluminação de vídeo", "relation": "Comparado-com"}, {"head": "ela", "tail": "cenas ricas em textura", "relation": "Usado-para"}], [{"head": "métodos de imagem intrínseca", "tail": "estimativa inicial de sombreamento de baixa frequência", "relation": "Usado-para"}, {"head": "estimativa inicial de sombreamento de baixa frequência", "tail": "ambiguidade global inerente no sombreamento", "relation": "Usado-para"}, {"head": "reconstrução global da iluminação", "tail": "métodos de imagem intrínseca", "relation": "Usado-para"}, {"head": "textura original e geometria de cena grosseira", "tail": "reconstrução global da iluminação", "relation": "Característica-de"}], [{"head": "método", "tail": "reiluminação de renderização de ponto de vista livre", "relation": "Usado-para"}, {"head": "captura de vídeo multi‑vista", "tail": "reiluminação de renderização de ponto de vista livre", "relation": "Usado-para"}], [{"head": "reprodução de detalhes finos de superfície", "tail": "reiluminação", "relation": "Característica-de"}]], "clusters": [["abordagem", "abordagem", "ela", "métodos de imagem intrínseca", "método"], ["texturas intrínsecas", "texturas de superfície à resolução de píxel"], ["reiluminação de renderização de ponto de vista livre", "reiluminação"]]}
{"doc_id": "H05-1117", "text": "Na sequência de desenvolvimentos recentes na avaliação automática da tradução automática e da sumarização de documentos, apresentamos uma abordagem semelhante, implementada numa medida chamada POURPRE, para a avaliação automática de respostas a perguntas de definição. Até agora, a única forma de avaliar a correção das respostas a tais perguntas envolve determinar manualmente se um fragmento de informação aparece na resposta de um sistema. A falta de métodos automáticos para pontuar a saída dos sistemas é um impedimento ao progresso na área, que abordamos com este trabalho. Experiências com as tarefas de QA do TREC 2003 e TREC 2004 indicam que as ordenações produzidas pela nossa métrica se correlacionam fortemente com as ordenações oficiais, e que o POURPRE supera a aplicação direta de métricas existentes.", "ner": [[{"text": "avaliação automática", "type": "Tarefa"}, {"text": "avaliação automática da tradução automática e da sumarização de documentos", "type": "Tarefa"}, {"text": "tradução automática", "type": "Tarefa"}, {"text": "sumarização de documentos", "type": "Tarefa"}, {"text": "abordagem", "type": "Genérico"}, {"text": "medida", "type": "Genérico"}, {"text": "POURPRE", "type": "Métrica"}, {"text": "avaliação automática de respostas a perguntas de definição", "type": "Tarefa"}], [], [], [{"text": "tarefas de QA do TREC 2003 e TREC 2004", "type": "Material"}, {"text": "ordenações", "type": "Outros Termos Científicos"}, {"text": "métrica", "type": "Genérico"}, {"text": "ordenações oficiais", "type": "Outros Termos Científicos"}, {"text": "POURPRE", "type": "Métrica"}, {"text": "métricas", "type": "Genérico"}]], "relations": [[{"head": "avaliação automática", "tail": "tradução automática", "relation": "Avaliado-para"}, {"head": "avaliação automática", "tail": "sumarização de documentos", "relation": "Avaliado-para"}, {"head": "tradução automática", "tail": "sumarização de documentos", "relation": "Conjunção"}, {"head": "medida", "tail": "abordagem", "relation": "Usado-para"}, {"head": "medida", "tail": "avaliação automática de respostas a perguntas de definição", "relation": "Usado-para"}], [], [], [{"head": "tarefas de QA do TREC 2003 e TREC 2004", "tail": "métrica", "relation": "Avaliado-para"}, {"head": "tarefas de QA do TREC 2003 e TREC 2004", "tail": "POURPRE", "relation": "Avaliado-para"}, {"head": "tarefas de QA do TREC 2003 e TREC 2004", "tail": "métricas", "relation": "Avaliado-para"}, {"head": "métrica", "tail": "ordenações", "relation": "Usado-para"}, {"head": "POURPRE", "tail": "métricas", "relation": "Comparado-com"}]], "clusters": [["medida", "POURPRE", "métrica", "métrica", "POURPRE"]]}
{"doc_id": "H01-1055", "text": "Avanços recentes na tecnologia de Reconhecimento Automático de Fala aproximaram o objetivo de sistemas de diálogo com som natural . No entanto , o reconhecimento de fala melhorado trouxe à luz um novo problema : à medida que os sistemas de diálogo compreendem mais do que o utilizador lhes diz , eles precisam de ser mais sofisticados na forma como respondem ao utilizador . A questão da resposta do sistema aos utilizadores tem sido extensivamente estudada pela comunidade de geração de linguagem natural , embora raramente no contexto de sistemas de diálogo . Mostramos como a investigação em geração pode ser adaptada a sistemas de diálogo , e como o elevado custo de construção manual de sistemas de geração baseados em conhecimento pode ser ultrapassado através da utilização de técnicas de aprendizagem automática .", "ner": [[{"text": "tecnologia de Reconhecimento Automático de Fala", "type": "Método"}, {"text": "sistemas de diálogo", "type": "Tarefa"}], [{"text": "reconhecimento de fala", "type": "Tarefa"}, {"text": "sistemas de diálogo", "type": "Tarefa"}, {"text": "eles", "type": "Genérico"}], [{"text": "resposta do sistema", "type": "Outros Termos Científicos"}, {"text": "comunidade de geração de linguagem natural", "type": "Tarefa"}, {"text": "sistemas de diálogo", "type": "Tarefa"}], [{"text": "geração", "type": "Tarefa"}, {"text": "sistemas de diálogo", "type": "Tarefa"}, {"text": "construção manual de sistemas de geração baseados em conhecimento", "type": "Método"}, {"text": "técnicas de aprendizagem automática", "type": "Método"}]], "relations": [[{"head": "tecnologia de Reconhecimento Automático de Fala", "tail": "sistemas de diálogo", "relation": "Usado-para"}], [], [{"head": "resposta do sistema", "tail": "comunidade de geração de linguagem natural", "relation": "Parte-de"}, {"head": "comunidade de geração de linguagem natural", "tail": "sistemas de diálogo", "relation": "Comparado-com"}], [{"head": "geração", "tail": "sistemas de diálogo", "relation": "Usado-para"}, {"head": "técnicas de aprendizagem automática", "tail": "construção manual de sistemas de geração baseados em conhecimento", "relation": "Usado-para"}]], "clusters": [["sistemas de diálogo", "sistemas de diálogo", "eles", "sistemas de diálogo", "sistemas de diálogo"]]}
{"doc_id": "ICASSP_2016_3_abs", "text": "A deteção de depressão baseada na fala ganhou importância nos últimos anos, mas a maioria da investigação utilizou condições relativamente silenciosas ou analisou um único corpus por estudo. Pouco se sabe, portanto, sobre a robustez dos indícios de fala em condições naturais. Este estudo compara o efeito do ruído e da reverberação na predição de depressão usando 1 -RRB- coeficientes cepstrais na frequência de Mel -LRB- MFCCs -RRB- padrão e 2 -RRB- características concebidas para robustez ao ruído, coeficientes cepstrais de oscilador amortecido -LRB- DOCCs -RRB-. Os dados provêm do AudioVisual Emotion Recognition Challenge de 2014 -LRB- AVEC -RRB-. Resultados utilizando ruído aditivo e reverberação revelam um padrão consistente de resultados para múltiplas métricas de avaliação, tanto em condições correspondentes como não correspondentes. Em primeiro lugar, e mais importante: as características MFCC padrão sofrem de forma dramática sob desigualdade entre teste/treino tanto para ruído como para reverberação; as características DOCC são muito mais robustas. Em segundo lugar, incluir coeficientes cepstrais de ordem superior é geralmente benéfico. Em terceiro lugar, redes neuronais artificiais tendem a superar a regressão por vetores de suporte. Em quarto lugar, a fala espontânea parece oferecer melhor robustez do que a fala lida. Finalmente, uma experiência cruzado-corpus -LRB- e cruzado-língua -RRB- revela melhor robustez ao ruído e à reverberação para DOCCs do que para MFCCs. São discutidas implicações e direções futuras para uma deteção de depressão robusta no mundo real.", "ner": [[{"text": "Deteção de depressão baseada na fala", "type": "Tarefa"}], [{"text": "robustez", "type": "Métrica"}, {"text": "indícios de fala", "type": "Outros Termos Científicos"}], [{"text": "ruído", "type": "Outros Termos Científicos"}, {"text": "reverberação", "type": "Outros Termos Científicos"}, {"text": "predição de depressão", "type": "Tarefa"}, {"text": "coeficientes cepstrais na frequência de Mel -LRB- MFCCs -RRB-", "type": "Método"}, {"text": "características", "type": "Genérico"}, {"text": "robustez ao ruído", "type": "Métrica"}, {"text": "coeficientes cepstrais de oscilador amortecido -LRB- DOCCs -RRB-", "type": "Método"}], [{"text": "AudioVisual Emotion Recognition Challenge de 2014 -LRB- AVEC -RRB-", "type": "Material"}], [{"text": "ruído aditivo", "type": "Outros Termos Científicos"}, {"text": "reverberação", "type": "Outros Termos Científicos"}, {"text": "métricas de avaliação", "type": "Métrica"}], [{"text": "características MFCC", "type": "Método"}, {"text": "ruído", "type": "Outros Termos Científicos"}, {"text": "reverberação", "type": "Outros Termos Científicos"}, {"text": "características DOCC", "type": "Método"}], [{"text": "coeficientes cepstrais de ordem superior", "type": "Outros Termos Científicos"}], [{"text": "redes neuronais artificiais", "type": "Método"}, {"text": "regressão por vetores de suporte", "type": "Método"}], [{"text": "fala espontânea", "type": "Material"}, {"text": "fala lida", "type": "Material"}], [{"text": "experiência cruzado-corpus -LRB- e cruzado-língua -RRB-", "type": "Outros Termos Científicos"}, {"text": "robustez ao ruído e à reverberação", "type": "Métrica"}, {"text": "DOCCs", "type": "Método"}, {"text": "MFCCs", "type": "Método"}], [{"text": "deteção de depressão robusta no mundo real", "type": "Tarefa"}]], "relations": [[], [{"head": "indícios de fala", "tail": "robustez", "relation": "Característica-de"}], [{"head": "ruído", "tail": "reverberação", "relation": "Conjunção"}, {"head": "ruído", "tail": "predição de depressão", "relation": "Característica-de"}, {"head": "reverberação", "tail": "predição de depressão", "relation": "Característica-de"}, {"head": "coeficientes cepstrais na frequência de Mel -LRB- MFCCs -RRB-", "tail": "predição de depressão", "relation": "Usado-para"}, {"head": "coeficientes cepstrais na frequência de Mel -LRB- MFCCs -RRB-", "tail": "características", "relation": "Conjunção"}, {"head": "características", "tail": "robustez ao ruído", "relation": "Usado-para"}, {"head": "características", "tail": "coeficientes cepstrais de oscilador amortecido -LRB- DOCCs -RRB-", "relation": "Conjunção"}], [], [{"head": "ruído aditivo", "tail": "reverberação", "relation": "Conjunção"}], [{"head": "ruído", "tail": "reverberação", "relation": "Conjunção"}, {"head": "características DOCC", "tail": "características MFCC", "relation": "Comparado-com"}], [], [{"head": "redes neuronais artificiais", "tail": "regressão por vetores de suporte", "relation": "Comparado-com"}], [{"head": "fala espontânea", "tail": "fala lida", "relation": "Comparado-com"}], [{"head": "experiência cruzado-corpus -LRB- e cruzado-língua -RRB-", "tail": "DOCCs", "relation": "Avaliado-para"}, {"head": "experiência cruzado-corpus -LRB- e cruzado-língua -RRB-", "tail": "MFCCs", "relation": "Avaliado-para"}, {"head": "robustez ao ruído e à reverberação", "tail": "DOCCs", "relation": "Avaliado-para"}, {"head": "robustez ao ruído e à reverberação", "tail": "MFCCs", "relation": "Avaliado-para"}, {"head": "DOCCs", "tail": "MFCCs", "relation": "Comparado-com"}], []], "clusters": [["características", "coeficientes cepstrais de oscilador amortecido -LRB- DOCCs -RRB-", "características DOCC", "DOCCs"], ["coeficientes cepstrais na frequência de Mel -LRB- MFCCs -RRB-", "características MFCC", "MFCCs"]]}
{"doc_id": "H89-1027", "text": "Recentemente, iniciámos um projeto para desenvolver um sistema de compreensão de linguagem falada foneticamente baseado chamado SUMMIT. Em contraste com muitos dos esforços anteriores que fazem uso de regras heurísticas cujo desenvolvimento requer engenharia de conhecimento intensiva, a nossa abordagem procura exprimir o conhecimento da fala dentro de uma estrutura formal utilizando ferramentas matemáticas bem definidas. No nosso sistema, as características e as estratégias de decisão são descobertas e treinadas automaticamente, utilizando um grande conjunto de dados de fala. Este artigo descreve o sistema e documenta o seu desempenho atual.", "ner": [[{"text": "sistema de compreensão de linguagem falada foneticamente baseado", "type": "Método"}, {"text": "SUMMIT", "type": "Método"}], [{"text": "regras heurísticas", "type": "Método"}, {"text": "engenharia de conhecimento", "type": "Método"}, {"text": "abordagem", "type": "Genérico"}, {"text": "conhecimento da fala", "type": "Outros Termos Científicos"}, {"text": "ferramentas matemáticas", "type": "Método"}], [{"text": "sistema", "type": "Genérico"}, {"text": "características", "type": "Outros Termos Científicos"}, {"text": "estratégias de decisão", "type": "Método"}, {"text": "dados de fala", "type": "Material"}], [{"text": "sistema", "type": "Genérico"}]], "relations": [[{"head": "SUMMIT", "tail": "sistema de compreensão de linguagem falada foneticamente baseado", "relation": "Hipónimo-de"}], [{"head": "engenharia de conhecimento", "tail": "regras heurísticas", "relation": "Usado-para"}, {"head": "abordagem", "tail": "conhecimento da fala", "relation": "Usado-para"}, {"head": "ferramentas matemáticas", "tail": "conhecimento da fala", "relation": "Usado-para"}], [{"head": "características", "tail": "estratégias de decisão", "relation": "Conjunção"}, {"head": "dados de fala", "tail": "estratégias de decisão", "relation": "Usado-para"}], []], "clusters": [["SUMMIT", "abordagem", "sistema", "sistema"]]}
{"doc_id": "H91-1067", "text": "Este artigo descreve um programa implementado que recebe um corpus de texto etiquetado e gera uma lista parcial dos enquadramentos de subcategorização em que cada verbo ocorre. A completude da lista de saída aumenta monotonamente com o número total de ocorrências de cada verbo no corpus de treino. As taxas de falsos positivos são de um a três por cento. Cinco enquadramentos de subcategorização são atualmente detetados e não prevemos qualquer impedimento para detetar muitos mais. Em última análise, esperamos fornecer um grande dicionário de subcategorização à comunidade de PLN e treinar dicionários para corpora específicos.", "ner": [[{"text": "programa", "type": "Genérico"}, {"text": "corpus de texto etiquetado", "type": "Material"}, {"text": "enquadramentos de subcategorização", "type": "Outros Termos Científicos"}], [], [{"text": "taxas de falsos positivos", "type": "Métrica"}], [{"text": "enquadramentos de subcategorização", "type": "Outros Termos Científicos"}], [{"text": "dicionário de subcategorização", "type": "Material"}]], "relations": [[{"head": "corpus de texto etiquetado", "tail": "programa", "relation": "Avaliado-para"}], [], [], [], []], "clusters": []}
{"doc_id": "CVPR_2011_18_abs", "text": "Apresentamos um método para estimar a pose relativa de duas câmaras de vigilância calibradas ou não calibradas e não sobrepostas a partir da observação de um objeto em movimento. Mostramos como abordar o problema de correspondências de pontos em falta, fortemente exigidas pelos pipelines de SfM, e como ir além deste paradigma básico. Relaxamos a natureza não linear do problema aceitando duas suposições que os cenários de vigilância oferecem, isto é, a presença de um objeto em movimento e um vetor gravidade facilmente estimável. Com essas suposições formulamos o problema como um Problema de Valores Próprios Quadrático, oferecendo uma forma elegante de tratar monómios não lineares e fornecendo uma solução quase em forma fechada como ponto de partida fiável para um ajustamento de feixe posterior. Somos os primeiros a trazer a solução em forma fechada para um problema tão prático que surge na vigilância por vídeo. Resultados em diferentes configurações de câmaras demonstram a exequibilidade da abordagem.", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "pose relativa de duas câmaras de vigilância calibradas ou não calibradas e não sobrepostas", "type": "Tarefa"}], [{"text": "correspondências de pontos em falta", "type": "Tarefa"}, {"text": "pipelines de SfM", "type": "Método"}, {"text": "paradigma", "type": "Genérico"}], [{"text": "natureza não linear", "type": "Outros Termos Científicos"}, {"text": "problema", "type": "Genérico"}, {"text": "suposições", "type": "Genérico"}, {"text": "cenários de vigilância", "type": "Outros Termos Científicos"}], [{"text": "vetor gravidade", "type": "Outros Termos Científicos"}], [{"text": "suposições", "type": "Genérico"}, {"text": "problema", "type": "Genérico"}, {"text": "Problema de Valores Próprios Quadrático", "type": "Tarefa"}, {"text": "monómios não lineares", "type": "Outros Termos Científicos"}, {"text": "solução quase em forma fechada", "type": "Método"}, {"text": "ajustamento de feixe", "type": "Tarefa"}], [{"text": "solução em forma fechada", "type": "Método"}, {"text": "problema", "type": "Genérico"}, {"text": "vigilância por vídeo", "type": "Tarefa"}], [{"text": "abordagem", "type": "Genérico"}]], "relations": [[{"head": "método", "tail": "pose relativa de duas câmaras de vigilância calibradas ou não calibradas e não sobrepostas", "relation": "Usado-para"}], [{"head": "pipelines de SfM", "tail": "correspondências de pontos em falta", "relation": "Usado-para"}], [{"head": "natureza não linear", "tail": "problema", "relation": "Característica-de"}], [], [{"head": "Problema de Valores Próprios Quadrático", "tail": "problema", "relation": "Usado-para"}, {"head": "Problema de Valores Próprios Quadrático", "tail": "monómios não lineares", "relation": "Usado-para"}, {"head": "Problema de Valores Próprios Quadrático", "tail": "solução quase em forma fechada", "relation": "Usado-para"}, {"head": "solução quase em forma fechada", "tail": "ajustamento de feixe", "relation": "Usado-para"}], [{"head": "solução em forma fechada", "tail": "problema", "relation": "Usado-para"}, {"head": "vigilância por vídeo", "tail": "problema", "relation": "Característica-de"}], []], "clusters": [["suposições", "suposições"], ["correspondências de pontos em falta", "problema", "problema", "problema"], ["pipelines de SfM", "paradigma"], ["método", "solução quase em forma fechada", "solução em forma fechada", "abordagem"]]}
{"doc_id": "CVPR_2007_18_abs", "text": "Neste artigo, propomos um sistema de reconhecimento de ações humanas adequado para aplicações de visão computacional embebida em sistemas de segurança, interação humano-computador e ambientes inteligentes. O nosso sistema é adequado para aplicação de visão computacional embebida com base em três razões. Em primeiro lugar, o sistema foi baseado num classificador de Máquina de Vetores de Suporte linear -LRB- SVM -RRB-, em que o processo de classificação pode ser implementado de forma fácil e rápida em hardware embebido. Em segundo lugar, utilizamos características de movimento compactadas, facilmente obtidas a partir de vídeos. Abordamos as limitações da conhecida Imagem de Histórico de Movimento -LRB- MHI -RRB- e propomos uma nova característica Histograma Hierárquico de Histórico de Movimento -LRB- HMHH -RRB- para representar a informação de movimento. A HMHH não só fornece informação de movimento rica, como também permanece computacionalmente pouco dispendiosa. Finalmente, combinamos a MHI e a HMHH e extraímos um vetor de características de baixa dimensão a ser utilizado nos classificadores SVM. Resultados experimentais mostram que o nosso sistema obtém uma melhoria significativa no desempenho de reconhecimento.", "ner": [[{"text": "sistema de reconhecimento de ações humanas", "type": "Método"}, {"text": "aplicações de visão computacional embebida", "type": "Tarefa"}, {"text": "sistemas de segurança", "type": "Tarefa"}, {"text": "interação humano-computador", "type": "Tarefa"}, {"text": "ambientes inteligentes", "type": "Tarefa"}], [{"text": "sistema", "type": "Genérico"}, {"text": "aplicação de visão computacional embebida", "type": "Tarefa"}], [{"text": "sistema", "type": "Genérico"}, {"text": "classificador de Máquina de Vetores de Suporte linear -LRB- SVM -RRB-", "type": "Método"}, {"text": "processo de classificação", "type": "Método"}, {"text": "hardware embebido", "type": "Outros Termos Científicos"}], [{"text": "características de movimento compactadas", "type": "Outros Termos Científicos"}, {"text": "vídeos", "type": "Material"}], [{"text": "Imagem de Histórico de Movimento -LRB- MHI -RRB-", "type": "Método"}, {"text": "característica Histograma Hierárquico de Histórico de Movimento -LRB- HMHH -RRB-", "type": "Método"}, {"text": "informação de movimento", "type": "Outros Termos Científicos"}], [{"text": "HMHH", "type": "Método"}, {"text": "informação de movimento rica", "type": "Outros Termos Científicos"}], [{"text": "MHI", "type": "Método"}, {"text": "HMHH", "type": "Método"}, {"text": "vetor de características de baixa dimensão", "type": "Outros Termos Científicos"}, {"text": "classificadores SVM", "type": "Método"}], [{"text": "sistema", "type": "Genérico"}, {"text": "reconhecimento", "type": "Tarefa"}]], "relations": [[{"head": "sistema de reconhecimento de ações humanas", "tail": "aplicações de visão computacional embebida", "relation": "Usado-para"}, {"head": "aplicações de visão computacional embebida", "tail": "sistemas de segurança", "relation": "Usado-para"}, {"head": "aplicações de visão computacional embebida", "tail": "interação humano-computador", "relation": "Usado-para"}, {"head": "aplicações de visão computacional embebida", "tail": "ambientes inteligentes", "relation": "Usado-para"}, {"head": "sistemas de segurança", "tail": "interação humano-computador", "relation": "Conjunção"}, {"head": "interação humano-computador", "tail": "ambientes inteligentes", "relation": "Conjunção"}], [{"head": "sistema", "tail": "aplicação de visão computacional embebida", "relation": "Usado-para"}], [{"head": "classificador de Máquina de Vetores de Suporte linear -LRB- SVM -RRB-", "tail": "sistema", "relation": "Usado-para"}, {"head": "hardware embebido", "tail": "processo de classificação", "relation": "Usado-para"}], [{"head": "vídeos", "tail": "características de movimento compactadas", "relation": "Usado-para"}], [{"head": "característica Histograma Hierárquico de Histórico de Movimento -LRB- HMHH -RRB-", "tail": "informação de movimento", "relation": "Usado-para"}], [{"head": "HMHH", "tail": "informação de movimento rica", "relation": "Usado-para"}], [{"head": "MHI", "tail": "HMHH", "relation": "Conjunção"}, {"head": "MHI", "tail": "vetor de características de baixa dimensão", "relation": "Usado-para"}, {"head": "HMHH", "tail": "vetor de características de baixa dimensão", "relation": "Usado-para"}, {"head": "vetor de características de baixa dimensão", "tail": "classificadores SVM", "relation": "Usado-para"}], [{"head": "reconhecimento", "tail": "sistema", "relation": "Avaliado-para"}]], "clusters": [["sistema de reconhecimento de ações humanas", "sistema", "sistema", "sistema"], ["classificador de Máquina de Vetores de Suporte linear -LRB- SVM -RRB-", "processo de classificação", "classificadores SVM"], ["aplicações de visão computacional embebida", "aplicação de visão computacional embebida"], ["característica Histograma Hierárquico de Histórico de Movimento -LRB- HMHH -RRB-", "HMHH"]]}
{"doc_id": "E91-1043", "text": "Neste artigo defenderei um modelo de processamento gramatical que se baseia em fontes uniformes de processamento e fontes de conhecimento. A principal característica deste modelo é encarar a análise e a geração como duas tarefas fortemente intercaladas realizadas por um único processo de dedução parametrizado. Será mostrado que esta perspetiva suporta um processamento de linguagem natural flexível e eficiente.", "ner": [[{"text": "modelo de processamento gramatical", "type": "Método"}, {"text": "fontes uniformes de processamento", "type": "Método"}, {"text": "fontes de conhecimento", "type": "Material"}], [{"text": "modelo", "type": "Genérico"}, {"text": "análise", "type": "Tarefa"}, {"text": "geração", "type": "Tarefa"}, {"text": "tarefas", "type": "Genérico"}, {"text": "processo de dedução parametrizado", "type": "Método"}], [{"text": "processamento de linguagem natural", "type": "Tarefa"}]], "relations": [[{"head": "fontes uniformes de processamento", "tail": "modelo de processamento gramatical", "relation": "Usado-para"}, {"head": "fontes de conhecimento", "tail": "modelo de processamento gramatical", "relation": "Usado-para"}, {"head": "fontes de conhecimento", "tail": "fontes uniformes de processamento", "relation": "Conjunção"}], [{"head": "análise", "tail": "geração", "relation": "Conjunção"}, {"head": "análise", "tail": "tarefas", "relation": "Hipónimo-de"}, {"head": "geração", "tail": "tarefas", "relation": "Hipónimo-de"}, {"head": "processo de dedução parametrizado", "tail": "tarefas", "relation": "Usado-para"}], []], "clusters": [["modelo de processamento gramatical", "modelo"]]}
{"doc_id": "P03-1030", "text": "A deteção de ligações tem sido considerada uma tecnologia central para as tarefas de Deteção de Tópicos e Acompanhamento de novas ocorrências de eventos. Neste artigo formulamos a deteção de ligações entre notícias e a deteção de novos eventos como uma tarefa de recuperação de informação e formulamos hipóteses sobre o impacto da precisão e da revocação em ambos os sistemas. Motivados por estes argumentos, introduzimos um conjunto de novas técnicas de aumento de desempenho, incluindo marcação de classe gramatical, novas medidas de similaridade e listas de palavras vazias expandidas. Resultados experimentais validam a nossa hipótese.", "ner": [[{"text": "deteção de ligações", "type": "Tarefa"}, {"text": "tarefas de Deteção de Tópicos e Acompanhamento de novas ocorrências de eventos", "type": "Tarefa"}], [{"text": "deteção de ligações entre notícias", "type": "Tarefa"}, {"text": "deteção de novos eventos", "type": "Tarefa"}, {"text": "tarefa de recuperação de informação", "type": "Tarefa"}, {"text": "precisão", "type": "Métrica"}, {"text": "revocação", "type": "Métrica"}, {"text": "sistemas", "type": "Genérico"}], [{"text": "técnicas de aumento de desempenho", "type": "Método"}, {"text": "marcação de classe gramatical", "type": "Método"}, {"text": "medidas de similaridade", "type": "Método"}, {"text": "listas de palavras vazias expandidas", "type": "Outros Termos Científicos"}], []], "relations": [[{"head": "deteção de ligações", "tail": "tarefas de Deteção de Tópicos e Acompanhamento de novas ocorrências de eventos", "relation": "Usado-para"}], [{"head": "deteção de ligações entre notícias", "tail": "deteção de novos eventos", "relation": "Conjunção"}, {"head": "deteção de ligações entre notícias", "tail": "sistemas", "relation": "Hipónimo-de"}, {"head": "deteção de novos eventos", "tail": "sistemas", "relation": "Hipónimo-de"}, {"head": "tarefa de recuperação de informação", "tail": "deteção de ligações entre notícias", "relation": "Usado-para"}, {"head": "tarefa de recuperação de informação", "tail": "deteção de novos eventos", "relation": "Usado-para"}, {"head": "precisão", "tail": "revocação", "relation": "Conjunção"}, {"head": "precisão", "tail": "sistemas", "relation": "Avaliado-para"}, {"head": "revocação", "tail": "sistemas", "relation": "Avaliado-para"}], [{"head": "marcação de classe gramatical", "tail": "técnicas de aumento de desempenho", "relation": "Parte-de"}, {"head": "marcação de classe gramatical", "tail": "medidas de similaridade", "relation": "Conjunção"}, {"head": "medidas de similaridade", "tail": "técnicas de aumento de desempenho", "relation": "Parte-de"}, {"head": "medidas de similaridade", "tail": "listas de palavras vazias expandidas", "relation": "Conjunção"}, {"head": "listas de palavras vazias expandidas", "tail": "técnicas de aumento de desempenho", "relation": "Parte-de"}], []], "clusters": []}
{"doc_id": "NIPS_2003_10_abs", "text": "Procuramos compreender a classificação visual em humanos utilizando técnicas psicofísicas e de aprendizagem automática. Foram usadas vistas frontais de rostos humanos para uma tarefa de classificação de género. Os sujeitos humanos classificaram os rostos e o seu juízo de género, o tempo de reação e a avaliação de confiança foram registados. Vários algoritmos de aprendizagem de hiperplanos foram usados na mesma tarefa de classificação utilizando os Componentes Principais da textura e a representação de campo de fluxo dos rostos. O desempenho de classificação dos algoritmos de aprendizagem foi estimado utilizando a base de dados de rostos com o verdadeiro género dos rostos como rótulos, e também com o género estimado pelos sujeitos. Em seguida correlacionámos as respostas humanas com a distância dos estímulos ao hiperplano separador dos algoritmos de aprendizagem. Os nossos resultados sugerem que a classificação humana pode ser modelada por alguns algoritmos de hiperplano no espaço de características que utilizámos. Para a classificação, o cérebro necessita de mais processamento para estímulos próximos desse hiperplano do que para aqueles mais afastados.", "ner": [[{"text": "classificação visual", "type": "Tarefa"}, {"text": "técnicas psicofísicas e de aprendizagem automática", "type": "Método"}], [{"text": "vistas frontais de rostos humanos", "type": "Outros Termos Científicos"}, {"text": "tarefa de classificação de género", "type": "Tarefa"}], [{"text": "juízo de género", "type": "Outros Termos Científicos"}, {"text": "tempo de reação", "type": "Outros Termos Científicos"}, {"text": "avaliação de confiança", "type": "Outros Termos Científicos"}], [{"text": "algoritmos de aprendizagem de hiperplanos", "type": "Método"}, {"text": "tarefa de classificação", "type": "Tarefa"}, {"text": "Componentes Principais da textura", "type": "Outros Termos Científicos"}, {"text": "representação de campo de fluxo dos rostos", "type": "Método"}], [{"text": "classificação", "type": "Tarefa"}, {"text": "algoritmos de aprendizagem", "type": "Método"}, {"text": "base de dados de rostos", "type": "Tarefa"}], [{"text": "hiperplano separador dos algoritmos de aprendizagem", "type": "Outros Termos Científicos"}, {"text": "algoritmos de aprendizagem", "type": "Método"}], [{"text": "classificação humana", "type": "Tarefa"}, {"text": "algoritmos de hiperplano", "type": "Método"}, {"text": "espaço de características", "type": "Outros Termos Científicos"}], [{"text": "classificação", "type": "Tarefa"}, {"text": "hiperplano", "type": "Outros Termos Científicos"}, {"text": "aqueles", "type": "Genérico"}]], "relations": [[{"head": "técnicas psicofísicas e de aprendizagem automática", "tail": "classificação visual", "relation": "Usado-para"}], [{"head": "vistas frontais de rostos humanos", "tail": "tarefa de classificação de género", "relation": "Usado-para"}], [], [{"head": "algoritmos de aprendizagem de hiperplanos", "tail": "tarefa de classificação", "relation": "Usado-para"}, {"head": "Componentes Principais da textura", "tail": "algoritmos de aprendizagem de hiperplanos", "relation": "Usado-para"}, {"head": "representação de campo de fluxo dos rostos", "tail": "algoritmos de aprendizagem de hiperplanos", "relation": "Usado-para"}, {"head": "representação de campo de fluxo dos rostos", "tail": "Componentes Principais da textura", "relation": "Conjunção"}], [{"head": "algoritmos de aprendizagem", "tail": "classificação", "relation": "Usado-para"}, {"head": "base de dados de rostos", "tail": "algoritmos de aprendizagem", "relation": "Avaliado-para"}], [], [{"head": "algoritmos de hiperplano", "tail": "classificação humana", "relation": "Usado-para"}, {"head": "espaço de características", "tail": "algoritmos de hiperplano", "relation": "Característica-de"}], [{"head": "hiperplano", "tail": "aqueles", "relation": "Comparado-com"}]], "clusters": [["algoritmos de aprendizagem de hiperplanos", "algoritmos de aprendizagem", "algoritmos de aprendizagem"], ["classificação visual", "tarefa de classificação", "classificação"], ["hiperplano separador dos algoritmos de aprendizagem", "hiperplano"], ["classificação humana", "classificação"]]}
{"doc_id": "C04-1112", "text": "Neste artigo, apresentamos um sistema de desambiguação de sentido de palavras supervisionado e baseado em corpus -LRB- WSD -RRB- para neerlandês que combina classificação estatística -LRB- entropia máxima -RRB- com informação linguística. Em vez de construir classificadores individuais por forma de palavra ambígua, introduzimos uma abordagem baseada em lemas. A vantagem deste método inovador é que agrupa todas as formas flexionadas de uma palavra ambígua num único classificador, aumentando assim o material de treino disponível para o algoritmo. Ao testar o modelo baseado em lemas nos dados de teste Dutch Senseval-2, obtemos um aumento significativo na precisão em relação ao modelo baseado em formas de palavra. Além disso, o sistema de WSD baseado em lemas é mais pequeno e mais robusto.", "ner": [[{"text": "sistema de desambiguação de sentido de palavras supervisionado e baseado em corpus -LRB- WSD -RRB-", "type": "Método"}, {"text": "neerlandês", "type": "Material"}, {"text": "classificação estatística", "type": "Método"}, {"text": "entropia máxima", "type": "Método"}, {"text": "informação linguística", "type": "Outros Termos Científicos"}], [{"text": "classificadores", "type": "Método"}, {"text": "forma de palavra ambígua", "type": "Outros Termos Científicos"}, {"text": "abordagem baseada em lemas", "type": "Método"}], [{"text": "método", "type": "Genérico"}, {"text": "este", "type": "Genérico"}, {"text": "formas flexionadas", "type": "Outros Termos Científicos"}, {"text": "palavra ambígua", "type": "Outros Termos Científicos"}, {"text": "classificador", "type": "Método"}, {"text": "algoritmo", "type": "Genérico"}], [{"text": "modelo baseado em lemas", "type": "Método"}, {"text": "dados de teste Dutch Senseval-2", "type": "Material"}, {"text": "modelo baseado em formas de palavra", "type": "Método"}], [{"text": "sistema de WSD baseado em lemas", "type": "Método"}]], "relations": [[{"head": "sistema de desambiguação de sentido de palavras supervisionado e baseado em corpus -LRB- WSD -RRB-", "tail": "neerlandês", "relation": "Usado-para"}, {"head": "classificação estatística", "tail": "sistema de desambiguação de sentido de palavras supervisionado e baseado em corpus -LRB- WSD -RRB-", "relation": "Parte-de"}, {"head": "entropia máxima", "tail": "sistema de desambiguação de sentido de palavras supervisionado e baseado em corpus -LRB- WSD -RRB-", "relation": "Parte-de"}, {"head": "informação linguística", "tail": "sistema de desambiguação de sentido de palavras supervisionado e baseado em corpus -LRB- WSD -RRB-", "relation": "Parte-de"}, {"head": "informação linguística", "tail": "entropia máxima", "relation": "Conjunção"}], [{"head": "classificadores", "tail": "abordagem baseada em lemas", "relation": "Comparado-com"}, {"head": "forma de palavra ambígua", "tail": "classificadores", "relation": "Usado-para"}], [{"head": "formas flexionadas", "tail": "palavra ambígua", "relation": "Característica-de"}], [{"head": "modelo baseado em lemas", "tail": "modelo baseado em formas de palavra", "relation": "Comparado-com"}, {"head": "dados de teste Dutch Senseval-2", "tail": "modelo baseado em lemas", "relation": "Avaliado-para"}], []], "clusters": [["sistema de desambiguação de sentido de palavras supervisionado e baseado em corpus -LRB- WSD -RRB-", "abordagem baseada em lemas", "método", "este", "algoritmo", "modelo baseado em lemas", "sistema de WSD baseado em lemas"], ["classificação estatística", "entropia máxima"]]}
{"doc_id": "ICCV_2013_26_abs", "text": "Propomos uma estratégia de minimização de energia grossa‑para‑fina para segmentação semântica de vídeo, estratégia essa exata, geral e eficiente. A nossa estratégia baseia‑se numa abstração hierárquica do grafo de supervoxels que nos permite minimizar uma energia definida no nível mais fino da hierarquia, minimizando uma série de energias mais simples definidas sobre grafos mais grossos. A estratégia é exata, ou seja, produz a mesma solução que minimizar sobre o grafo mais fino. É geral, ou seja, pode ser usada para minimizar qualquer função de energia (por exemplo, termos unários, de pares e de ordem superior) com qualquer algoritmo de minimização de energia existente (por exemplo, cortes em grafos e propagação de crença). Também proporciona acelerações significativas na inferência para vários conjuntos de dados com diferentes graus de continuidade espaço‑temporal. Discutimos também os pontos fortes e fracos da nossa estratégia em relação a abordagens hierárquicas existentes e os tipos de dados de imagem e vídeo que proporcionam as melhores acelerações.", "ner": [[{"text": "estratégia de minimização de energia grossa‑para‑fina", "type": "Método"}, {"text": "segmentação semântica de vídeo", "type": "Tarefa"}], [{"text": "estratégia", "type": "Genérico"}, {"text": "abstração hierárquica do grafo de supervoxels", "type": "Tarefa"}, {"text": "hierarquia", "type": "Outros Termos Científicos"}, {"text": "grafos mais grossos", "type": "Outros Termos Científicos"}], [{"text": "estratégia", "type": "Genérico"}, {"text": "ela", "type": "Genérico"}, {"text": "grafo mais fino", "type": "Outros Termos Científicos"}], [{"text": "Ela", "type": "Genérico"}, {"text": "ela", "type": "Genérico"}, {"text": "função de energia", "type": "Outros Termos Científicos"}, {"text": "algoritmo de minimização de energia", "type": "Método"}, {"text": "cortes em grafos", "type": "Método"}, {"text": "propagação de crença", "type": "Método"}], [{"text": "Ela", "type": "Genérico"}, {"text": "inferência", "type": "Tarefa"}, {"text": "conjuntos de dados", "type": "Genérico"}, {"text": "continuidade espaço‑temporal", "type": "Outros Termos Científicos"}], [{"text": "estratégia", "type": "Genérico"}, {"text": "abordagens hierárquicas", "type": "Método"}, {"text": "dados de imagem e vídeo", "type": "Material"}]], "relations": [[{"head": "estratégia de minimização de energia grossa‑para‑fina", "tail": "segmentação semântica de vídeo", "relation": "Usado-para"}], [{"head": "abstração hierárquica do grafo de supervoxels", "tail": "estratégia", "relation": "Usado-para"}], [], [{"head": "ela", "tail": "função de energia", "relation": "Usado-para"}, {"head": "ela", "tail": "algoritmo de minimização de energia", "relation": "Conjunção"}, {"head": "algoritmo de minimização de energia", "tail": "função de energia", "relation": "Usado-para"}, {"head": "cortes em grafos", "tail": "algoritmo de minimização de energia", "relation": "Hipónimo-de"}, {"head": "cortes em grafos", "tail": "propagação de crença", "relation": "Conjunção"}, {"head": "propagação de crença", "tail": "algoritmo de minimização de energia", "relation": "Hipónimo-de"}], [{"head": "Ela", "tail": "inferência", "relation": "Usado-para"}, {"head": "conjuntos de dados", "tail": "Ela", "relation": "Avaliado-para"}, {"head": "continuidade espaço‑temporal", "tail": "conjuntos de dados", "relation": "Característica-de"}], [{"head": "estratégia", "tail": "abordagens hierárquicas", "relation": "Comparado-com"}]], "clusters": [["estratégia de minimização de energia grossa‑para‑fina", "estratégia", "estratégia", "ela", "Ela", "ela", "Ela", "estratégia"]]}
{"doc_id": "N03-1004", "text": "Motivados pelo sucesso dos métodos de ensemble em aprendizagem automática e noutras áreas de processamento de linguagem natural, desenvolvemos uma abordagem multi‑estratégia e multi‑fonte para resposta a perguntas, baseada na combinação dos resultados de diferentes agentes de resposta que procuram respostas em múltiplos corpora. Os agentes de resposta adotam estratégias fundamentalmente diferentes, uma utilizando principalmente mecanismos baseados em conhecimento e a outra adotando técnicas estatísticas. Apresentamos o nosso algoritmo de resolução de respostas multi‑nível que combina resultados dos agentes de resposta aos níveis de pergunta, passagem e/ou resposta. Experiências que avaliam a eficácia do nosso algoritmo de resolução de respostas mostram uma melhoria relativa de 35,0 % em relação ao nosso sistema de referência no número de perguntas corretamente respondidas e uma melhoria de 32,8 % de acordo com a métrica de precisão média.", "ner": [[{"text": "métodos de ensemble", "type": "Método"}, {"text": "aprendizagem automática", "type": "Tarefa"}, {"text": "processamento de linguagem natural", "type": "Tarefa"}, {"text": "abordagem multi‑estratégia e multi‑fonte", "type": "Método"}, {"text": "resposta a perguntas", "type": "Tarefa"}, {"text": "agentes de resposta", "type": "Método"}], [{"text": "agentes de resposta", "type": "Método"}, {"text": "estratégias", "type": "Genérico"}, {"text": "uma", "type": "Genérico"}, {"text": "mecanismos baseados em conhecimento", "type": "Método"}, {"text": "outra", "type": "Genérico"}, {"text": "técnicas estatísticas", "type": "Método"}], [{"text": "algoritmo de resolução de respostas multi‑nível", "type": "Método"}, {"text": "agentes de resposta", "type": "Método"}, {"text": "níveis de pergunta, passagem e/ou resposta", "type": "Outros Termos Científicos"}], [{"text": "algoritmo de resolução de respostas", "type": "Método"}, {"text": "sistema de referência", "type": "Genérico"}, {"text": "métrica de precisão média", "type": "Métrica"}]], "relations": [[{"head": "métodos de ensemble", "tail": "aprendizagem automática", "relation": "Usado-para"}, {"head": "métodos de ensemble", "tail": "processamento de linguagem natural", "relation": "Usado-para"}, {"head": "abordagem multi‑estratégia e multi‑fonte", "tail": "resposta a perguntas", "relation": "Usado-para"}], [{"head": "estratégias", "tail": "agentes de resposta", "relation": "Usado-para"}, {"head": "uma", "tail": "estratégias", "relation": "Hipónimo-de"}, {"head": "mecanismos baseados em conhecimento", "tail": "uma", "relation": "Usado-para"}, {"head": "outra", "tail": "estratégias", "relation": "Hipónimo-de"}, {"head": "técnicas estatísticas", "tail": "outra", "relation": "Usado-para"}], [{"head": "agentes de resposta", "tail": "algoritmo de resolução de respostas multi‑nível", "relation": "Usado-para"}], [{"head": "algoritmo de resolução de respostas", "tail": "sistema de referência", "relation": "Comparado-com"}, {"head": "métrica de precisão média", "tail": "algoritmo de resolução de respostas", "relation": "Avaliado-para"}, {"head": "métrica de precisão média", "tail": "sistema de referência", "relation": "Avaliado-para"}]], "clusters": [["agentes de resposta", "agentes de resposta"], ["algoritmo de resolução de respostas multi‑nível", "algoritmo de resolução de respostas"]]}
{"doc_id": "C92-4199", "text": "A Identificação de Palavras tem sido uma questão importante e ativa no Processamento de Língua Natural em Chinês. Neste artigo, é proposto um novo mecanismo, baseado no conceito de sublinguagem, para identificar palavras desconhecidas, especialmente nomes pessoais, em jornais chineses. O mecanismo proposto inclui reconhecimento de nomes guiado por título, formação adaptativa dinâmica de palavras, identificação de nomes chineses de 2 e 3 caracteres sem título. Mostraremos os resultados experimentais para dois corpora e vamo-los comparar com os resultados do sistema baseado em estatísticas da NTHU, o único sistema que sabemos que abordou o mesmo problema. Os resultados experimentais mostraram melhorias significativas em relação aos sistemas IP sem capacidade de identificação de nomes.", "ner": [[{"text": "Identificação de Palavras", "type": "Tarefa"}, {"text": "Processamento de Língua Natural em Chinês", "type": "Tarefa"}], [{"text": "mecanismo", "type": "Genérico"}, {"text": "sublinguagem", "type": "Outros Termos Científicos"}, {"text": "palavras desconhecidas", "type": "Outros Termos Científicos"}, {"text": "nomes pessoais", "type": "Outros Termos Científicos"}, {"text": "jornais chineses", "type": "Material"}], [{"text": "mecanismo", "type": "Genérico"}, {"text": "reconhecimento de nomes guiado por título", "type": "Tarefa"}, {"text": "formação adaptativa dinâmica de palavras", "type": "Tarefa"}, {"text": "identificação de nomes chineses de 2 e 3 caracteres sem título", "type": "Tarefa"}], [{"text": "sistema baseado em estatísticas da NTHU", "type": "Método"}, {"text": "sistema", "type": "Genérico"}], [{"text": "sistemas IP", "type": "Método"}, {"text": "identificação de nomes", "type": "Tarefa"}]], "relations": [[{"head": "Identificação de Palavras", "tail": "Processamento de Língua Natural em Chinês", "relation": "Hipónimo-de"}], [{"head": "mecanismo", "tail": "palavras desconhecidas", "relation": "Usado-para"}, {"head": "sublinguagem", "tail": "mecanismo", "relation": "Usado-para"}, {"head": "nomes pessoais", "tail": "palavras desconhecidas", "relation": "Hipónimo-de"}, {"head": "jornais chineses", "tail": "mecanismo", "relation": "Usado-para"}], [{"head": "reconhecimento de nomes guiado por título", "tail": "mecanismo", "relation": "Parte-de"}, {"head": "reconhecimento de nomes guiado por título", "tail": "formação adaptativa dinâmica de palavras", "relation": "Conjunção"}, {"head": "formação adaptativa dinâmica de palavras", "tail": "mecanismo", "relation": "Parte-de"}, {"head": "formação adaptativa dinâmica de palavras", "tail": "identificação de nomes chineses de 2 e 3 caracteres sem título", "relation": "Conjunção"}, {"head": "identificação de nomes chineses de 2 e 3 caracteres sem título", "tail": "mecanismo", "relation": "Parte-de"}], [], []], "clusters": [["sistema baseado em estatísticas da NTHU", "sistema"], ["mecanismo", "mecanismo"]]}
{"doc_id": "INTERSPEECH_2001_28_abs", "text": "Neste artigo, resumimos as experiências obtidas num teste de campo de um sistema de verificação de locutor. Na implementação de teste, o acesso a duas salas na Universidade de Frankfurt foi controlado por um sistema de verificação de locutor. O artigo está organizado da seguinte forma: em primeiro lugar, descrevemos os conceitos do sistema e as questões de implementação. Em segundo lugar, são apresentados os resultados da avaliação de utilizadores. Durante o teste de campo, todos os dados de fala foram gravados. A base de dados criada desta forma foi utilizada extensivamente para experiências de simulação. No capítulo 4, descrevemos experiências recentes centradas na utilização de Modelos de Markov Escondidos.", "ner": [[{"text": "sistema de verificação de locutor", "type": "Método"}], [{"text": "sistema de verificação de locutor", "type": "Método"}], [], [{"text": "avaliação de utilizadores", "type": "Método"}], [{"text": "dados de fala", "type": "Material"}], [], [{"text": "Modelos de Markov Escondidos", "type": "Método"}]], "relations": [[], [], [], [], [], [], []], "clusters": [["sistema de verificação de locutor", "sistema de verificação de locutor"]]}
{"doc_id": "P84-1078", "text": "Este relatório descreve Paul, um sistema de geração de texto computacional concebido para criar texto coeso através da utilização de substituições lexicais. Especificamente, este sistema foi concebido para escolher de forma determinística entre pronominalização, substituição superordenada e reiteração de sintagma nominal definido. O sistema identifica uma força de recuperação de antecedência para cada uma das substituições lexicais.", "ner": [[{"text": "Paul", "type": "Método"}, {"text": "sistema de geração de texto computacional", "type": "Método"}, {"text": "texto coeso", "type": "Material"}, {"text": "substituições lexicais", "type": "Outros Termos Científicos"}], [{"text": "sistema", "type": "Genérico"}, {"text": "pronominalização", "type": "Outros Termos Científicos"}, {"text": "substituição superordenada", "type": "Outros Termos Científicos"}, {"text": "reiteração de sintagma nominal definido", "type": "Outros Termos Científicos"}], [{"text": "sistema", "type": "Genérico"}, {"text": "recuperação de antecedência", "type": "Tarefa"}, {"text": "substituições lexicais", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "Paul", "tail": "sistema de geração de texto computacional", "relation": "Hipónimo-de"}, {"head": "sistema de geração de texto computacional", "tail": "texto coeso", "relation": "Usado-para"}, {"head": "substituições lexicais", "tail": "Paul", "relation": "Usado-para"}], [{"head": "pronominalização", "tail": "substituição superordenada", "relation": "Comparado-com"}, {"head": "substituição superordenada", "tail": "reiteração de sintagma nominal definido", "relation": "Comparado-com"}], [{"head": "sistema", "tail": "recuperação de antecedência", "relation": "Usado-para"}, {"head": "recuperação de antecedência", "tail": "substituições lexicais", "relation": "Usado-para"}]], "clusters": [["Paul", "sistema", "sistema"]]}
{"doc_id": "A97-1042", "text": "Este artigo aborda o problema de identificar os tópicos prováveis de textos pela sua posição no texto. Descreve o treino e a avaliação automáticos de uma Optimal Position Policy, um método de localizar as posições prováveis de frases que contêm tópicos com base em regularidades específicas de género da estrutura do discurso. Este método pode ser usado em aplicações como recuperação de informação, encaminhamento e sumarização de texto.", "ner": [[], [{"text": "Optimal Position Policy", "type": "Método"}, {"text": "método", "type": "Genérico"}, {"text": "posições prováveis de frases que contêm tópicos", "type": "Outros Termos Científicos"}, {"text": "regularidades específicas de género da estrutura do discurso", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "aplicações", "type": "Genérico"}, {"text": "recuperação de informação", "type": "Tarefa"}, {"text": "encaminhamento", "type": "Tarefa"}, {"text": "sumarização de texto", "type": "Tarefa"}]], "relations": [[], [{"head": "método", "tail": "posições prováveis de frases que contêm tópicos", "relation": "Usado-para"}, {"head": "regularidades específicas de género da estrutura do discurso", "tail": "método", "relation": "Usado-para"}], [{"head": "método", "tail": "aplicações", "relation": "Usado-para"}, {"head": "recuperação de informação", "tail": "aplicações", "relation": "Hipónimo-de"}, {"head": "recuperação de informação", "tail": "encaminhamento", "relation": "Conjunção"}, {"head": "encaminhamento", "tail": "aplicações", "relation": "Hipónimo-de"}, {"head": "encaminhamento", "tail": "sumarização de texto", "relation": "Conjunção"}, {"head": "sumarização de texto", "tail": "aplicações", "relation": "Hipónimo-de"}]], "clusters": [["Optimal Position Policy", "método", "método"]]}
{"doc_id": "ICML_2006_112_abs", "text": "Descrevemos uma estrutura geral para aprendizagem online multiclasse baseada na noção de partilha de hipóteses. Na nossa estrutura, conjuntos de classes são associados a hipóteses. Assim, todas as classes dentro de um dado conjunto partilham a mesma hipótese. Esta estrutura inclui, como casos especiais, construções vulgarmente usadas para categorização multiclasse, tais como atribuir uma hipótese única a cada classe e atribuir uma hipótese comum única a todas as classes. Generalizamos o Perceptron multiclasse para a nossa estrutura e obtemos uma análise unificada de limite de erros. A nossa construção estende-se naturalmente a cenários em que o número de classes não é conhecido antecipadamente mas, pelo contrário, é revelado ao longo do processo de aprendizagem online. Demonstramos os méritos da nossa abordagem comparando-a com métodos anteriores, tanto em conjuntos de dados sintéticos como naturais.", "ner": [[{"text": "estrutura", "type": "Genérico"}, {"text": "aprendizagem online multiclasse", "type": "Tarefa"}, {"text": "noção de partilha de hipóteses", "type": "Outros Termos Científicos"}], [{"text": "estrutura", "type": "Genérico"}], [], [{"text": "estrutura", "type": "Genérico"}, {"text": "categorização multiclasse", "type": "Tarefa"}], [{"text": "Perceptron multiclasse", "type": "Método"}, {"text": "estrutura", "type": "Genérico"}, {"text": "análise unificada de limite de erros", "type": "Método"}], [{"text": "processo de aprendizagem online", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "a", "type": "Genérico"}, {"text": "métodos", "type": "Genérico"}, {"text": "conjuntos de dados sintéticos como naturais", "type": "Material"}]], "relations": [[{"head": "estrutura", "tail": "aprendizagem online multiclasse", "relation": "Usado-para"}, {"head": "noção de partilha de hipóteses", "tail": "estrutura", "relation": "Usado-para"}], [], [], [], [{"head": "Perceptron multiclasse", "tail": "estrutura", "relation": "Usado-para"}], [], [{"head": "a", "tail": "métodos", "relation": "Comparado-com"}, {"head": "conjuntos de dados sintéticos como naturais", "tail": "a", "relation": "Avaliado-para"}, {"head": "conjuntos de dados sintéticos como naturais", "tail": "métodos", "relation": "Avaliado-para"}]], "clusters": [["estrutura", "estrutura", "estrutura", "estrutura", "abordagem", "a"]]}
{"doc_id": "P01-1070", "text": "Descrevemos um conjunto de experiências de aprendizagem automática supervisionada centradas na construção de modelos estatísticos de perguntas QUÊ. Estes modelos, que são construídos a partir de características linguísticas superficiais das perguntas, são utilizados para prever variáveis-alvo que representam os objetivos informacionais de um utilizador. Apresentamos resultados sobre diferentes aspetos do desempenho preditivo dos nossos modelos, incluindo a influência de vários fatores de treino e teste no desempenho preditivo, e examinamos as relações entre as variáveis-alvo.", "ner": [[{"text": "aprendizagem automática supervisionada", "type": "Método"}, {"text": "modelos estatísticos de perguntas QUÊ", "type": "Método"}], [{"text": "modelos", "type": "Genérico"}, {"text": "características linguísticas superficiais das perguntas", "type": "Outros Termos Científicos"}, {"text": "objetivos informacionais de um utilizador", "type": "Outros Termos Científicos"}], [{"text": "modelos", "type": "Genérico"}, {"text": "fatores de treino e teste", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "aprendizagem automática supervisionada", "tail": "modelos estatísticos de perguntas QUÊ", "relation": "Usado-para"}], [{"head": "características linguísticas superficiais das perguntas", "tail": "modelos", "relation": "Usado-para"}], []], "clusters": [["modelos estatísticos de perguntas QUÊ", "modelos", "modelos"]]}
{"doc_id": "W07-0208", "text": "Defendemos o uso de grafos dirigidos rotulados para representar vários tipos de estruturas linguísticas e ilustramos como isto permite encarar tarefas de PLN como transformações de grafos. Apresentamos um método geral para aprender tais transformações a partir de um corpus anotado e descrevemos experiências com duas aplicações do método: identificação de dependências não locais -LRB- usando dados do Penn Treebank -RRB- e rotulagem de papéis semânticos -LRB- usando dados do Proposition Bank -RRB-.", "ner": [[{"text": "grafos dirigidos rotulados", "type": "Método"}, {"text": "estruturas linguísticas", "type": "Outros Termos Científicos"}, {"text": "isto", "type": "Genérico"}, {"text": "tarefas de PLN", "type": "Tarefa"}, {"text": "transformações de grafos", "type": "Tarefa"}], [{"text": "método", "type": "Método"}, {"text": "transformações", "type": "Genérico"}, {"text": "corpus anotado", "type": "Material"}, {"text": "aplicações", "type": "Genérico"}, {"text": "método", "type": "Genérico"}, {"text": "identificação de dependências não locais", "type": "Tarefa"}, {"text": "dados do Penn Treebank", "type": "Material"}, {"text": "rotulagem de papéis semânticos", "type": "Tarefa"}, {"text": "dados do Proposition Bank", "type": "Material"}]], "relations": [[{"head": "grafos dirigidos rotulados", "tail": "estruturas linguísticas", "relation": "Usado-para"}, {"head": "grafos dirigidos rotulados", "tail": "tarefas de PLN", "relation": "Usado-para"}, {"head": "isto", "tail": "tarefas de PLN", "relation": "Usado-para"}], [{"head": "método", "tail": "transformações", "relation": "Usado-para"}, {"head": "corpus anotado", "tail": "método", "relation": "Usado-para"}, {"head": "método", "tail": "aplicações", "relation": "Usado-para"}, {"head": "identificação de dependências não locais", "tail": "aplicações", "relation": "Hipónimo-de"}, {"head": "dados do Penn Treebank", "tail": "identificação de dependências não locais", "relation": "Usado-para"}, {"head": "rotulagem de papéis semânticos", "tail": "aplicações", "relation": "Hipónimo-de"}, {"head": "dados do Proposition Bank", "tail": "rotulagem de papéis semânticos", "relation": "Usado-para"}]], "clusters": [["método", "método"], ["transformações de grafos", "transformações"], ["grafos dirigidos rotulados", "isto"]]}
{"doc_id": "H92-1026", "text": "Descrevemos um modelo probabilístico gerativo de linguagem natural , ao qual chamamos HBG , que tira partido de informação linguística detalhada para resolver ambiguidades . O HBG incorpora informação lexical , sintáctica , semântica e estrutural da árvore de análise no processo de desambiguação de uma forma inovadora . Usamos um corpus de frases com parênteses , chamado Treebank , em combinação com construção de árvores de decisão para extrair os aspectos relevantes de uma árvore de análise que irão determinar a análise correcta de uma frase . Isto contrasta com a abordagem habitual de um ajuste de gramática adicional através da usual introspecção linguística na esperança de gerar a análise correcta . Em testes directos frente a frente contra um dos melhores modelos de análise probabilística robusta existentes, ao qual chamamos P-CFG , o modelo HBG supera significativamente o P-CFG , aumentando a taxa de precisão de análise de 60 % para 75 % , uma redução de 37 % no erro .", "ner": [[{"text": "modelo probabilístico gerativo de linguagem natural", "type": "Método"}, {"text": "HBG", "type": "Método"}, {"text": "informação linguística", "type": "Outros Termos Científicos"}, {"text": "ambiguidade", "type": "Tarefa"}], [{"text": "HBG", "type": "Método"}, {"text": "informação lexical , sintáctica , semântica e estrutural", "type": "Outros Termos Científicos"}, {"text": "árvore de análise", "type": "Outros Termos Científicos"}, {"text": "processo de desambiguação", "type": "Tarefa"}], [{"text": "corpus de frases com parênteses", "type": "Material"}, {"text": "Treebank", "type": "Material"}, {"text": "construção de árvores de decisão", "type": "Método"}, {"text": "árvore de análise", "type": "Outros Termos Científicos"}, {"text": "análise", "type": "Outros Termos Científicos"}], [{"text": "ajuste de gramática", "type": "Tarefa"}, {"text": "introspecção linguística", "type": "Método"}, {"text": "análise", "type": "Outros Termos Científicos"}], [{"text": "testes directos frente a frente", "type": "Outros Termos Científicos"}, {"text": "modelos de análise probabilística robusta", "type": "Método"}, {"text": "P-CFG", "type": "Método"}, {"text": "modelo HBG", "type": "Método"}, {"text": "P-CFG", "type": "Método"}, {"text": "taxa de precisão de análise", "type": "Métrica"}]], "relations": [[{"head": "informação linguística", "tail": "ambiguidade", "relation": "Usado-para"}], [{"head": "HBG", "tail": "processo de desambiguação", "relation": "Usado-para"}, {"head": "informação lexical , sintáctica , semântica e estrutural", "tail": "HBG", "relation": "Usado-para"}], [{"head": "corpus de frases com parênteses", "tail": "construção de árvores de decisão", "relation": "Conjunção"}, {"head": "corpus de frases com parênteses", "tail": "árvore de análise", "relation": "Usado-para"}, {"head": "construção de árvores de decisão", "tail": "árvore de análise", "relation": "Usado-para"}, {"head": "árvore de análise", "tail": "análise", "relation": "Usado-para"}], [{"head": "ajuste de gramática", "tail": "análise", "relation": "Usado-para"}, {"head": "introspecção linguística", "tail": "ajuste de gramática", "relation": "Usado-para"}], [{"head": "P-CFG", "tail": "modelos de análise probabilística robusta", "relation": "Hipónimo-de"}, {"head": "modelo HBG", "tail": "P-CFG", "relation": "Comparado-com"}, {"head": "taxa de precisão de análise", "tail": "modelo HBG", "relation": "Avaliado-para"}]], "clusters": [["corpus de frases com parênteses", "Treebank"], ["modelo probabilístico gerativo de linguagem natural", "HBG", "HBG", "modelo HBG"], ["P-CFG", "P-CFG"]]}
{"doc_id": "E87-1043", "text": "As formas verbais são frequentemente consideradas como transmitindo dois tipos de informação: 1. se o evento descrito numa frase é presente, passado ou futuro -LRB- = informação dêitica -RRB- 2. se o evento descrito numa frase é apresentado como concluído, em curso, a começar ou a terminar -LRB- = informação aspetual -RRB-. Será demonstrado neste artigo que é preciso acrescentar um terceiro componente à análise dos significados das formas verbais, nomeadamente se estas exprimem ou não habitualidade. O enquadramento da análise é a semântica modeloteórica.", "ner": [[{"text": "formas verbais", "type": "Outros Termos Científicos"}, {"text": "informação", "type": "Genérico"}], [{"text": "informação dêitica", "type": "Outros Termos Científicos"}], [{"text": "informação aspetual", "type": "Outros Termos Científicos"}], [{"text": "análise dos significados das formas verbais", "type": "Tarefa"}], [{"text": "análise", "type": "Genérico"}, {"text": "semântica modeloteórica", "type": "Outros Termos Científicos"}]], "relations": [[], [], [], [], [{"head": "semântica modeloteórica", "tail": "análise", "relation": "Usado-para"}]], "clusters": [["análise dos significados das formas verbais", "análise"]]}
{"doc_id": "X96-1041", "text": "A Arquitectura TIPSTER foi concebida para permitir que uma variedade de diferentes aplicações de texto utilize um conjunto de módulos comuns de processamento de texto. Dado que as interfaces de utilizador funcionam melhor quando personalizadas para aplicações específicas, é adequado que nenhum estilo ou convenção particular de interface de utilizador seja descrito na especificação da Arquitectura TIPSTER. No entanto, o Computing Research Laboratory -LRB- CRL -RRB- construiu várias aplicações TIPSTER que utilizam um conjunto comum de funções configuráveis de Interface Gráfica de Utilizador -LRB- GUI -RRB-. Estas GUIs foram construídas utilizando o TIPSTER User Interface Toolkit -LRB- TUIT -RRB- do CRL. O TUIT é uma biblioteca de software que pode ser utilizada para construir interfaces de utilizador TIPSTER multilingues para um conjunto de tarefas comuns de utilizador. O CRL desenvolveu o TUIT para apoiar o seu trabalho de integração de módulos TIPSTER para as demonstrações de 6 e 12 meses do TIPSTER II, bem como para os seus projectos de demonstração Oleada e Temple. Este artigo descreve brevemente o TUIT e as suas capacidades.", "ner": [[{"text": "Arquitectura TIPSTER", "type": "Método"}, {"text": "aplicações de texto", "type": "Tarefa"}, {"text": "módulos comuns de processamento de texto", "type": "Método"}], [{"text": "interfaces de utilizador", "type": "Outros Termos Científicos"}, {"text": "aplicações", "type": "Genérico"}, {"text": "estilo ou convenção particular de interface de utilizador", "type": "Outros Termos Científicos"}, {"text": "especificação da Arquitectura TIPSTER", "type": "Outros Termos Científicos"}], [{"text": "aplicações TIPSTER", "type": "Tarefa"}, {"text": "funções configuráveis de Interface Gráfica de Utilizador -LRB- GUI -RRB-", "type": "Outros Termos Científicos"}], [{"text": "GUIs", "type": "Outros Termos Científicos"}, {"text": "TIPSTER User Interface Toolkit -LRB- TUIT -RRB- do CRL", "type": "Método"}], [{"text": "TUIT", "type": "Método"}, {"text": "biblioteca de software", "type": "Método"}, {"text": "interfaces de utilizador TIPSTER multilingues", "type": "Outros Termos Científicos"}], [{"text": "TUIT", "type": "Método"}, {"text": "módulos TIPSTER", "type": "Método"}], [{"text": "TUIT", "type": "Método"}]], "relations": [[{"head": "Arquitectura TIPSTER", "tail": "aplicações de texto", "relation": "Usado-para"}, {"head": "módulos comuns de processamento de texto", "tail": "aplicações de texto", "relation": "Usado-para"}], [{"head": "interfaces de utilizador", "tail": "aplicações", "relation": "Usado-para"}], [{"head": "funções configuráveis de Interface Gráfica de Utilizador -LRB- GUI -RRB-", "tail": "aplicações TIPSTER", "relation": "Usado-para"}], [{"head": "TIPSTER User Interface Toolkit -LRB- TUIT -RRB- do CRL", "tail": "GUIs", "relation": "Usado-para"}], [{"head": "TUIT", "tail": "biblioteca de software", "relation": "Hipónimo-de"}, {"head": "TUIT", "tail": "interfaces de utilizador TIPSTER multilingues", "relation": "Usado-para"}], [{"head": "TUIT", "tail": "módulos TIPSTER", "relation": "Usado-para"}], []], "clusters": [["funções configuráveis de Interface Gráfica de Utilizador -LRB- GUI -RRB-", "GUIs"], ["Arquitectura TIPSTER", "módulos TIPSTER"], ["TIPSTER User Interface Toolkit -LRB- TUIT -RRB- do CRL", "TUIT", "TUIT", "TUIT"]]}
{"doc_id": "P80-1019", "text": "As interfaces de linguagem natural atuais têm-se concentrado em grande medida na determinação do significado literal do texto de entrada fornecido pelos seus utilizadores. Embora essa descodificação seja um alicerce essencial, muito trabalho recente sugere que as interfaces de linguagem natural nunca parecerão cooperativas ou elegantes a menos que elas também incorporem numerosos aspetos não literais da comunicação, tais como procedimentos robustos de comunicação. Este artigo defende essa perspetiva, mas afirma que a imitação direta do desempenho humano não é a melhor forma de implementar muitos destes aspetos não literais da comunicação; que a nova tecnologia de computadores pessoais potentes com ecrãs gráficos integrados oferece técnicas superiores às dos humanos para estes aspetos, satisfazendo ao mesmo tempo as necessidades de comunicação humana. O artigo propõe interfaces baseadas numa combinação criteriosa destas técnicas e dos métodos ainda valiosos das interfaces de linguagem natural mais tradicionais.", "ner": [[{"text": "interfaces de linguagem natural", "type": "Outros Termos Científicos"}], [{"text": "descodificação", "type": "Método"}, {"text": "interfaces de linguagem natural", "type": "Outros Termos Científicos"}, {"text": "elas", "type": "Genérico"}, {"text": "aspetos não literais da comunicação", "type": "Método"}, {"text": "procedimentos robustos de comunicação", "type": "Método"}], [{"text": "aspetos não literais da comunicação", "type": "Método"}, {"text": "computadores pessoais", "type": "Outros Termos Científicos"}, {"text": "ecrãs gráficos", "type": "Outros Termos Científicos"}], [{"text": "interfaces de linguagem natural", "type": "Outros Termos Científicos"}]], "relations": [[], [{"head": "aspetos não literais da comunicação", "tail": "elas", "relation": "Parte-de"}, {"head": "procedimentos robustos de comunicação", "tail": "aspetos não literais da comunicação", "relation": "Hipónimo-de"}], [{"head": "ecrãs gráficos", "tail": "computadores pessoais", "relation": "Parte-de"}], []], "clusters": [["interfaces de linguagem natural", "elas"]]}
{"doc_id": "CVPR_2007_11_abs", "text": "Este artigo propõe uma framework em que a Dinâmica de Partículas Lagrangiana é utilizada para a segmentação de fluxos de multidão de alta densidade e deteção de instabilidades de fluxo. Para este fim, um campo de fluxo gerado por uma multidão em movimento é tratado como um sistema dinâmico aperiódico. É sobreposto um grelhado de partículas sobre o campo de fluxo, que é advectado utilizando um esquema de integração numérica. A evolução das partículas através do fluxo é seguida utilizando um Mapa de Fluxo, cujos gradientes espaciais são subsequentemente usados para configurar um tensor de Deformação de Cauchy-Green para quantificar a quantidade pela qual as partículas vizinhas divergiram ao longo do comprimento da integração. O autovalor máximo do tensor é utilizado para construir um campo de Expoente de Lyapunov de Tempo Finito (FTLE), que revela as Estruturas Coerentes Lagrangianas (LCS) presentes no fluxo subjacente. As LCS dividem o fluxo em regiões de dinâmica qualitativamente diferente e são usadas para localizar fronteiras dos segmentos de fluxo numa framework de cortes normalizados. Qualquer alteração no número de segmentos de fluxo ao longo do tempo é considerada uma instabilidade, que é detetada estabelecendo correspondências entre segmentos de fluxo ao longo do tempo. As experiências são conduzidas num conjunto desafiante de vídeos obtidos a partir do Google Video e de um documentário da National Geographic.", "ner": [[{"text": "Dinâmica de Partículas Lagrangiana", "type": "Método"}, {"text": "segmentação de fluxos de multidão de alta densidade", "type": "Tarefa"}, {"text": "deteção de instabilidades de fluxo", "type": "Tarefa"}], [{"text": "campo de fluxo", "type": "Outros Termos Científicos"}, {"text": "multidão em movimento", "type": "Outros Termos Científicos"}, {"text": "sistema dinâmico aperiódico", "type": "Método"}], [{"text": "grelhado de partículas", "type": "Outros Termos Científicos"}, {"text": "campo de fluxo", "type": "Outros Termos Científicos"}, {"text": "esquema de integração numérica", "type": "Método"}], [{"text": "evolução das partículas", "type": "Outros Termos Científicos"}, {"text": "Mapa de Fluxo", "type": "Método"}, {"text": "gradientes espaciais", "type": "Outros Termos Científicos"}, {"text": "tensor de Deformação de Cauchy-Green", "type": "Método"}], [{"text": "autovalor máximo", "type": "Outros Termos Científicos"}, {"text": "tensor", "type": "Genérico"}, {"text": "campo de Expoente de Lyapunov de Tempo Finito (FTLE)", "type": "Outros Termos Científicos"}, {"text": "Estruturas Coerentes Lagrangianas (LCS)", "type": "Outros Termos Científicos"}], [{"text": "LCS", "type": "Outros Termos Científicos"}, {"text": "fronteiras dos segmentos de fluxo", "type": "Outros Termos Científicos"}, {"text": "framework de cortes normalizados", "type": "Método"}], [], [{"text": "Google Video", "type": "Material"}, {"text": "documentário da National Geographic", "type": "Material"}]], "relations": [[{"head": "Dinâmica de Partículas Lagrangiana", "tail": "segmentação de fluxos de multidão de alta densidade", "relation": "Usado-para"}, {"head": "Dinâmica de Partículas Lagrangiana", "tail": "deteção de instabilidades de fluxo", "relation": "Usado-para"}, {"head": "segmentação de fluxos de multidão de alta densidade", "tail": "deteção de instabilidades de fluxo", "relation": "Conjunção"}], [{"head": "multidão em movimento", "tail": "campo de fluxo", "relation": "Usado-para"}, {"head": "sistema dinâmico aperiódico", "tail": "campo de fluxo", "relation": "Usado-para"}], [{"head": "grelhado de partículas", "tail": "campo de fluxo", "relation": "Usado-para"}, {"head": "esquema de integração numérica", "tail": "grelhado de partículas", "relation": "Usado-para"}], [{"head": "Mapa de Fluxo", "tail": "evolução das partículas", "relation": "Usado-para"}, {"head": "gradientes espaciais", "tail": "tensor de Deformação de Cauchy-Green", "relation": "Usado-para"}], [{"head": "autovalor máximo", "tail": "tensor", "relation": "Característica-de"}, {"head": "autovalor máximo", "tail": "campo de Expoente de Lyapunov de Tempo Finito (FTLE)", "relation": "Usado-para"}, {"head": "campo de Expoente de Lyapunov de Tempo Finito (FTLE)", "tail": "Estruturas Coerentes Lagrangianas (LCS)", "relation": "Usado-para"}], [{"head": "LCS", "tail": "fronteiras dos segmentos de fluxo", "relation": "Usado-para"}, {"head": "framework de cortes normalizados", "tail": "fronteiras dos segmentos de fluxo", "relation": "Usado-para"}], [], [{"head": "Google Video", "tail": "documentário da National Geographic", "relation": "Conjunção"}]], "clusters": [["campo de fluxo", "campo de fluxo"], ["tensor de Deformação de Cauchy-Green", "tensor"], ["Estruturas Coerentes Lagrangianas (LCS)", "LCS"]]}
{"doc_id": "E06-1004", "text": "Neste artigo estudamos um conjunto de problemas que são de considerável importância para a Tradução Automática Estatística -LRB- SMT -RRB- mas que não foram abordados de forma satisfatória pela comunidade de investigação em SMT . Na última década , uma variedade de algoritmos de SMT foi construída e testada empiricamente , enquanto pouco se sabe sobre a complexidade computacional de alguns dos problemas fundamentais da SMT . O nosso trabalho visa fornecer informações úteis sobre a complexidade computacional desses problemas . Provamos que , enquanto os Modelos IBM 1-2 são conceptual e computacionalmente simples , os cálculos que envolvem os modelos superiores -LRB- e mais úteis -RRB- são difíceis . Dado que é improvável que exista uma solução em tempo polinomial para qualquer um destes problemas difíceis -LRB- a menos que P = NP e P #P = P -RRB- , os nossos resultados salientam e justificam a necessidade de desenvolver aproximações em tempo polinomial para estes cálculos . Discutimos também algumas formas práticas de lidar com a complexidade .", "ner": [[{"text": "Tradução Automática Estatística -LRB- SMT -RRB-", "type": "Tarefa"}], [{"text": "algoritmos de SMT", "type": "Método"}, {"text": "complexidade computacional", "type": "Métrica"}, {"text": "problemas", "type": "Genérico"}, {"text": "SMT", "type": "Tarefa"}], [{"text": "complexidade computacional", "type": "Métrica"}, {"text": "problemas", "type": "Genérico"}], [{"text": "Modelos IBM 1-2", "type": "Método"}, {"text": "cálculos", "type": "Genérico"}, {"text": "modelos", "type": "Genérico"}], [{"text": "solução em tempo polinomial", "type": "Método"}, {"text": "problemas difíceis", "type": "Genérico"}, {"text": "aproximações em tempo polinomial", "type": "Método"}, {"text": "cálculos", "type": "Genérico"}], [{"text": "complexidade", "type": "Métrica"}]], "relations": [[], [{"head": "complexidade computacional", "tail": "problemas", "relation": "Avaliado-para"}, {"head": "problemas", "tail": "SMT", "relation": "Parte-de"}], [{"head": "complexidade computacional", "tail": "problemas", "relation": "Avaliado-para"}], [{"head": "Modelos IBM 1-2", "tail": "modelos", "relation": "Comparado-com"}], [{"head": "solução em tempo polinomial", "tail": "problemas difíceis", "relation": "Usado-para"}, {"head": "aproximações em tempo polinomial", "tail": "cálculos", "relation": "Usado-para"}], []], "clusters": [["cálculos", "cálculos"], ["problemas", "problemas", "problemas difíceis"], ["Tradução Automática Estatística -LRB- SMT -RRB-", "SMT"]]}
{"doc_id": "E06-1031", "text": "A maioria das medidas de avaliação de última geração para tradução automática atribui custos elevados a movimentos de blocos de palavras. Em muitos casos, no entanto, tais movimentos resultam ainda em frases corretas ou quase corretas. Neste artigo, apresentamos uma nova medida de avaliação que modela explicitamente a reordenação de blocos como uma operação de edição. A nossa medida pode ser calculada exatamente em tempo quadrático. Além disso, mostramos como algumas medidas de avaliação podem ser melhoradas através da introdução de custos de substituição dependentes da palavra. A correlação da nova medida com o julgamento humano foi investigada de forma sistemática em dois pares de línguas diferentes. Os resultados experimentais mostram que supera significativamente as abordagens de última geração na correlação ao nível da frase. Resultados de experiências com custos de substituição dependentes da palavra demonstram um aumento adicional da correlação entre medidas automáticas de avaliação e julgamento humano.", "ner": [[{"text": "medidas de avaliação", "type": "Métrica"}, {"text": "tradução automática", "type": "Tarefa"}], [], [{"text": "medida de avaliação", "type": "Métrica"}, {"text": "reordenação de blocos", "type": "Outros Termos Científicos"}, {"text": "operação de edição", "type": "Outros Termos Científicos"}], [{"text": "medida", "type": "Genérico"}, {"text": "tempo quadrático", "type": "Outros Termos Científicos"}], [{"text": "medidas de avaliação", "type": "Métrica"}, {"text": "custos de substituição dependentes da palavra", "type": "Outros Termos Científicos"}], [{"text": "medida", "type": "Genérico"}, {"text": "julgamento humano", "type": "Outros Termos Científicos"}, {"text": "pares de línguas", "type": "Material"}], [{"text": "ela", "type": "Genérico"}, {"text": "abordagens", "type": "Genérico"}, {"text": "correlação ao nível da frase", "type": "Métrica"}], [{"text": "custos de substituição dependentes da palavra", "type": "Outros Termos Científicos"}, {"text": "medidas automáticas de avaliação", "type": "Métrica"}, {"text": "julgamento humano", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "medidas de avaliação", "tail": "tradução automática", "relation": "Avaliado-para"}], [], [{"head": "medida de avaliação", "tail": "reordenação de blocos", "relation": "Usado-para"}, {"head": "operação de edição", "tail": "reordenação de blocos", "relation": "Usado-para"}], [{"head": "tempo quadrático", "tail": "medida", "relation": "Característica-de"}], [{"head": "custos de substituição dependentes da palavra", "tail": "medidas de avaliação", "relation": "Usado-para"}], [{"head": "medida", "tail": "julgamento humano", "relation": "Comparado-com"}], [{"head": "ela", "tail": "abordagens", "relation": "Comparado-com"}, {"head": "correlação ao nível da frase", "tail": "ela", "relation": "Avaliado-para"}, {"head": "correlação ao nível da frase", "tail": "abordagens", "relation": "Avaliado-para"}], [{"head": "medidas automáticas de avaliação", "tail": "julgamento humano", "relation": "Conjunção"}]], "clusters": [["medida de avaliação", "medida", "medidas de avaliação", "medida", "ela", "medidas automáticas de avaliação"]]}
{"doc_id": "AAAI_1993_70_abs", "text": "Os algoritmos Rete e Treat são considerados as técnicas de implementação mais eficientes para sistemas de regras de Encadeamento para a Frente. Estes algoritmos suportam uma linguagem de poder expressivo limitado. Não é permitido que as asserções contenham variáveis, tornando impossível expressar quantificação universal exceto como uma regra. Neste artigo mostramos como suportar unificação completa nestes algoritmos. Mostramos também que: Suportar unificação completa é dispendioso; A unificação completa não é utilizada frequentemente; Uma combinação de verificações em tempo de compilação e em tempo de execução pode determinar quando a unificação completa não é necessária. Apresentamos dados para mostrar que o custo de suportar unificação completa pode ser reduzido na proporção em que esta não é empregue e que, para muitos sistemas práticos, este custo é negligenciável.", "ner": [[{"text": "algoritmos Rete e Treat", "type": "Método"}, {"text": "técnicas de implementação", "type": "Método"}, {"text": "sistemas de regras de Encadeamento para a Frente", "type": "Tarefa"}], [{"text": "algoritmos", "type": "Genérico"}, {"text": "linguagem de poder expressivo limitado", "type": "Método"}], [{"text": "asserções", "type": "Outros Termos Científicos"}, {"text": "variáveis", "type": "Outros Termos Científicos"}, {"text": "quantificação universal", "type": "Outros Termos Científicos"}, {"text": "regra", "type": "Outros Termos Científicos"}], [{"text": "unificação completa", "type": "Tarefa"}, {"text": "algoritmos", "type": "Genérico"}], [{"text": "unificação completa", "type": "Tarefa"}, {"text": "Unificação completa", "type": "Tarefa"}, {"text": "tempo de compilação", "type": "Métrica"}, {"text": "tempo de execução", "type": "Métrica"}, {"text": "unificação completa", "type": "Tarefa"}], [{"text": "unificação completa", "type": "Tarefa"}, {"text": "esta", "type": "Genérico"}]], "relations": [[{"head": "algoritmos Rete e Treat", "tail": "técnicas de implementação", "relation": "Hipónimo-de"}, {"head": "algoritmos Rete e Treat", "tail": "sistemas de regras de Encadeamento para a Frente", "relation": "Usado-para"}], [{"head": "algoritmos", "tail": "linguagem de poder expressivo limitado", "relation": "Usado-para"}], [], [{"head": "algoritmos", "tail": "unificação completa", "relation": "Usado-para"}], [{"head": "tempo de compilação", "tail": "tempo de execução", "relation": "Conjunção"}, {"head": "tempo de compilação", "tail": "unificação completa", "relation": "Avaliado-para"}, {"head": "tempo de execução", "tail": "unificação completa", "relation": "Avaliado-para"}], []], "clusters": [["algoritmos Rete e Treat", "algoritmos", "algoritmos"], ["unificação completa", "unificação completa", "Unificação completa", "unificação completa", "unificação completa", "esta"]]}
{"doc_id": "J86-1002", "text": "É descrito um método para correção de erros de entrada malformada que adquire padrões de diálogo em utilização típica e usa esses padrões para prever novas entradas. A correção de erros é feita enviesando fortemente a análise em direção aos significados esperados, a menos que evidência clara da entrada mostre que a frase atual não é esperada. É apresentado um algoritmo de aquisição e rastreio de diálogo juntamente com uma descrição da sua implementação num sistema de voz interativo. É descrida uma série de testes que mostra o poder da metodologia de correção de erros quando ocorre diálogo estereotípico.", "ner": [[{"text": "método", "type": "Genérico"}, {"text": "correção de erros", "type": "Tarefa"}, {"text": "entrada malformada", "type": "Material"}, {"text": "padrões de diálogo", "type": "Outros Termos Científicos"}, {"text": "padrões", "type": "Genérico"}], [{"text": "Correção de erros", "type": "Tarefa"}, {"text": "análise", "type": "Tarefa"}], [{"text": "algoritmo de aquisição e rastreio de diálogo", "type": "Método"}, {"text": "sistema de voz interativo", "type": "Método"}], [{"text": "metodologia de correção de erros", "type": "Método"}, {"text": "diálogo estereotípico", "type": "Material"}]], "relations": [[{"head": "método", "tail": "correção de erros", "relation": "Usado-para"}, {"head": "entrada malformada", "tail": "correção de erros", "relation": "Usado-para"}], [], [{"head": "algoritmo de aquisição e rastreio de diálogo", "tail": "sistema de voz interativo", "relation": "Usado-para"}], [{"head": "diálogo estereotípico", "tail": "metodologia de correção de erros", "relation": "Usado-para"}]], "clusters": [["correção de erros", "Correção de erros"], ["padrões de diálogo", "padrões"], ["método", "metodologia de correção de erros"]]}
{"doc_id": "CVPR_2007_10_abs", "text": "A Transformada linear de Fukunaga-Koontz -LRB- FKT -RRB- -LSB- 1 -RSB- é uma abordagem poderosa de construção de subespaços discriminativos. Trabalhos anteriores estenderam com sucesso a FKT para lidar com amostras de dimensão reduzida. Neste artigo, estendemos a FKT linear tradicional para que funcione em problemas multiclasse e também em subespaços de maior dimensão -LRB- de núcleo -RRB- e, portanto, forneça uma capacidade de discriminação aprimorada. Verificamos a eficácia da Transformada de Fukunaga-Koontz com Núcleo demonstrando a sua eficácia em aplicações de reconhecimento de faces; no entanto, a generalização não linear proposta pode ser aplicada a quaisquer outros problemas específicos de domínio.", "ner": [[{"text": "Transformada linear de Fukunaga-Koontz -LRB- FKT -RRB-", "type": "Método"}, {"text": "abordagem poderosa de construção de subespaços discriminativos", "type": "Método"}], [{"text": "FKT", "type": "Método"}, {"text": "amostras de dimensão reduzida", "type": "Outros Termos Científicos"}], [{"text": "FKT linear", "type": "Método"}, {"text": "a FKT linear tradicional", "type": "Genérico"}, {"text": "problemas multiclasse", "type": "Tarefa"}, {"text": "subespaços de maior dimensão -LRB- de núcleo -RRB-", "type": "Outros Termos Científicos"}, {"text": "capacidade de discriminação aprimorada", "type": "Outros Termos Científicos"}], [{"text": "Transformada de Fukunaga-Koontz com Núcleo", "type": "Método"}, {"text": "aplicações de reconhecimento de faces", "type": "Tarefa"}, {"text": "generalização não linear", "type": "Método"}, {"text": "problemas específicos de domínio", "type": "Tarefa"}]], "relations": [[{"head": "Transformada linear de Fukunaga-Koontz -LRB- FKT -RRB-", "tail": "abordagem poderosa de construção de subespaços discriminativos", "relation": "Hipónimo-de"}], [{"head": "FKT", "tail": "amostras de dimensão reduzida", "relation": "Usado-para"}], [{"head": "FKT linear", "tail": "a FKT linear tradicional", "relation": "Usado-para"}, {"head": "a FKT linear tradicional", "tail": "problemas multiclasse", "relation": "Usado-para"}, {"head": "a FKT linear tradicional", "tail": "subespaços de maior dimensão -LRB- de núcleo -RRB-", "relation": "Usado-para"}, {"head": "a FKT linear tradicional", "tail": "capacidade de discriminação aprimorada", "relation": "Característica-de"}, {"head": "problemas multiclasse", "tail": "subespaços de maior dimensão -LRB- de núcleo -RRB-", "relation": "Conjunção"}], [{"head": "aplicações de reconhecimento de faces", "tail": "Transformada de Fukunaga-Koontz com Núcleo", "relation": "Avaliado-para"}, {"head": "generalização não linear", "tail": "problemas específicos de domínio", "relation": "Usado-para"}]], "clusters": [["Transformada linear de Fukunaga-Koontz -LRB- FKT -RRB-", "FKT", "FKT linear"], ["Transformada de Fukunaga-Koontz com Núcleo", "generalização não linear"]]}
{"doc_id": "CVPR_2014_11_abs", "text": "Neste artigo , formulamos o problema de correspondência de nuvens de pontos como um problema de correspondência de formas , transformando cada uma das nuvens de pontos dadas numa representação de forma chamada representação da transformada de distância de Schrödinger -LRB- SDT -RRB- . Isto é alcançado resolvendo uma equação de Schrödinger estática em vez da correspondente equação de Hamilton-Jacobi estática neste contexto . A representação SDT é uma expressão analítica e , seguindo a literatura de física teórica , pode ser normalizada para ter norma L2 unitária , tornando-a uma densidade de raiz quadrada , que é identificada com um ponto numa esfera de Hilbert unitária , cuja geometria intrínseca é totalmente conhecida . A métrica de Fisher-Rao , uma métrica natural para o espaço de densidades , conduz a expressões analíticas para a distância geodésica entre pontos nesta esfera . Neste artigo , usamos o bem conhecido enquadramento Riemanniano , nunca antes utilizado para correspondência de nuvens de pontos , e apresentamos um novo algoritmo de correspondência . Colocamos o problema de correspondência de conjuntos de pontos sob transformações rígidas e não rígidas neste enquadramento e resolvemos as transformações usando técnicas de otimização não linear padrão. Finalmente , para avaliar o desempenho do nosso algoritmo – denominado SDTM – apresentamos vários exemplos com dados sintéticos e reais , juntamente com extensas comparações com técnicas de última geração . As experiências mostram que o nosso algoritmo supera algoritmos de registo de conjuntos de pontos de última geração em muitas métricas quantitativas .", "ner": [[{"text": "correspondência de nuvens de pontos", "type": "Tarefa"}, {"text": "problema de correspondência de formas", "type": "Tarefa"}, {"text": "nuvens de pontos", "type": "Outros Termos Científicos"}, {"text": "representação de forma", "type": "Método"}, {"text": "representação da transformada de distância de Schrödinger -LRB- SDT -RRB-", "type": "Método"}], [{"text": "equação de Schrödinger estática", "type": "Outros Termos Científicos"}, {"text": "equação de Hamilton-Jacobi estática", "type": "Outros Termos Científicos"}], [{"text": "representação SDT", "type": "Método"}, {"text": "expressão analítica", "type": "Outros Termos Científicos"}, {"text": "literatura de física teórica", "type": "Outros Termos Científicos"}, {"text": "a", "type": "Genérico"}, {"text": "densidade de raiz quadrada", "type": "Outros Termos Científicos"}, {"text": "esfera de Hilbert unitária", "type": "Outros Termos Científicos"}, {"text": "geometria intrínseca", "type": "Outros Termos Científicos"}], [{"text": "métrica de Fisher-Rao", "type": "Métrica"}, {"text": "métrica natural", "type": "Genérico"}, {"text": "espaço de densidades", "type": "Outros Termos Científicos"}, {"text": "expressões analíticas", "type": "Outros Termos Científicos"}, {"text": "distância geodésica", "type": "Outros Termos Científicos"}, {"text": "esfera", "type": "Genérico"}], [{"text": "enquadramento Riemanniano", "type": "Método"}, {"text": "correspondência de nuvens de pontos", "type": "Tarefa"}, {"text": "algoritmo de correspondência", "type": "Método"}], [{"text": "correspondência de conjuntos de pontos", "type": "Tarefa"}, {"text": "transformações rígidas e não rígidas", "type": "Outros Termos Científicos"}, {"text": "enquadramento", "type": "Genérico"}, {"text": "transformações", "type": "Genérico"}, {"text": "técnicas de otimização não linear", "type": "Método"}], [{"text": "exemplos com dados sintéticos e reais", "type": "Material"}, {"text": "técnicas de última geração", "type": "Genérico"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "algoritmos de registo de conjuntos de pontos", "type": "Método"}, {"text": "métricas quantitativas", "type": "Métrica"}]], "relations": [[{"head": "problema de correspondência de formas", "tail": "correspondência de nuvens de pontos", "relation": "Usado-para"}, {"head": "representação de forma", "tail": "nuvens de pontos", "relation": "Usado-para"}, {"head": "representação da transformada de distância de Schrödinger -LRB- SDT -RRB-", "tail": "representação de forma", "relation": "Hipónimo-de"}], [], [{"head": "representação SDT", "tail": "expressão analítica", "relation": "Hipónimo-de"}, {"head": "densidade de raiz quadrada", "tail": "a", "relation": "Usado-para"}, {"head": "geometria intrínseca", "tail": "esfera de Hilbert unitária", "relation": "Característica-de"}], [{"head": "métrica natural", "tail": "espaço de densidades", "relation": "Usado-para"}, {"head": "expressões analíticas", "tail": "distância geodésica", "relation": "Usado-para"}], [{"head": "enquadramento Riemanniano", "tail": "correspondência de nuvens de pontos", "relation": "Usado-para"}], [{"head": "transformações rígidas e não rígidas", "tail": "correspondência de conjuntos de pontos", "relation": "Usado-para"}, {"head": "enquadramento", "tail": "correspondência de conjuntos de pontos", "relation": "Usado-para"}, {"head": "técnicas de otimização não linear", "tail": "transformações", "relation": "Usado-para"}], [], [{"head": "algoritmo", "tail": "algoritmos de registo de conjuntos de pontos", "relation": "Comparado-com"}, {"head": "métricas quantitativas", "tail": "algoritmo", "relation": "Avaliado-para"}, {"head": "métricas quantitativas", "tail": "algoritmos de registo de conjuntos de pontos", "relation": "Avaliado-para"}]], "clusters": [["representação da transformada de distância de Schrödinger -LRB- SDT -RRB-", "representação SDT", "a"], ["algoritmo"], ["correspondência de nuvens de pontos", "correspondência de nuvens de pontos"], ["esfera de Hilbert unitária", "esfera"], ["transformações rígidas e não rígidas", "transformações"], ["métrica de Fisher-Rao", "métrica natural"], ["enquadramento Riemanniano", "enquadramento"]]}
{"doc_id": "I05-2043", "text": "Usando processamento de linguagem natural, realizámos um inquérito de tendências sobre estudos japoneses de processamento de linguagem natural que foram feitos ao longo dos últimos dez anos. Determinámos as mudanças no número de artigos publicados para cada organização de investigação e em cada área de investigação, bem como a relação entre organizações de investigação e áreas de investigação. Este artigo é útil tanto para reconhecer tendências em PLN japonês como para construir um método de apoio a inquéritos de tendências usando PLN.", "ner": [[{"text": "processamento de linguagem natural", "type": "Método"}, {"text": "inquérito de tendências", "type": "Tarefa"}, {"text": "inquérito de tendências sobre estudos japoneses de processamento de linguagem natural", "type": "Tarefa"}, {"text": "estudos japoneses de processamento de linguagem natural", "type": "Material"}], [], [{"text": "PLN japonês", "type": "Material"}, {"text": "inquéritos de tendências", "type": "Tarefa"}, {"text": "PLN", "type": "Método"}]], "relations": [[{"head": "processamento de linguagem natural", "tail": "inquérito de tendências sobre estudos japoneses de processamento de linguagem natural", "relation": "Usado-para"}], [], [{"head": "PLN", "tail": "inquéritos de tendências", "relation": "Usado-para"}]], "clusters": [["inquérito de tendências", "inquéritos de tendências"], ["processamento de linguagem natural", "PLN"], ["estudos japoneses de processamento de linguagem natural", "PLN japonês"]]}
{"doc_id": "ICASSP_2016_4_abs", "text": "Oscilações de alta frequência -LRB- HFOs -RRB- são um biomarcador promissor de tecido e atividade cerebral epilépticos. As HFOs servem adicionalmente como um exemplo prototípico dos desafios na análise de eventos discretos em dados de EEG intracraniano com elevada resolução temporal. Dois desafios principais são 1 -RRB- redução de dimensionalidade e 2 -RRB- avaliação da viabilidade da classificação. A redução de dimensionalidade assume que os dados se situam numa variedade com dimensão inferior à do espaço de características. No entanto, análises anteriores de HFO assumiram uma variedade linear, global ao longo do tempo, do espaço -LRB- ou seja, elétrodo/canal de registo -RRB- e de pacientes individuais. Em vez disso, avaliamos tanto a -RRB- adequação de métodos lineares como b -RRB- a consistência da variedade ao longo do tempo, do espaço e entre pacientes. Estimamos também limites para o erro de classificação de Bayes para quantificar a distinção entre duas classes de HFOs -LRB- as que ocorrem durante crises epilépticas e as que ocorrem devido a outros processos -RRB-. Esta análise fornece a base para futura utilização clínica de características de HFO e orienta a análise de outros eventos discretos, como potenciais de ação individuais ou atividade multi-unidade.", "ner": [[{"text": "Oscilações de alta frequência -LRB- HFOs -RRB-", "type": "Outros Termos Científicos"}, {"text": "tecido e atividade cerebral epilépticos", "type": "Outros Termos Científicos"}], [{"text": "HFOs", "type": "Outros Termos Científicos"}, {"text": "análise de eventos discretos", "type": "Tarefa"}, {"text": "dados de EEG intracraniano com elevada resolução temporal", "type": "Material"}], [{"text": "redução de dimensionalidade", "type": "Tarefa"}, {"text": "avaliação da viabilidade da classificação", "type": "Tarefa"}, {"text": "classificação", "type": "Tarefa"}], [{"text": "A redução de dimensionalidade", "type": "Tarefa"}, {"text": "variedade", "type": "Material"}, {"text": "espaço de características", "type": "Outros Termos Científicos"}], [{"text": "análises anteriores de HFO", "type": "Tarefa"}, {"text": "variedade linear", "type": "Outros Termos Científicos"}], [{"text": "métodos lineares", "type": "Método"}, {"text": "variedade", "type": "Outros Termos Científicos"}], [{"text": "limites", "type": "Outros Termos Científicos"}, {"text": "erro de classificação de Bayes", "type": "Outros Termos Científicos"}, {"text": "HFOs", "type": "Outros Termos Científicos"}, {"text": "as que", "type": "Genérico"}, {"text": "as que", "type": "Genérico"}], [{"text": "futura utilização clínica de características de HFO", "type": "Tarefa"}, {"text": "características de HFO", "type": "Outros Termos Científicos"}, {"text": "eventos discretos", "type": "Outros Termos Científicos"}, {"text": "potenciais de ação", "type": "Outros Termos Científicos"}, {"text": "atividade multi-unidade", "type": "Outros Termos Científicos"}]], "relations": [[], [{"head": "dados de EEG intracraniano com elevada resolução temporal", "tail": "análise de eventos discretos", "relation": "Usado-para"}], [], [], [{"head": "variedade linear", "tail": "análises anteriores de HFO", "relation": "Usado-para"}], [], [{"head": "as que", "tail": "HFOs", "relation": "Hipónimo-de"}, {"head": "as que", "tail": "as que", "relation": "Conjunção"}, {"head": "as que", "tail": "HFOs", "relation": "Hipónimo-de"}], [{"head": "potenciais de ação", "tail": "eventos discretos", "relation": "Hipónimo-de"}, {"head": "potenciais de ação", "tail": "atividade multi-unidade", "relation": "Conjunção"}, {"head": "atividade multi-unidade", "tail": "eventos discretos", "relation": "Hipónimo-de"}]], "clusters": [["redução de dimensionalidade", "A redução de dimensionalidade"], ["Oscilações de alta frequência -LRB- HFOs -RRB-", "HFOs", "HFOs"]]}
{"doc_id": "INTERSPEECH_2007_20_abs", "text": "Propomos uma gestão de diálogo eficiente para um sistema de navegação de informação baseado numa base de conhecimento de documentos. Espera-se que a incorporação de candidatos N-melhores de ASR apropriados e de informação contextual melhore o desempenho do sistema. O sistema também tem várias opções na geração de respostas ou confirmações. Neste artigo, esta selecção é optimizada como minimização do risco de Bayes com base na recompensa pela apresentação correcta da informação e na penalização por voltas redundantes. Avaliámos esta estratégia com o nosso sistema de diálogo falado 'Dialogue Navigator for Kyoto City', que também possui capacidade de pergunta-resposta. A eficácia da estrutura proposta foi confirmada na taxa de sucesso de recuperação e no número médio de voltas para acesso à informação.", "ner": [[{"text": "gestão de diálogo", "type": "Método"}, {"text": "sistema de navegação de informação", "type": "Tarefa"}, {"text": "base de conhecimento de documentos", "type": "Material"}], [{"text": "candidatos N-melhores de ASR", "type": "Outros Termos Científicos"}, {"text": "informação contextual", "type": "Outros Termos Científicos"}, {"text": "sistema", "type": "Genérico"}], [{"text": "sistema", "type": "Genérico"}, {"text": "geração de respostas ou confirmações", "type": "Tarefa"}], [{"text": "minimização do risco de Bayes", "type": "Tarefa"}, {"text": "recompensa", "type": "Métrica"}, {"text": "apresentação correcta da informação", "type": "Outros Termos Científicos"}, {"text": "penalização", "type": "Métrica"}, {"text": "voltas redundantes", "type": "Outros Termos Científicos"}], [{"text": "estratégia", "type": "Genérico"}, {"text": "sistema de diálogo falado 'Dialogue Navigator for Kyoto City'", "type": "Tarefa"}, {"text": "capacidade de pergunta-resposta", "type": "Outros Termos Científicos"}], [{"text": "estrutura", "type": "Genérico"}, {"text": "taxa de sucesso de recuperação", "type": "Métrica"}, {"text": "número médio de voltas", "type": "Métrica"}, {"text": "acesso à informação", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "gestão de diálogo", "tail": "sistema de navegação de informação", "relation": "Usado-para"}, {"head": "base de conhecimento de documentos", "tail": "sistema de navegação de informação", "relation": "Usado-para"}], [{"head": "candidatos N-melhores de ASR", "tail": "informação contextual", "relation": "Conjunção"}, {"head": "candidatos N-melhores de ASR", "tail": "sistema", "relation": "Usado-para"}, {"head": "informação contextual", "tail": "sistema", "relation": "Usado-para"}], [{"head": "sistema", "tail": "geração de respostas ou confirmações", "relation": "Usado-para"}], [{"head": "recompensa", "tail": "minimização do risco de Bayes", "relation": "Usado-para"}, {"head": "recompensa", "tail": "apresentação correcta da informação", "relation": "Usado-para"}, {"head": "recompensa", "tail": "penalização", "relation": "Conjunção"}, {"head": "penalização", "tail": "minimização do risco de Bayes", "relation": "Usado-para"}, {"head": "penalização", "tail": "voltas redundantes", "relation": "Usado-para"}], [{"head": "sistema de diálogo falado 'Dialogue Navigator for Kyoto City'", "tail": "estratégia", "relation": "Avaliado-para"}, {"head": "capacidade de pergunta-resposta", "tail": "sistema de diálogo falado 'Dialogue Navigator for Kyoto City'", "relation": "Característica-de"}], [{"head": "taxa de sucesso de recuperação", "tail": "estrutura", "relation": "Avaliado-para"}, {"head": "taxa de sucesso de recuperação", "tail": "número médio de voltas", "relation": "Conjunção"}, {"head": "número médio de voltas", "tail": "estrutura", "relation": "Avaliado-para"}, {"head": "número médio de voltas", "tail": "acesso à informação", "relation": "Usado-para"}]], "clusters": [["minimização do risco de Bayes", "estratégia", "estrutura"], ["sistema de navegação de informação", "sistema", "sistema", "sistema de diálogo falado 'Dialogue Navigator for Kyoto City'"]]}
{"doc_id": "P02-1023", "text": "Reduzir o tamanho do modelo de linguagem -LRB- LM -RRB- é uma questão crítica ao aplicar um LM a aplicações realistas que têm restrições de memória . Neste artigo , são estudidas três medidas com o objetivo de poda de LM . São elas probabilidade , ranking e entropia . Avaliámos o desempenho dos três critérios de poda numa aplicação real de introdução de texto em chinês em termos de taxa de erro de caracteres -LRB- CER -RRB- . Primeiro apresentamos uma comparação empírica , mostrando que o ranking apresenta o melhor desempenho na maioria dos casos . Mostramos também que o elevado desempenho do ranking reside na sua forte correlação com a taxa de erro . Em seguida , apresentamos um método inovador de combinação de dois critérios na poda de modelos . Os resultados experimentais mostram que o critério combinado conduz consistentemente a modelos menores do que os modelos podados usando qualquer um dos critérios separadamente , com a mesma CER .", "ner": [[{"text": "Reduzir o tamanho do modelo de linguagem -LRB- LM -RRB-", "type": "Tarefa"}, {"text": "LM", "type": "Método"}, {"text": "restrições de memória .", "type": "Outros Termos Científicos"}], [{"text": "poda de LM", "type": "Tarefa"}], [{"text": "ranking", "type": "Outros Termos Científicos"}, {"text": "entropia", "type": "Outros Termos Científicos"}], [{"text": "critérios de poda", "type": "Outros Termos Científicos"}, {"text": "introdução de texto em chinês", "type": "Material"}, {"text": "taxa de erro de caracteres -LRB- CER -RRB-", "type": "Métrica"}], [{"text": "ranking", "type": "Outros Termos Científicos"}], [{"text": "ranking", "type": "Outros Termos Científicos"}, {"text": "taxa de erro", "type": "Métrica"}], [{"text": "método", "type": "Genérico"}, {"text": "poda de modelos", "type": "Tarefa"}], [{"text": "CER", "type": "Métrica"}]], "relations": [[], [], [{"head": "ranking", "tail": "entropia", "relation": "Conjunção"}], [{"head": "critérios de poda", "tail": "introdução de texto em chinês", "relation": "Usado-para"}, {"head": "taxa de erro de caracteres -LRB- CER -RRB-", "tail": "critérios de poda", "relation": "Avaliado-para"}], [], [{"head": "taxa de erro", "tail": "ranking", "relation": "Avaliado-para"}], [{"head": "método", "tail": "poda de modelos", "relation": "Usado-para"}], []], "clusters": [["taxa de erro de caracteres -LRB- CER -RRB-", "CER"]]}
{"doc_id": "I05-6011", "text": "Este artigo propõe um esquema de anotação que codifica honoríficos -LRB- palavras respeitosas -RRB-. Os honoríficos são amplamente usados em japonês, refletindo a relação social -LRB- por exemplo, posições sociais e idade -RRB- dos referentes. Esta informação referencial é vital para resolver pronomes nulos e melhorar os resultados da tradução automática. Anotar honoríficos é uma tarefa complexa que envolve identificar um predicado com honoríficos, atribuir classificações aos referentes do predicado, calibrar as classificações e ligar os referentes aos seus predicados.", "ner": [[{"text": "esquema de anotação", "type": "Método"}, {"text": "honoríficos", "type": "Material"}, {"text": "palavras respeitosas", "type": "Outros Termos Científicos"}], [{"text": "honoríficos", "type": "Material"}, {"text": "japonês", "type": "Material"}], [{"text": "informação referencial", "type": "Outros Termos Científicos"}, {"text": "pronomes nulos", "type": "Outros Termos Científicos"}, {"text": "resultados da tradução automática", "type": "Outros Termos Científicos"}], [{"text": "honoríficos", "type": "Material"}, {"text": "honoríficos", "type": "Material"}, {"text": "classificações", "type": "Outros Termos Científicos"}, {"text": "classificações", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "esquema de anotação", "tail": "honoríficos", "relation": "Usado-para"}, {"head": "honoríficos", "tail": "palavras respeitosas", "relation": "Hipónimo-de"}], [{"head": "honoríficos", "tail": "japonês", "relation": "Usado-para"}], [{"head": "informação referencial", "tail": "pronomes nulos", "relation": "Usado-para"}, {"head": "informação referencial", "tail": "resultados da tradução automática", "relation": "Usado-para"}], []], "clusters": [["honoríficos", "honoríficos", "honoríficos", "honoríficos"], ["classificações", "classificações"]]}
{"doc_id": "NIPS_1998_18_abs", "text": "Os movimentos de alcance do braço guiados visualmente são produzidos por redes neuronais distribuídas nas regiões parietais e frontais do córtex cerebral. Dados experimentais indicam que (1) neurónios individuais nessas regiões são amplamente sintonizados com parâmetros do movimento; (2) comandos apropriados são elaborados por populações de neurónios; (3) a ação coordenada dos neurónios pode ser visualizada utilizando um vetor de população neuronal (VPN). No entanto, o VPN fornece apenas uma estimativa grosseira dos parâmetros do movimento (direção, velocidade) e pode até deixar de refletir os parâmetros do movimento quando a postura do braço é alterada. Concebemos um modelo do comando motor cortical para investigar a relação entre a direção desejada do movimento, a direção efetiva do movimento e a direção do VPN no córtex motor. O modelo é uma rede neuronal auto-organizativa de duas camadas que combina informação proprioceptiva amplamente sintonizada (muscular) e informação visual (cartesiana) para calcular comandos motores (angulares) para a parte inicial do movimento de um braço de duas articulações. A rede foi treinada por balbucio motor em 5 posições. As simulações mostraram que (1) a rede produziu uma direção de movimento apropriada numa grande parte do espaço de trabalho; (2) existiam pequenas desvios da trajetória real em relação à trajetória desejada nas extremidades do espaço de trabalho; (3) estes desvios eram acompanhados por grandes desvios do VPN em relação a ambas as trajetórias. Estes resultados sugerem que o VPN não fornece uma imagem fiel do processamento cortical durante os movimentos de alcance do braço.", "ner": [[{"text": "movimentos de alcance do braço guiados visualmente", "type": "Outros Termos Científicos"}, {"text": "redes neuronais distribuídas", "type": "Método"}], [{"text": "ação coordenada dos neurónios", "type": "Outros Termos Científicos"}, {"text": "vetor de população neuronal (VPN)", "type": "Outros Termos Científicos"}], [{"text": "VPN", "type": "Outros Termos Científicos"}, {"text": "postura do braço", "type": "Outros Termos Científicos"}], [{"text": "modelo", "type": "Genérico"}, {"text": "comando motor cortical", "type": "Outros Termos Científicos"}, {"text": "VPN", "type": "Outros Termos Científicos"}, {"text": "córtex motor", "type": "Outros Termos Científicos"}], [{"text": "modelo", "type": "Genérico"}, {"text": "rede neuronal auto-organizativa de duas camadas", "type": "Método"}, {"text": "informação proprioceptiva amplamente sintonizada (muscular)", "type": "Outros Termos Científicos"}, {"text": "informação visual (cartesiana)", "type": "Outros Termos Científicos"}, {"text": "comandos motores (angulares)", "type": "Outros Termos Científicos"}, {"text": "braço de duas articulações", "type": "Outros Termos Científicos"}], [{"text": "rede", "type": "Genérico"}], [{"text": "rede", "type": "Genérico"}, {"text": "VPN", "type": "Outros Termos Científicos"}], [{"text": "VPN", "type": "Outros Termos Científicos"}, {"text": "imagem fiel do processamento cortical", "type": "Outros Termos Científicos"}, {"text": "movimentos de alcance do braço", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "redes neuronais distribuídas", "tail": "movimentos de alcance do braço guiados visualmente", "relation": "Usado-para"}], [{"head": "vetor de população neuronal (VPN)", "tail": "ação coordenada dos neurónios", "relation": "Usado-para"}], [], [{"head": "modelo", "tail": "comando motor cortical", "relation": "Usado-para"}, {"head": "VPN", "tail": "córtex motor", "relation": "Usado-para"}], [{"head": "rede neuronal auto-organizativa de duas camadas", "tail": "comandos motores (angulares)", "relation": "Usado-para"}, {"head": "informação proprioceptiva amplamente sintonizada (muscular)", "tail": "rede neuronal auto-organizativa de duas camadas", "relation": "Usado-para"}, {"head": "informação proprioceptiva amplamente sintonizada (muscular)", "tail": "informação visual (cartesiana)", "relation": "Conjunção"}, {"head": "informação visual (cartesiana)", "tail": "rede neuronal auto-organizativa de duas camadas", "relation": "Usado-para"}], [], [], [{"head": "movimentos de alcance do braço", "tail": "imagem fiel do processamento cortical", "relation": "Característica-de"}]], "clusters": [["vetor de população neuronal (VPN)", "VPN", "VPN", "VPN", "VPN"], ["modelo", "modelo", "rede neuronal auto-organizativa de duas camadas", "rede", "rede"]]}
{"doc_id": "AAAI_2008_255_abs", "text": "É bem conhecido que a diversidade entre classificadores de base é crucial para construir um ensemble forte. A maioria dos métodos de ensemble existentes obtém aprendizes individuais diversos através de reamostragem das instâncias ou das features. Neste artigo, propomos uma forma alternativa de construção de ensemble, reamostrando restrições par-a-par que especificam se um par de instâncias pertence ou não à mesma classe. Usar restrições par-a-par para construção de ensemble é desafiante porque permanece desconhecido como influenciar os classificadores de base com as restrições par-a-par amostradas. Resolvemos este problema com um processo em duas etapas. Primeiro, transformamos as instâncias originais numa nova representação de dados usando projeções aprendidas a partir de restrições par-a-par. Depois, construímos os classificadores de base com a nova representação de dados. Propomos dois métodos para reamostragem de restrições par-a-par seguindo, respetivamente, os algoritmos de Bagging e Boosting padrão. Experiências extensivas validam a eficácia do nosso método.", "ner": [[{"text": "classificadores de base", "type": "Método"}, {"text": "ensemble", "type": "Tarefa"}], [{"text": "métodos de ensemble", "type": "Método"}], [{"text": "construção de ensemble", "type": "Tarefa"}, {"text": "reamostragem de restrições par-a-par", "type": "Tarefa"}], [{"text": "restrições par-a-par", "type": "Outros Termos Científicos"}, {"text": "construção de ensemble", "type": "Tarefa"}, {"text": "classificadores de base", "type": "Método"}, {"text": "restrições par-a-par amostradas", "type": "Outros Termos Científicos"}], [], [{"text": "representação de dados", "type": "Método"}, {"text": "projeções", "type": "Outros Termos Científicos"}, {"text": "restrições par-a-par", "type": "Outros Termos Científicos"}], [{"text": "classificadores de base", "type": "Método"}, {"text": "representação de dados", "type": "Método"}], [{"text": "reamostragem de restrições par-a-par", "type": "Tarefa"}, {"text": "algoritmos de Bagging e Boosting", "type": "Método"}], []], "relations": [[{"head": "classificadores de base", "tail": "ensemble", "relation": "Usado-para"}], [], [{"head": "reamostragem de restrições par-a-par", "tail": "construção de ensemble", "relation": "Usado-para"}], [{"head": "restrições par-a-par", "tail": "construção de ensemble", "relation": "Usado-para"}], [], [{"head": "projeções", "tail": "representação de dados", "relation": "Usado-para"}, {"head": "restrições par-a-par", "tail": "projeções", "relation": "Usado-para"}], [{"head": "representação de dados", "tail": "classificadores de base", "relation": "Usado-para"}], [{"head": "algoritmos de Bagging e Boosting", "tail": "reamostragem de restrições par-a-par", "relation": "Usado-para"}], []], "clusters": [["classificadores de base", "classificadores de base", "classificadores de base"], ["ensemble", "construção de ensemble", "construção de ensemble"], ["reamostragem de restrições par-a-par", "reamostragem de restrições par-a-par"], ["representação de dados", "representação de dados"]]}
{"doc_id": "IJCAI_2001_4_abs", "text": "Um novo algoritmo para resolver o problema de empacotamento de contentores tridimensional é proposto neste artigo. Este novo algoritmo diverge da abordagem tradicional de construção de paredes e de camadas. Utiliza o conceito de 'construção em crescimento' a partir de múltiplos lados do contentor. Testámos o nosso método utilizando todos os 760 casos de teste da OR-Library. Os resultados experimentais indicam que o novo algoritmo é capaz de alcançar uma taxa média de utilização de empacotamento superior a 87%. Isto é melhor do que os resultados reportados na literatura.", "ner": [[{"text": "algoritmo", "type": "Genérico"}, {"text": "problema de empacotamento de contentores tridimensional", "type": "Tarefa"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "abordagem tradicional de construção de paredes e de camadas", "type": "Método"}], [{"text": "Este", "type": "Genérico"}], [{"text": "método", "type": "Genérico"}, {"text": "OR-Library", "type": "Material"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "taxa média de utilização de empacotamento", "type": "Métrica"}], []], "relations": [[{"head": "algoritmo", "tail": "problema de empacotamento de contentores tridimensional", "relation": "Usado-para"}], [{"head": "algoritmo", "tail": "abordagem tradicional de construção de paredes e de camadas", "relation": "Comparado-com"}], [], [{"head": "OR-Library", "tail": "método", "relation": "Avaliado-para"}], [{"head": "taxa média de utilização de empacotamento", "tail": "algoritmo", "relation": "Avaliado-para"}], []], "clusters": [["algoritmo", "algoritmo", "Este", "método", "algoritmo"]]}
{"doc_id": "ICCV_2005_50_abs", "text": "As abordagens atuais para o reconhecimento de categorias de objetos exigem que conjuntos de dados de imagens de treino sejam preparados manualmente, com graus variados de supervisão. Apresentamos uma abordagem que pode aprender uma categoria de objeto apenas a partir do seu nome, utilizando o resultado bruto dos motores de pesquisa de imagens disponíveis na Internet. Desenvolvemos um novo modelo, TSI-pLSA, que estende o pLSA -LRB- tal como aplicado a palavras visuais -RRB- para incluir informação espacial de uma forma invariante à translação e à escala. A nossa abordagem consegue lidar com a elevada variabilidade intra-classe e com a grande proporção de imagens não relacionadas devolvidas pelos motores de pesquisa. Avaliamos os modelos em conjuntos de teste padrão, mostrando um desempenho competitivo com métodos existentes treinados em conjuntos de dados preparados manualmente.", "ner": [[{"text": "abordagens", "type": "Genérico"}, {"text": "reconhecimento de categorias de objetos", "type": "Tarefa"}, {"text": "conjuntos de dados", "type": "Genérico"}, {"text": "supervisão", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "categoria de objeto", "type": "Outros Termos Científicos"}, {"text": "motores de pesquisa de imagens", "type": "Método"}], [{"text": "modelo", "type": "Genérico"}, {"text": "TSI-pLSA", "type": "Método"}, {"text": "pLSA", "type": "Método"}, {"text": "palavras visuais", "type": "Outros Termos Científicos"}, {"text": "informação espacial", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "variabilidade intra-classe", "type": "Outros Termos Científicos"}, {"text": "imagens não relacionadas", "type": "Outros Termos Científicos"}, {"text": "motores de pesquisa", "type": "Método"}], [{"text": "modelos", "type": "Genérico"}, {"text": "conjuntos de teste", "type": "Genérico"}, {"text": "métodos", "type": "Genérico"}, {"text": "conjuntos de dados preparados manualmente", "type": "Material"}]], "relations": [[{"head": "abordagens", "tail": "reconhecimento de categorias de objetos", "relation": "Usado-para"}, {"head": "conjuntos de dados", "tail": "abordagens", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "categoria de objeto", "relation": "Usado-para"}], [{"head": "pLSA", "tail": "TSI-pLSA", "relation": "Usado-para"}, {"head": "pLSA", "tail": "palavras visuais", "relation": "Usado-para"}, {"head": "informação espacial", "tail": "TSI-pLSA", "relation": "Parte-de"}], [{"head": "abordagem", "tail": "variabilidade intra-classe", "relation": "Usado-para"}, {"head": "abordagem", "tail": "imagens não relacionadas", "relation": "Usado-para"}, {"head": "variabilidade intra-classe", "tail": "imagens não relacionadas", "relation": "Conjunção"}, {"head": "motores de pesquisa", "tail": "imagens não relacionadas", "relation": "Usado-para"}], [{"head": "conjuntos de teste", "tail": "modelos", "relation": "Avaliado-para"}, {"head": "conjuntos de teste", "tail": "métodos", "relation": "Avaliado-para"}, {"head": "métodos", "tail": "modelos", "relation": "Comparado-com"}, {"head": "conjuntos de dados preparados manualmente", "tail": "métodos", "relation": "Usado-para"}]], "clusters": [["abordagem", "modelo", "TSI-pLSA", "abordagem", "modelos"], ["motores de pesquisa de imagens", "motores de pesquisa"]]}
{"doc_id": "H92-1010", "text": "O artigo fornece uma visão geral da investigação realizada no LIMSI na área do processamento da fala, mas também nas áreas relacionadas da Comunicação Humano-Máquina, incluindo o Processamento de Linguagem Natural, Comunicação Não Verbal e Multimodal. São também apresentadas as aplicações comerciais de alguns dos projetos de investigação. Quando aplicável, a discussão é enquadrada no âmbito de colaborações internacionais.", "ner": [[{"text": "processamento da fala", "type": "Tarefa"}, {"text": "Comunicação Humano-Máquina", "type": "Tarefa"}, {"text": "Processamento de Linguagem Natural", "type": "Tarefa"}, {"text": "Comunicação Não Verbal e Multimodal", "type": "Tarefa"}], [], []], "relations": [[{"head": "processamento da fala", "tail": "Comunicação Humano-Máquina", "relation": "Conjunção"}, {"head": "Processamento de Linguagem Natural", "tail": "Comunicação Humano-Máquina", "relation": "Hipónimo-de"}, {"head": "Processamento de Linguagem Natural", "tail": "Comunicação Não Verbal e Multimodal", "relation": "Conjunção"}, {"head": "Comunicação Não Verbal e Multimodal", "tail": "Comunicação Humano-Máquina", "relation": "Hipónimo-de"}], [], []], "clusters": []}
{"doc_id": "NIPS_1996_15_abs", "text": "Calculámos expressões analíticas para descrever como o enviesamento e a variância dos estimadores fornecidos por vários algoritmos de estimação de valor por diferenças temporais mudam com atualizações offline ao longo de tentativas em cadeias de Markov absorventes usando representações em tabela de consulta. Ilustramos classes de comportamento de curvas de aprendizagem em várias cadeias e mostramos de que modo o TD é sensível à escolha dos seus parâmetros de passo e de traço de elegibilidade.", "ner": [[{"text": "expressões analíticas", "type": "Outros Termos Científicos"}, {"text": "algoritmos de estimação de valor por diferenças temporais", "type": "Método"}, {"text": "cadeias de Markov", "type": "Outros Termos Científicos"}, {"text": "representações em tabela de consulta", "type": "Método"}], [{"text": "comportamento de curvas de aprendizagem", "type": "Outros Termos Científicos"}, {"text": "parâmetros de passo e de traço de elegibilidade", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "representações em tabela de consulta", "tail": "expressões analíticas", "relation": "Usado-para"}], []], "clusters": []}
{"doc_id": "A88-1003", "text": "Neste artigo, descrevemos o módulo de resolução de anáfora pronominal de Lucy, um sistema portável de compreensão de inglês. A conceção deste módulo foi motivada pela observação de que, embora existam muitas teorias de resolução de anáfora, nenhuma destas teorias é completa. Assim, implementámos uma arquitetura do tipo quadro-negro na qual teorias parciais individuais podem ser codificadas como módulos separados que podem interagir para propor antecedentes candidatos e para avaliar as propostas uns dos outros.", "ner": [[{"text": "módulo de resolução de anáfora pronominal", "type": "Método"}, {"text": "Lucy", "type": "Método"}, {"text": "sistema portável de compreensão de inglês", "type": "Método"}], [{"text": "módulo", "type": "Genérico"}, {"text": "resolução de anáfora", "type": "Tarefa"}], [{"text": "arquitetura do tipo quadro-negro", "type": "Método"}]], "relations": [[{"head": "módulo de resolução de anáfora pronominal", "tail": "Lucy", "relation": "Parte-de"}, {"head": "Lucy", "tail": "sistema portável de compreensão de inglês", "relation": "Hipónimo-de"}], [], []], "clusters": [["módulo de resolução de anáfora pronominal", "módulo"]]}
{"doc_id": "L08-1097", "text": "Neste artigo , relatamos experiências de aquisição automática não supervisionada de quadros de subcategorização verbal em italiano e inglês -LRB- SCFs -RRB- a partir de corpora gerais e de domínio . A técnica proposta opera sobre corpora analisados sintaticamente de forma superficial com base num número limitado de heurísticas de pesquisa que não dependem de qualquer conhecimento léxico-sintáctico prévio sobre SCFs . Embora preliminares , os resultados apresentados estão em linha com os sistemas de aquisição lexical de última geração . A questão de saber se verbos que partilham distribuições de SCFs semelhantes também partilham propriedades semânticas semelhantes foi igualmente explorada através do agrupamento de verbos que partilham quadros com a mesma distribuição usando o Princípio do Comprimento Mínimo de Descrição -LRB- MDL -RRB- . As primeiras experiências nesta direção foram realizadas com verbos italianos , com resultados encorajadores .", "ner": [[{"text": "aquisição automática não supervisionada de quadros de subcategorização verbal em italiano e inglês -LRB- SCFs -RRB-", "type": "Tarefa"}, {"text": "quadros de subcategorização verbal em italiano e inglês -LRB- SCFs -RRB-", "type": "Outros Termos Científicos"}, {"text": "corpora gerais e de domínio", "type": "Material"}], [{"text": "técnica", "type": "Genérico"}, {"text": "corpora analisados sintaticamente de forma superficial", "type": "Material"}, {"text": "heurísticas de pesquisa", "type": "Método"}, {"text": "conhecimento léxico-sintáctico", "type": "Outros Termos Científicos"}, {"text": "SCFs", "type": "Outros Termos Científicos"}], [{"text": "sistemas de aquisição lexical", "type": "Método"}], [{"text": "distribuições de SCFs", "type": "Outros Termos Científicos"}, {"text": "propriedades semânticas semelhantes", "type": "Outros Termos Científicos"}, {"text": "Princípio do Comprimento Mínimo de Descrição -LRB- MDL -RRB-", "type": "Método"}], []], "relations": [[{"head": "corpora gerais e de domínio", "tail": "aquisição automática não supervisionada de quadros de subcategorização verbal em italiano e inglês -LRB- SCFs -RRB-", "relation": "Usado-para"}], [{"head": "corpora analisados sintaticamente de forma superficial", "tail": "técnica", "relation": "Usado-para"}, {"head": "heurísticas de pesquisa", "tail": "técnica", "relation": "Usado-para"}, {"head": "SCFs", "tail": "conhecimento léxico-sintáctico", "relation": "Característica-de"}], [], [], []], "clusters": [["quadros de subcategorização verbal em italiano e inglês -LRB- SCFs -RRB-", "SCFs"]]}
{"doc_id": "CVPR_2010_18_abs", "text": "A otimização por graph-cuts é predominante em problemas de visão e de gráficos. É, portanto, de grande importância prática paralelizar a otimização por graph-cuts utilizando as omnipresentes máquinas multi-core de hoje em dia. No entanto, o melhor algoritmo sequencial atual de Boykov e Kolmogorov -LSB- 4 -RSB- -LRB- denominado algoritmo BK -RRB- continua a ter o melhor desempenho empírico. Não é trivial paralelizá-lo, pois a dispendiosa sobrecarga de sincronização facilmente anula a vantagem do paralelismo. Neste artigo, propomos uma nova abordagem adaptativa bottom-up para paralelizar o algoritmo BK. Primeiro, particionamos uniformemente o grafo em vários subgrafos disjuntos de forma regular e processamo-los em paralelo, depois vamos fundindo incrementalmente os subgrafos de forma adaptativa para obter o ótimo global. O novo algoritmo tem três benefícios: 1 -RRB- é mais amigável à cache dentro de subgrafos mais pequenos; 2 -RRB- mantém cargas de trabalho equilibradas entre os núcleos de computação; 3 -RRB- causa pouca sobrecarga e é adaptável ao número de núcleos disponíveis. Extensas experiências em aplicações comuns, como segmentações de imagens 2D/3D e ajustamento de superfícies 3D, demonstram a eficácia da nossa abordagem.", "ner": [[{"text": "otimização por graph-cuts", "type": "Método"}, {"text": "problemas de visão e de gráficos", "type": "Tarefa"}], [{"text": "otimização por graph-cuts", "type": "Método"}, {"text": "máquinas multi-core", "type": "Outros Termos Científicos"}], [{"text": "algoritmo sequencial", "type": "Método"}, {"text": "algoritmo BK", "type": "Método"}], [{"text": "sobrecarga de sincronização", "type": "Outros Termos Científicos"}, {"text": "paralelismo", "type": "Outros Termos Científicos"}], [{"text": "abordagem adaptativa bottom-up", "type": "Método"}, {"text": "algoritmo BK", "type": "Método"}], [{"text": "grafo", "type": "Outros Termos Científicos"}, {"text": "subgrafos disjuntos de forma regular", "type": "Outros Termos Científicos"}, {"text": "processamo-los", "type": "Genérico"}, {"text": "subgrafos", "type": "Outros Termos Científicos"}, {"text": "ótimo global", "type": "Outros Termos Científicos"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "subgrafos", "type": "Outros Termos Científicos"}, {"text": "cargas de trabalho equilibradas", "type": "Outros Termos Científicos"}, {"text": "sobrecarga", "type": "Outros Termos Científicos"}], [{"text": "aplicações", "type": "Genérico"}, {"text": "segmentações de imagens 2D/3D", "type": "Tarefa"}, {"text": "ajustamento de superfícies 3D", "type": "Tarefa"}, {"text": "abordagem", "type": "Genérico"}]], "relations": [[{"head": "otimização por graph-cuts", "tail": "problemas de visão e de gráficos", "relation": "Usado-para"}], [{"head": "máquinas multi-core", "tail": "otimização por graph-cuts", "relation": "Usado-para"}], [{"head": "algoritmo BK", "tail": "algoritmo sequencial", "relation": "Hipónimo-de"}], [], [{"head": "abordagem adaptativa bottom-up", "tail": "algoritmo BK", "relation": "Usado-para"}], [], [], [{"head": "aplicações", "tail": "abordagem", "relation": "Avaliado-para"}, {"head": "segmentações de imagens 2D/3D", "tail": "aplicações", "relation": "Hipónimo-de"}, {"head": "segmentações de imagens 2D/3D", "tail": "ajustamento de superfícies 3D", "relation": "Conjunção"}, {"head": "ajustamento de superfícies 3D", "tail": "aplicações", "relation": "Hipónimo-de"}]], "clusters": [["abordagem adaptativa bottom-up", "algoritmo", "abordagem"], ["algoritmo BK", "algoritmo BK"], ["otimização por graph-cuts", "otimização por graph-cuts"], ["subgrafos disjuntos de forma regular", "processamo-los", "subgrafos"]]}
{"doc_id": "ICCV_2015_393_abs", "text": "Estudamos a questão de como fazer previsões sensíveis à perda em contextos de segmentação de imagens em que a função de avaliação é a métrica Interseção‑sobre‑União -LRB- IoU -RRB-, amplamente utilizada na avaliação de sistemas de segmentação de imagens. Atualmente, existem duas abordagens dominantes: a primeira aproxima a pontuação Expected-IoU -LRB- EIoU -RRB- como Expected-Intersection-over-Expected-Union -LRB- EIoEU -RRB-; e a segunda abordagem consiste em calcular exatamente o EIoU mas apenas sobre um pequeno conjunto de soluções candidatas de alta qualidade. Começamos por perguntar qual abordagem devemos privilegiar para duas tarefas típicas de segmentação de imagens. O estudo desta questão conduz a dois novos métodos que retiram ideias de ambas as abordagens existentes. Os nossos novos métodos utilizam a aproximação EIoEU em conjunto com soluções candidatas de alta qualidade. Experimentalmente, mostramos que as nossas novas abordagens conduzem a um desempenho melhorado em ambas as tarefas de segmentação de imagens.", "ner": [[{"text": "previsões sensíveis à perda", "type": "Tarefa"}, {"text": "previsões sensíveis à perda em contextos de segmentação de imagens", "type": "Tarefa"}, {"text": "contextos de segmentação de imagens", "type": "Tarefa"}, {"text": "função de avaliação", "type": "Outros Termos Científicos"}, {"text": "métrica Interseção‑sobre‑União -LRB- IoU -RRB-", "type": "Métrica"}, {"text": "sistemas de segmentação de imagens", "type": "Método"}], [{"text": "abordagens dominantes", "type": "Genérico"}, {"text": "primeira", "type": "Genérico"}, {"text": "pontuação Expected-IoU -LRB- EIoU -RRB-", "type": "Outros Termos Científicos"}, {"text": "Expected-Intersection-over-Expected-Union -LRB- EIoEU -RRB-", "type": "Outros Termos Científicos"}, {"text": "segunda abordagem", "type": "Genérico"}, {"text": "EIoU", "type": "Outros Termos Científicos"}], [{"text": "tarefas de segmentação de imagens", "type": "Tarefa"}], [], [{"text": "métodos", "type": "Genérico"}, {"text": "EIoEU", "type": "Outros Termos Científicos"}, {"text": "aproximação EIoEU", "type": "Método"}], [{"text": "abordagens", "type": "Genérico"}, {"text": "tarefas de segmentação de imagens", "type": "Tarefa"}]], "relations": [[{"head": "métrica Interseção‑sobre‑União -LRB- IoU -RRB-", "tail": "função de avaliação", "relation": "Hipónimo-de"}, {"head": "métrica Interseção‑sobre‑União -LRB- IoU -RRB-", "tail": "sistemas de segmentação de imagens", "relation": "Avaliado-para"}], [{"head": "primeira", "tail": "abordagens dominantes", "relation": "Hipónimo-de"}, {"head": "segunda abordagem", "tail": "abordagens dominantes", "relation": "Hipónimo-de"}], [], [], [{"head": "aproximação EIoEU", "tail": "métodos", "relation": "Usado-para"}], [{"head": "tarefas de segmentação de imagens", "tail": "abordagens", "relation": "Avaliado-para"}]], "clusters": [["pontuação Expected-IoU -LRB- EIoU -RRB-", "EIoU"], ["métodos", "abordagens"], ["Expected-Intersection-over-Expected-Union -LRB- EIoEU -RRB-", "EIoEU"], ["tarefas de segmentação de imagens", "tarefas de segmentação de imagens"]]}
{"doc_id": "ICML_2006_111_abs", "text": "Sabe-se que os métodos de boosting normalmente não sobreajustam os dados de treino, mesmo quando o tamanho dos classificadores gerados se torna grande. Schapire et al. tentaram explicar este fenómeno em termos das margens que o classificador atinge nos exemplos de treino. Mais tarde, no entanto, Breiman lançou sérias dúvidas sobre esta explicação ao introduzir um algoritmo de boosting, o arc-gv, que pode gerar uma distribuição de margens mais elevada do que o AdaBoost e, ainda assim, tem pior desempenho. Neste artigo, analisamos em pormenor os resultados convincentes, mas intrigantes, de Breiman. Embora consigamos reproduzir a sua principal constatação, verificamos que o pior desempenho do arc-gv pode ser explicado pela maior complexidade dos classificadores de base que utiliza, uma explicação apoiada pelas nossas experiências e inteiramente consistente com a teoria das margens. Assim, concluímos que maximizar as margens é desejável, mas não necessariamente à custa de outros fatores, especialmente da complexidade do classificador de base.", "ner": [[{"text": "métodos de boosting", "type": "Método"}, {"text": "classificadores", "type": "Método"}], [{"text": "classificador", "type": "Método"}], [{"text": "algoritmo de boosting", "type": "Método"}, {"text": "arc-gv", "type": "Método"}, {"text": "distribuição de margens", "type": "Outros Termos Científicos"}, {"text": "AdaBoost", "type": "Método"}], [], [{"text": "arc-gv", "type": "Método"}, {"text": "complexidade", "type": "Métrica"}, {"text": "classificadores de base", "type": "Método"}, {"text": "teoria das margens", "type": "Método"}], [{"text": "complexidade do classificador de base", "type": "Métrica"}]], "relations": [[], [], [{"head": "arc-gv", "tail": "algoritmo de boosting", "relation": "Hipónimo-de"}, {"head": "arc-gv", "tail": "distribuição de margens", "relation": "Usado-para"}, {"head": "arc-gv", "tail": "AdaBoost", "relation": "Comparado-com"}], [], [{"head": "complexidade", "tail": "classificadores de base", "relation": "Avaliado-para"}, {"head": "classificadores de base", "tail": "arc-gv", "relation": "Hipónimo-de"}], []], "clusters": [["arc-gv", "arc-gv"]]}
{"doc_id": "C92-2115", "text": "A fase de transferência em sistemas de tradução automática -LRB- MT -RRB- tem sido considerada mais complicada do que a análise e a geração, uma vez que ela é inerentemente um conglomerado de regras lexicais individuais. Atualmente, estão a ser feitas algumas tentativas de utilizar raciocínio baseado em casos na tradução automática, isto é, tomar decisões com base em exemplos de tradução em pontos apropriados na MT. Este artigo propõe um novo tipo de sistema de transferência, chamado Sistema de Transferência Orientado por Similaridade -LRB- SimTran -RRB-, para utilização em tal MT baseada em casos -LRB- CBMT -RRB-.", "ner": [[{"text": "fase de transferência", "type": "Tarefa"}, {"text": "sistemas de tradução automática -LRB- MT -RRB-", "type": "Tarefa"}, {"text": "análise", "type": "Tarefa"}, {"text": "geração", "type": "Tarefa"}, {"text": "ela", "type": "Genérico"}, {"text": "regras lexicais", "type": "Outros Termos Científicos"}], [{"text": "raciocínio baseado em casos", "type": "Método"}, {"text": "tradução automática", "type": "Tarefa"}, {"text": "MT", "type": "Tarefa"}], [{"text": "sistema de transferência", "type": "Método"}, {"text": "Sistema de Transferência Orientado por Similaridade -LRB- SimTran -RRB-", "type": "Método"}, {"text": "MT baseada em casos -LRB- CBMT -RRB-", "type": "Tarefa"}]], "relations": [[{"head": "fase de transferência", "tail": "sistemas de tradução automática -LRB- MT -RRB-", "relation": "Parte-de"}, {"head": "fase de transferência", "tail": "análise", "relation": "Comparado-com"}, {"head": "fase de transferência", "tail": "geração", "relation": "Comparado-com"}, {"head": "análise", "tail": "geração", "relation": "Conjunção"}], [{"head": "raciocínio baseado em casos", "tail": "tradução automática", "relation": "Usado-para"}], [{"head": "Sistema de Transferência Orientado por Similaridade -LRB- SimTran -RRB-", "tail": "sistema de transferência", "relation": "Hipónimo-de"}, {"head": "Sistema de Transferência Orientado por Similaridade -LRB- SimTran -RRB-", "tail": "MT baseada em casos -LRB- CBMT -RRB-", "relation": "Usado-para"}]], "clusters": [["fase de transferência", "ela"], ["sistemas de tradução automática -LRB- MT -RRB-", "tradução automática", "MT"]]}
{"doc_id": "ECCV_2012_29_abs", "text": "Este artigo aborda o problema do alinhamento ótimo de superfícies não rígidas a partir de observações de vídeo multi‑vista para obter uma representação temporalmente consistente. O acompanhamento convencional de superfícies não rígidas realiza alinhamento frame‑a‑frame que está sujeito à acumulação de erros, resultando numa deriva ao longo do tempo. Recentemente, foram introduzidas abordagens de acompanhamento não sequencial que reordenam os dados de entrada com base numa medida de dissimilaridade. Uma ou mais sequências de entrada são representadas numa árvore com comprimento de percurso de alinhamento reduzido. Estas demonstram uma deriva reduzida e uma robustez aumentada a grandes deformações não rígidas. No entanto, podem ocorrer saltos na sequência de malhas alinhadas onde os ramos da árvore se encontram devido a diferentes acumulações de erro ao longo deles. É proposta a otimização da árvore para acompanhamento não sequencial, que minimiza os erros na consistência temporal devido tanto à deriva como aos saltos. Uma nova árvore de clusters impõe acompanhamento sequencial em segmentos locais da sequência, permitindo ao mesmo tempo a travessia global não sequencial entre estes segmentos. Isto fornece um mecanismo para criar uma estrutura de árvore que reduz o número e o tamanho dos saltos entre ramos e também limita o comprimento dos ramos. É feita uma avaliação abrangente numa variedade de superfícies não rígidas desafiantes, incluindo rosto, tecido e pessoas. Esta demonstra que a árvore de clusters proposta atinge melhor consistência temporal do que as anteriores abordagens de acompanhamento sequencial e não sequencial. A análise quantitativa num desempenho facial sintético criado também mostra uma melhoria proporcionada pela árvore de clusters.", "ner": [[{"text": "alinhamento ótimo de superfícies não rígidas", "type": "Tarefa"}, {"text": "observações de vídeo multi‑vista", "type": "Outros Termos Científicos"}, {"text": "representação temporalmente consistente", "type": "Método"}], [{"text": "acompanhamento convencional de superfícies não rígidas", "type": "Método"}, {"text": "alinhamento frame‑a‑frame", "type": "Método"}], [{"text": "abordagens de acompanhamento não sequencial", "type": "Método"}, {"text": "medida de dissimilaridade", "type": "Métrica"}], [], [{"text": "deriva reduzida", "type": "Outros Termos Científicos"}, {"text": "robustez", "type": "Métrica"}, {"text": "deformações não rígidas", "type": "Outros Termos Científicos"}], [{"text": "ramos", "type": "Outros Termos Científicos"}, {"text": "árvore", "type": "Outros Termos Científicos"}, {"text": "acumulação de erro", "type": "Outros Termos Científicos"}], [{"text": "otimização da árvore", "type": "Tarefa"}, {"text": "acompanhamento não sequencial", "type": "Método"}, {"text": "consistência temporal", "type": "Métrica"}], [{"text": "árvore de clusters", "type": "Método"}, {"text": "acompanhamento sequencial em segmentos locais", "type": "Tarefa"}, {"text": "segmentos locais", "type": "Outros Termos Científicos"}, {"text": "travessia global não sequencial", "type": "Outros Termos Científicos"}, {"text": "segmentos", "type": "Genérico"}], [{"text": "estrutura de árvore", "type": "Outros Termos Científicos"}], [{"text": "superfícies não rígidas", "type": "Outros Termos Científicos"}, {"text": "rosto", "type": "Outros Termos Científicos"}, {"text": "tecido", "type": "Outros Termos Científicos"}, {"text": "pessoas", "type": "Outros Termos Científicos"}], [{"text": "árvore de clusters", "type": "Método"}, {"text": "consistência temporal", "type": "Métrica"}, {"text": "abordagens de acompanhamento sequencial e não sequencial", "type": "Método"}], [{"text": "desempenho facial sintético", "type": "Métrica"}, {"text": "árvore de clusters", "type": "Método"}]], "relations": [[{"head": "alinhamento ótimo de superfícies não rígidas", "tail": "representação temporalmente consistente", "relation": "Usado-para"}, {"head": "observações de vídeo multi‑vista", "tail": "alinhamento ótimo de superfícies não rígidas", "relation": "Usado-para"}], [{"head": "alinhamento frame‑a‑frame", "tail": "acompanhamento convencional de superfícies não rígidas", "relation": "Usado-para"}], [{"head": "medida de dissimilaridade", "tail": "abordagens de acompanhamento não sequencial", "relation": "Usado-para"}], [], [{"head": "robustez", "tail": "deformações não rígidas", "relation": "Característica-de"}], [], [{"head": "otimização da árvore", "tail": "acompanhamento não sequencial", "relation": "Usado-para"}, {"head": "consistência temporal", "tail": "otimização da árvore", "relation": "Avaliado-para"}], [{"head": "árvore de clusters", "tail": "acompanhamento sequencial em segmentos locais", "relation": "Usado-para"}, {"head": "árvore de clusters", "tail": "travessia global não sequencial", "relation": "Usado-para"}], [], [{"head": "rosto", "tail": "superfícies não rígidas", "relation": "Hipónimo-de"}, {"head": "rosto", "tail": "tecido", "relation": "Conjunção"}, {"head": "tecido", "tail": "superfícies não rígidas", "relation": "Hipónimo-de"}, {"head": "tecido", "tail": "pessoas", "relation": "Conjunção"}, {"head": "pessoas", "tail": "superfícies não rígidas", "relation": "Hipónimo-de"}], [{"head": "árvore de clusters", "tail": "abordagens de acompanhamento sequencial e não sequencial", "relation": "Comparado-com"}, {"head": "consistência temporal", "tail": "árvore de clusters", "relation": "Avaliado-para"}], [{"head": "desempenho facial sintético", "tail": "árvore de clusters", "relation": "Avaliado-para"}]], "clusters": [["abordagens de acompanhamento não sequencial", "acompanhamento não sequencial"], ["árvore de clusters", "árvore de clusters", "árvore de clusters"], ["segmentos locais", "segmentos"]]}
{"doc_id": "N04-2005", "text": "A tradução de texto em inglês para animação em Língua Gestual Americana -LRB- ASL -RRB- testa os limites dos designs arquitetónicos tradicionais de MT. É proposta uma nova representação semântica que utiliza software de modelação de cenas 3D de realidade virtual para produzir fenómenos de ASL espacialmente complexos chamados 'predicados classificadores'. O modelo atua como uma interlíngua dentro de um novo design de arquitetura de MT de múltiplos percursos que também incorpora abordagens de transferência e abordagens diretas num único sistema.", "ner": [[{"text": "tradução de texto em inglês para animação em Língua Gestual Americana -LRB- ASL -RRB-", "type": "Tarefa"}, {"text": "designs arquitetónicos tradicionais de MT", "type": "Método"}], [{"text": "representação semântica", "type": "Método"}, {"text": "software de modelação de cenas 3D de realidade virtual", "type": "Método"}, {"text": "fenómenos de ASL espacialmente complexos", "type": "Outros Termos Científicos"}, {"text": "predicados classificadores", "type": "Outros Termos Científicos"}], [{"text": "modelo", "type": "Genérico"}, {"text": "interlíngua", "type": "Outros Termos Científicos"}, {"text": "design de arquitetura de MT de múltiplos percursos", "type": "Método"}, {"text": "transferência", "type": "Outros Termos Científicos"}, {"text": "abordagens diretas", "type": "Genérico"}, {"text": "sistema", "type": "Genérico"}]], "relations": [[{"head": "designs arquitetónicos tradicionais de MT", "tail": "tradução de texto em inglês para animação em Língua Gestual Americana -LRB- ASL -RRB-", "relation": "Usado-para"}], [{"head": "representação semântica", "tail": "fenómenos de ASL espacialmente complexos", "relation": "Usado-para"}, {"head": "software de modelação de cenas 3D de realidade virtual", "tail": "representação semântica", "relation": "Usado-para"}, {"head": "predicados classificadores", "tail": "fenómenos de ASL espacialmente complexos", "relation": "Hipónimo-de"}], [{"head": "transferência", "tail": "abordagens diretas", "relation": "Conjunção"}, {"head": "transferência", "tail": "sistema", "relation": "Parte-de"}, {"head": "abordagens diretas", "tail": "sistema", "relation": "Parte-de"}]], "clusters": [["modelo", "sistema"]]}
{"doc_id": "P83-1003", "text": "É proposta uma extensão ao formalismo gramatical GPSG, permitindo que não-terminais consistam em sequências finitas de rótulos de categoria, e permitindo que variáveis esquemáticas abranjam tais sequências. Mostra-se que a extensão é suficiente para fornecer uma gramática fortemente adequada para dependências seriais cruzadas, como as encontradas, por exemplo, em orações subordinadas neerlandesas. Argumenta-se que as estruturas induzidas para tais construções são mais apropriadas para dados que envolvem coordenação do que algumas propostas anteriores têm sido. Mostra-se que a extensão é analisável através de uma simples extensão de um método de análise sintática existente para GPSG.", "ner": [[{"text": "extensão", "type": "Genérico"}, {"text": "formalismo gramatical GPSG", "type": "Método"}, {"text": "não-terminais", "type": "Outros Termos Científicos"}, {"text": "variáveis esquemáticas", "type": "Outros Termos Científicos"}], [{"text": "extensão", "type": "Genérico"}, {"text": "gramática", "type": "Método"}, {"text": "dependências seriais cruzadas", "type": "Outros Termos Científicos"}, {"text": "orações subordinadas neerlandesas", "type": "Outros Termos Científicos"}], [{"text": "construções", "type": "Tarefa"}], [{"text": "extensão", "type": "Genérico"}, {"text": "extensão", "type": "Genérico"}, {"text": "método de análise sintática", "type": "Método"}, {"text": "GPSG", "type": "Método"}]], "relations": [[{"head": "formalismo gramatical GPSG", "tail": "extensão", "relation": "Usado-para"}], [{"head": "extensão", "tail": "gramática", "relation": "Usado-para"}, {"head": "gramática", "tail": "dependências seriais cruzadas", "relation": "Usado-para"}], [], [{"head": "extensão", "tail": "extensão", "relation": "Usado-para"}, {"head": "método de análise sintática", "tail": "extensão", "relation": "Usado-para"}, {"head": "método de análise sintática", "tail": "GPSG", "relation": "Usado-para"}]], "clusters": [["formalismo gramatical GPSG", "GPSG"], ["extensão", "extensão", "extensão"]]}
{"doc_id": "ICCV_2013_33_abs", "text": "Este artigo apresenta uma abordagem para localizar objetos funcionais em vídeos de vigilância sem conhecimento de domínio sobre classes semânticas de objetos que possam aparecer na cena. Objetos funcionais não têm aparência e forma discriminativas, mas afetam o comportamento das pessoas na cena. Por exemplo, eles 'atraem' as pessoas a aproximarem-se deles para satisfazer certas necessidades -LRB- por exemplo, máquinas de venda automática podem matar a sede -RRB-, ou 'repelem' as pessoas para as levar a evitá-los -LRB- por exemplo, relvados -RRB-. Portanto, os objetos funcionais podem ser vistos como 'matéria escura', emanando 'energia escura' que afeta as trajetórias das pessoas no vídeo. Para detetar a 'matéria escura' e inferir o seu campo de 'energia escura', estendemos a mecânica Lagrangiana. As pessoas são tratadas como partículas-agentes com intenções latentes de se aproximar da 'matéria escura' e assim satisfazerem as suas necessidades, onde os seus movimentos estão sujeitos a um campo composto de 'energia escura' de todos os objetos funcionais na cena. Assumimos que as pessoas seguem percursos globalmente ótimos em direção à 'matéria escura' pretendida enquanto evitam obstáculos latentes. Um enquadramento Bayesiano é usado para modelar probabilisticamente: as trajetórias e intenções das pessoas, o mapa de restrições da cena e as localizações dos objetos funcionais. Um processo de Cadeia de Markov Monte Carlo -LRB- MCMC -RRB- orientado por dados é usado para a inferência. A nossa avaliação em vídeos de praças públicas e pátios demonstra a nossa eficácia em localizar objetos funcionais e prever as trajetórias das pessoas em partes não observadas das gravações de vídeo.", "ner": [[{"text": "abordagem", "type": "Genérico"}, {"text": "localizar objetos funcionais", "type": "Tarefa"}, {"text": "vídeos de vigilância", "type": "Material"}, {"text": "conhecimento de domínio", "type": "Outros Termos Científicos"}, {"text": "classes semânticas de objetos", "type": "Outros Termos Científicos"}], [{"text": "Objetos funcionais", "type": "Outros Termos Científicos"}, {"text": "aparência e forma discriminativas", "type": "Outros Termos Científicos"}, {"text": "eles", "type": "Genérico"}], [], [{"text": "objetos funcionais", "type": "Outros Termos Científicos"}], [{"text": "mecânica Lagrangiana", "type": "Método"}], [{"text": "objetos funcionais", "type": "Outros Termos Científicos"}], [], [{"text": "enquadramento Bayesiano", "type": "Método"}, {"text": "trajetórias e intenções das pessoas", "type": "Outros Termos Científicos"}, {"text": "mapa de restrições da cena", "type": "Outros Termos Científicos"}, {"text": "localizações dos objetos funcionais", "type": "Outros Termos Científicos"}], [{"text": "processo de Cadeia de Markov Monte Carlo -LRB- MCMC -RRB- orientado por dados", "type": "Método"}, {"text": "inferência", "type": "Tarefa"}], [{"text": "vídeos de praças públicas e pátios", "type": "Material"}, {"text": "localizar objetos funcionais", "type": "Tarefa"}, {"text": "prever as trajetórias das pessoas", "type": "Tarefa"}, {"text": "gravações de vídeo", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "abordagem", "tail": "localizar objetos funcionais", "relation": "Usado-para"}, {"head": "vídeos de vigilância", "tail": "localizar objetos funcionais", "relation": "Usado-para"}, {"head": "classes semânticas de objetos", "tail": "conhecimento de domínio", "relation": "Característica-de"}], [], [], [], [], [], [], [{"head": "enquadramento Bayesiano", "tail": "trajetórias e intenções das pessoas", "relation": "Usado-para"}, {"head": "enquadramento Bayesiano", "tail": "mapa de restrições da cena", "relation": "Usado-para"}, {"head": "enquadramento Bayesiano", "tail": "localizações dos objetos funcionais", "relation": "Usado-para"}, {"head": "trajetórias e intenções das pessoas", "tail": "mapa de restrições da cena", "relation": "Conjunção"}, {"head": "mapa de restrições da cena", "tail": "localizações dos objetos funcionais", "relation": "Conjunção"}], [{"head": "processo de Cadeia de Markov Monte Carlo -LRB- MCMC -RRB- orientado por dados", "tail": "inferência", "relation": "Usado-para"}], [{"head": "vídeos de praças públicas e pátios", "tail": "localizar objetos funcionais", "relation": "Avaliado-para"}, {"head": "vídeos de praças públicas e pátios", "tail": "prever as trajetórias das pessoas", "relation": "Avaliado-para"}, {"head": "localizar objetos funcionais", "tail": "prever as trajetórias das pessoas", "relation": "Conjunção"}]], "clusters": [["Objetos funcionais", "eles"], ["localizar objetos funcionais", "localizar objetos funcionais"], ["abordagem", "enquadramento Bayesiano"]]}
{"doc_id": "IJCAI_1995_190_abs", "text": "Propomos um modelo de processo para a organização hierárquica de sons percetuais, que reconhece sons percetuais incluídos em sinais sonoros de entrada. Consideramos a organização de sons percetuais como um problema de análise de cena no domínio auditivo. O nosso modelo consiste em múltiplos módulos de processamento e numa rede de hipóteses para a integração quantitativa de múltiplas fontes de informação. Quando a informação de entrada para cada módulo de processamento está disponível, o módulo é ativado para a processar e escreve de forma assíncrona a informação de saída na rede de hipóteses. Na rede de hipóteses, a informação individual é integrada e um modelo interno ótimo de sons percetuais é construído automaticamente. Com base no modelo, foi desenvolvido um sistema de análise de cenas musicais para sinais acústicos de música de conjunto, que reconhece ritmo, acordes e notas musicais com separação de fontes. Resultados experimentais mostram que o nosso método permitiu uma integração de informação autónoma, estável e eficaz para construir o modelo interno de sons percetuais hierárquicos.", "ner": [[{"text": "modelo de processo", "type": "Método"}, {"text": "organização hierárquica de sons percetuais", "type": "Tarefa"}, {"text": "sons percetuais", "type": "Outros Termos Científicos"}, {"text": "sinais sonoros de entrada", "type": "Outros Termos Científicos"}], [{"text": "organização de sons percetuais", "type": "Tarefa"}, {"text": "problema de análise de cena", "type": "Tarefa"}, {"text": "domínio auditivo", "type": "Material"}], [{"text": "modelo", "type": "Genérico"}, {"text": "módulos de processamento", "type": "Método"}, {"text": "rede de hipóteses", "type": "Método"}], [{"text": "módulo de processamento", "type": "Método"}, {"text": "módulo", "type": "Genérico"}, {"text": "rede de hipóteses", "type": "Método"}], [{"text": "rede de hipóteses", "type": "Método"}, {"text": "modelo interno", "type": "Método"}, {"text": "sons percetuais", "type": "Material"}], [{"text": "modelo", "type": "Método"}, {"text": "sistema de análise de cenas musicais", "type": "Método"}, {"text": "sinais acústicos de música de conjunto", "type": "Outros Termos Científicos"}, {"text": "ritmo", "type": "Material"}, {"text": "acordes", "type": "Material"}, {"text": "notas musicais com separação de fontes", "type": "Material"}], [{"text": "método", "type": "Genérico"}, {"text": "integração de informação", "type": "Outros Termos Científicos"}, {"text": "modelo interno", "type": "Método"}, {"text": "sons percetuais hierárquicos", "type": "Material"}]], "relations": [[{"head": "modelo de processo", "tail": "organização hierárquica de sons percetuais", "relation": "Usado-para"}, {"head": "sons percetuais", "tail": "sinais sonoros de entrada", "relation": "Parte-de"}], [{"head": "problema de análise de cena", "tail": "organização de sons percetuais", "relation": "Usado-para"}, {"head": "domínio auditivo", "tail": "problema de análise de cena", "relation": "Característica-de"}], [{"head": "módulos de processamento", "tail": "modelo", "relation": "Parte-de"}, {"head": "módulos de processamento", "tail": "rede de hipóteses", "relation": "Conjunção"}, {"head": "rede de hipóteses", "tail": "modelo", "relation": "Parte-de"}], [], [{"head": "modelo interno", "tail": "rede de hipóteses", "relation": "Parte-de"}, {"head": "modelo interno", "tail": "sons percetuais", "relation": "Usado-para"}], [{"head": "sistema de análise de cenas musicais", "tail": "sinais acústicos de música de conjunto", "relation": "Usado-para"}, {"head": "sistema de análise de cenas musicais", "tail": "ritmo", "relation": "Usado-para"}, {"head": "sistema de análise de cenas musicais", "tail": "acordes", "relation": "Usado-para"}, {"head": "sistema de análise de cenas musicais", "tail": "notas musicais com separação de fontes", "relation": "Usado-para"}, {"head": "ritmo", "tail": "acordes", "relation": "Conjunção"}, {"head": "acordes", "tail": "notas musicais com separação de fontes", "relation": "Conjunção"}], [{"head": "integração de informação", "tail": "método", "relation": "Característica-de"}, {"head": "integração de informação", "tail": "modelo interno", "relation": "Usado-para"}, {"head": "modelo interno", "tail": "sons percetuais hierárquicos", "relation": "Usado-para"}]], "clusters": [["modelo de processo", "modelo", "método"], ["módulos de processamento", "módulo de processamento", "módulo"], ["rede de hipóteses", "rede de hipóteses", "rede de hipóteses"], ["modelo interno", "modelo", "modelo interno"]]}
{"doc_id": "P05-1048", "text": "Investigamos diretamente um tema de muito debate recente: os modelos de desambiguação de sentidos de palavras melhoram a qualidade da tradução automática estatística? Apresentamos resultados empíricos que lançam dúvidas sobre esta suposição comum, mas não provada. Usando um modelo de desambiguação de sentidos de palavras em chinês de última geração para escolher candidatos de tradução para um típico sistema de TA estatística da IBM, constatamos que a desambiguação de sentidos de palavras não produz uma qualidade de tradução significativamente melhor do que o sistema de tradução automática estatística por si só. Uma análise de erros sugere vários fatores-chave por detrás deste resultado surpreendente, incluindo limitações inerentes das atuais arquiteturas de TA estatística.", "ner": [[{"text": "modelos de desambiguação de sentidos de palavras", "type": "Método"}, {"text": "qualidade da tradução automática estatística", "type": "Métrica"}], [], [{"text": "modelo de desambiguação de sentidos de palavras em chinês", "type": "Método"}, {"text": "candidatos de tradução", "type": "Outros Termos Científicos"}, {"text": "sistema de TA estatística da IBM", "type": "Método"}, {"text": "desambiguação de sentidos de palavras", "type": "Método"}, {"text": "qualidade da tradução", "type": "Métrica"}, {"text": "sistema de tradução automática estatística", "type": "Método"}], [{"text": "análise de erros", "type": "Método"}, {"text": "arquiteturas de TA estatística", "type": "Método"}]], "relations": [[{"head": "modelos de desambiguação de sentidos de palavras", "tail": "qualidade da tradução automática estatística", "relation": "Usado-para"}], [], [{"head": "modelo de desambiguação de sentidos de palavras em chinês", "tail": "candidatos de tradução", "relation": "Usado-para"}, {"head": "candidatos de tradução", "tail": "sistema de TA estatística da IBM", "relation": "Usado-para"}, {"head": "desambiguação de sentidos de palavras", "tail": "sistema de tradução automática estatística", "relation": "Comparado-com"}, {"head": "qualidade da tradução", "tail": "desambiguação de sentidos de palavras", "relation": "Avaliado-para"}, {"head": "qualidade da tradução", "tail": "sistema de tradução automática estatística", "relation": "Avaliado-para"}], []], "clusters": [["modelos de desambiguação de sentidos de palavras", "desambiguação de sentidos de palavras"]]}
{"doc_id": "ECCV_1998_39_abs", "text": "As técnicas de processamento de sequências de imagens são utilizadas para estudar processos de troca, crescimento e transporte e para abordar questões‑chave em física ambiental e biologia. Estas aplicações requerem elevada precisão para a estimação do campo de movimento, dado que os parâmetros mais interessantes dos processos dinâmicos estudados estão contidos nas derivadas de primeira ordem do campo de movimento ou em alterações dinâmicas dos objetos em movimento. Por conseguinte, é discutido o desempenho e a otimização de estimadores de movimento de baixo nível. Um método tensorial ajustado com filtros de derivada cuidadosamente otimizados produz campos de vetores de deslocamento -LRB- DVF -RRB- fiáveis e densos, com uma precisão de até alguns centésimos de píxeis/frame para imagens do mundo real. A precisão do método tensorial é verificada com sequências geradas por computador e uma sequência de imagens calibrada. Com as melhorias na precisão, a estimação de movimento fica agora bastante limitada por imperfeições nos sensores CCD, em especial a não uniformidade espacial na responsividade. Com uma simples calibração de dois pontos, estes efeitos podem ser eficientemente suprimidos. É demonstrada a aplicação das técnicas à análise do crescimento de plantas, à microturbulência da superfície oceânica em sequências de imagens de IV e ao transporte de sedimentos.", "ner": [[{"text": "técnicas de processamento de sequências de imagens", "type": "Método"}, {"text": "processos de troca, crescimento e transporte", "type": "Tarefa"}, {"text": "física ambiental", "type": "Material"}, {"text": "biologia", "type": "Material"}], [{"text": "aplicações", "type": "Genérico"}, {"text": "precisão", "type": "Métrica"}, {"text": "estimação do campo de movimento", "type": "Tarefa"}, {"text": "processos dinâmicos", "type": "Método"}, {"text": "derivadas de primeira ordem do campo de movimento", "type": "Outros Termos Científicos"}, {"text": "alterações dinâmicas dos objetos em movimento", "type": "Outros Termos Científicos"}], [{"text": "otimização de estimadores de movimento de baixo nível", "type": "Tarefa"}], [{"text": "método tensorial", "type": "Método"}, {"text": "filtros de derivada", "type": "Método"}, {"text": "campos de vetores de deslocamento -LRB- DVF -RRB-", "type": "Outros Termos Científicos"}, {"text": "precisão", "type": "Métrica"}, {"text": "píxeis/frame", "type": "Métrica"}, {"text": "imagens do mundo real", "type": "Material"}], [{"text": "precisão", "type": "Métrica"}, {"text": "método tensorial", "type": "Método"}, {"text": "sequências geradas por computador", "type": "Material"}, {"text": "sequência de imagens calibrada", "type": "Material"}], [{"text": "precisão", "type": "Métrica"}, {"text": "estimação de movimento", "type": "Tarefa"}, {"text": "sensores CCD", "type": "Outros Termos Científicos"}, {"text": "não uniformidade espacial", "type": "Outros Termos Científicos"}, {"text": "responsividade", "type": "Outros Termos Científicos"}], [{"text": "calibração de dois pontos", "type": "Método"}], [{"text": "técnicas", "type": "Genérico"}, {"text": "análise do crescimento de plantas", "type": "Tarefa"}, {"text": "microturbulência da superfície oceânica em sequências de imagens de IV", "type": "Tarefa"}, {"text": "transporte de sedimentos", "type": "Tarefa"}]], "relations": [[{"head": "técnicas de processamento de sequências de imagens", "tail": "processos de troca, crescimento e transporte", "relation": "Usado-para"}, {"head": "física ambiental", "tail": "biologia", "relation": "Conjunção"}], [{"head": "precisão", "tail": "estimação do campo de movimento", "relation": "Avaliado-para"}, {"head": "estimação do campo de movimento", "tail": "aplicações", "relation": "Usado-para"}, {"head": "derivadas de primeira ordem do campo de movimento", "tail": "alterações dinâmicas dos objetos em movimento", "relation": "Conjunção"}], [], [{"head": "filtros de derivada", "tail": "método tensorial", "relation": "Usado-para"}, {"head": "píxeis/frame", "tail": "campos de vetores de deslocamento -LRB- DVF -RRB-", "relation": "Avaliado-para"}, {"head": "imagens do mundo real", "tail": "píxeis/frame", "relation": "Usado-para"}], [{"head": "precisão", "tail": "método tensorial", "relation": "Avaliado-para"}, {"head": "sequências geradas por computador", "tail": "método tensorial", "relation": "Avaliado-para"}, {"head": "sequências geradas por computador", "tail": "sequência de imagens calibrada", "relation": "Conjunção"}, {"head": "sequência de imagens calibrada", "tail": "método tensorial", "relation": "Avaliado-para"}], [{"head": "precisão", "tail": "estimação de movimento", "relation": "Avaliado-para"}, {"head": "sensores CCD", "tail": "estimação de movimento", "relation": "Usado-para"}, {"head": "não uniformidade espacial", "tail": "responsividade", "relation": "Característica-de"}, {"head": "responsividade", "tail": "sensores CCD", "relation": "Característica-de"}], [], [{"head": "técnicas", "tail": "análise do crescimento de plantas", "relation": "Usado-para"}, {"head": "técnicas", "tail": "microturbulência da superfície oceânica em sequências de imagens de IV", "relation": "Usado-para"}, {"head": "técnicas", "tail": "transporte de sedimentos", "relation": "Usado-para"}, {"head": "análise do crescimento de plantas", "tail": "microturbulência da superfície oceânica em sequências de imagens de IV", "relation": "Conjunção"}, {"head": "microturbulência da superfície oceânica em sequências de imagens de IV", "tail": "transporte de sedimentos", "relation": "Conjunção"}]], "clusters": [["técnicas de processamento de sequências de imagens", "técnicas"], ["método tensorial", "método tensorial"]]}
{"doc_id": "P05-2016", "text": "Apresentamos um sistema estatístico de tradução automática checo–inglês que realiza tradução árvore‑para‑árvore de estruturas de dependência. O único recurso bilingue necessário é um corpus paralelo alinhado ao nível de frases. Todos os outros recursos são monolingues. Referimo‑nos também a um método de avaliação e planeamos comparar a saída do nosso sistema com um sistema de referência.", "ner": [[{"text": "sistema estatístico de tradução automática checo–inglês", "type": "Método"}, {"text": "tradução árvore‑para‑árvore de estruturas de dependência", "type": "Tarefa"}], [{"text": "recurso bilingue", "type": "Material"}, {"text": "corpus paralelo alinhado ao nível de frases", "type": "Material"}], [], [{"text": "sistema", "type": "Genérico"}, {"text": "sistema de referência", "type": "Genérico"}]], "relations": [[{"head": "sistema estatístico de tradução automática checo–inglês", "tail": "tradução árvore‑para‑árvore de estruturas de dependência", "relation": "Usado-para"}], [{"head": "corpus paralelo alinhado ao nível de frases", "tail": "recurso bilingue", "relation": "Usado-para"}], [], [{"head": "sistema", "tail": "sistema de referência", "relation": "Comparado-com"}]], "clusters": [["sistema estatístico de tradução automática checo–inglês", "sistema"]]}
{"doc_id": "C92-4207", "text": "Este artigo descreve o processo de compreensão das descrições espaciais em japonês. Para compreender o mundo descrito, os autores tentam reconstruir o modelo geométrico da cena global a partir das descrições cénicas que desenham um espaço. Isto é feito por um programa informático experimental SPRINT, que recebe textos em linguagem natural e produz um modelo do mundo descrito. Para reconstruir o modelo, os autores extraem as restrições espaciais qualitativas do texto e representam-nas como restrições numéricas sobre os atributos espaciais das entidades. Isto torna possível expressar a imprecisão dos conceitos espaciais e derivar a interpretação maximamente plausível a partir de um conjunto de informação acumulada sob a forma de restrições. A interpretação reflete a crença temporária sobre o mundo.", "ner": [[{"text": "descrições espaciais", "type": "Outros Termos Científicos"}, {"text": "japonês", "type": "Material"}], [{"text": "modelo geométrico", "type": "Método"}], [{"text": "programa informático experimental SPRINT", "type": "Método"}, {"text": "textos em linguagem natural", "type": "Material"}, {"text": "modelo", "type": "Genérico"}], [{"text": "modelo", "type": "Genérico"}, {"text": "restrições espaciais qualitativas", "type": "Outros Termos Científicos"}, {"text": "restrições numéricas", "type": "Outros Termos Científicos"}, {"text": "atributos espaciais das entidades", "type": "Outros Termos Científicos"}], [{"text": "conceitos espaciais", "type": "Outros Termos Científicos"}], []], "relations": [[{"head": "japonês", "tail": "descrições espaciais", "relation": "Característica-de"}], [], [], [{"head": "atributos espaciais das entidades", "tail": "restrições numéricas", "relation": "Usado-para"}], [], []], "clusters": [["modelo", "modelo"]]}
{"doc_id": "IJCAI_2016_423_abs", "text": "Aprender representação de vídeo não é uma tarefa trivial, uma vez que o vídeo é um meio intensivo em informação em que cada frame não existe de forma independente. Localmente, um frame de vídeo é visual e semanticamente semelhante aos seus frames adjacentes. Holisticamente, um vídeo tem a sua estrutura inerente -- as correlações entre os frames de vídeo. Por exemplo, mesmo os frames distantes entre si podem também manter semânticas semelhantes. Essa informação de contexto é, portanto, importante para caracterizar a representação intrínseca de um frame de vídeo. Neste artigo, apresentamos uma nova abordagem para aprender a representação profunda de vídeo explorando os contextos locais e holísticos. Especificamente, propomos um mecanismo de amostragem em triplos para codificar a relação temporal local dos frames adjacentes com base nas suas representações profundas. Além disso, incorporamos a estrutura em grafo do vídeo, como conhecimento a priori, para preservar holisticamente as correlações inerentes entre os frames de vídeo. A nossa abordagem é totalmente não supervisionada e treinada numa arquitetura de rede neural convolucional profunda de ponta a ponta. Através de extensas experiências, mostramos que a nossa representação aprendida pode impulsionar significativamente várias tarefas de reconhecimento de vídeo -LRB- recuperação, classificação e deteção de realces -RRB- em relação às representações de vídeo tradicionais.", "ner": [[{"text": "Aprender representação de vídeo", "type": "Tarefa"}], [], [], [{"text": "semânticas", "type": "Outros Termos Científicos"}], [{"text": "informação de contexto", "type": "Outros Termos Científicos"}, {"text": "representação intrínseca de um frame de vídeo", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "representação profunda de vídeo", "type": "Método"}, {"text": "contextos locais e holísticos", "type": "Outros Termos Científicos"}], [{"text": "mecanismo de amostragem em triplos", "type": "Método"}, {"text": "relação temporal local dos frames adjacentes", "type": "Outros Termos Científicos"}, {"text": "representações profundas", "type": "Método"}], [{"text": "estrutura em grafo do vídeo", "type": "Outros Termos Científicos"}, {"text": "conhecimento a priori", "type": "Outros Termos Científicos"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "arquitetura de rede neural convolucional profunda de ponta a ponta", "type": "Método"}], [{"text": "representação aprendida", "type": "Genérico"}, {"text": "tarefas de reconhecimento de vídeo", "type": "Tarefa"}, {"text": "recuperação", "type": "Tarefa"}, {"text": "classificação", "type": "Tarefa"}, {"text": "deteção de realces", "type": "Tarefa"}, {"text": "representações de vídeo", "type": "Genérico"}]], "relations": [[], [], [], [], [{"head": "informação de contexto", "tail": "representação intrínseca de um frame de vídeo", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "representação profunda de vídeo", "relation": "Usado-para"}, {"head": "contextos locais e holísticos", "tail": "abordagem", "relation": "Usado-para"}], [{"head": "mecanismo de amostragem em triplos", "tail": "relação temporal local dos frames adjacentes", "relation": "Usado-para"}, {"head": "representações profundas", "tail": "mecanismo de amostragem em triplos", "relation": "Usado-para"}], [{"head": "estrutura em grafo do vídeo", "tail": "conhecimento a priori", "relation": "Usado-para"}], [{"head": "arquitetura de rede neural convolucional profunda de ponta a ponta", "tail": "abordagem", "relation": "Usado-para"}], [{"head": "representação aprendida", "tail": "representações de vídeo", "relation": "Comparado-com"}, {"head": "tarefas de reconhecimento de vídeo", "tail": "representação aprendida", "relation": "Avaliado-para"}, {"head": "tarefas de reconhecimento de vídeo", "tail": "representações de vídeo", "relation": "Avaliado-para"}, {"head": "recuperação", "tail": "tarefas de reconhecimento de vídeo", "relation": "Hipónimo-de"}, {"head": "recuperação", "tail": "classificação", "relation": "Conjunção"}, {"head": "classificação", "tail": "tarefas de reconhecimento de vídeo", "relation": "Hipónimo-de"}, {"head": "classificação", "tail": "deteção de realces", "relation": "Conjunção"}, {"head": "deteção de realces", "tail": "tarefas de reconhecimento de vídeo", "relation": "Hipónimo-de"}]], "clusters": [["representação profunda de vídeo", "representações profundas", "representação aprendida"], ["abordagem", "abordagem"]]}
{"doc_id": "ICASSP_2016_14_abs", "text": "Para aplicações de fala em dispositivos móveis, a exatidão da estimativa do DOA do locutor, a robustez à interferência e o tamanho físico compacto são três fatores-chave. Considerando o tamanho, utilizámos um sensor de vetor acústico -LRB- AVS -RRB- e propusemos anteriormente um algoritmo de estimativa de DOA -LSB- 1 -RSB-, oferecendo elevada exatidão com SNR superior a 15 dB, mas que é degradado por interferências não vocais -LRB- NSI -RRB-. Este artigo desenvolve um algoritmo robusto de estimativa do DOA do locutor. Isto é conseguido derivando o modelo de razão de dados entre sensores de um AVS no domínio do bispetro -LRB- BISDR -RRB- e explorando as propriedades favoráveis do bispetro, como o valor nulo de um processo Gaussiano e a diferente distribuição entre fala e NSI. Especificamente, é gerada uma máscara de bispetro fiável para garantir que as pistas de DOA do locutor, derivadas do BISDR, sejam robustas a NSI em termos de esparsidade da fala e grande amplitude de bispetro dos sinais captados. Experiências intensivas demonstram um desempenho melhorado do nosso algoritmo proposto sob várias condições de NSI, mesmo quando o SIR é inferior a 0 dB.", "ner": [[{"text": "aplicações de fala em dispositivos móveis", "type": "Tarefa"}, {"text": "exatidão da estimativa do DOA do locutor", "type": "Métrica"}, {"text": "robustez à interferência", "type": "Métrica"}, {"text": "tamanho físico compacto", "type": "Métrica"}], [{"text": "sensor de vetor acústico -LRB- AVS -RRB-", "type": "Método"}, {"text": "algoritmo de estimativa de DOA", "type": "Método"}, {"text": "interferências não vocais -LRB- NSI -RRB-", "type": "Outros Termos Científicos"}], [{"text": "algoritmo robusto de estimativa do DOA do locutor", "type": "Método"}], [{"text": "Isto", "type": "Genérico"}, {"text": "modelo de razão de dados entre sensores", "type": "Método"}, {"text": "AVS", "type": "Método"}, {"text": "domínio do bispetro -LRB- BISDR -RRB-", "type": "Método"}, {"text": "propriedades favoráveis", "type": "Genérico"}, {"text": "bispetro", "type": "Método"}, {"text": "valor nulo de um processo Gaussiano", "type": "Outros Termos Científicos"}, {"text": "distribuição entre fala e NSI", "type": "Outros Termos Científicos"}, {"text": "NSI", "type": "Outros Termos Científicos"}], [{"text": "máscara de bispetro", "type": "Método"}, {"text": "pistas de DOA do locutor", "type": "Outros Termos Científicos"}, {"text": "BISDR", "type": "Método"}, {"text": "NSI", "type": "Outros Termos Científicos"}, {"text": "esparsidade da fala", "type": "Outros Termos Científicos"}, {"text": "amplitude de bispetro", "type": "Outros Termos Científicos"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "condições de NSI", "type": "Outros Termos Científicos"}, {"text": "SIR", "type": "Métrica"}]], "relations": [[{"head": "exatidão da estimativa do DOA do locutor", "tail": "aplicações de fala em dispositivos móveis", "relation": "Característica-de"}, {"head": "exatidão da estimativa do DOA do locutor", "tail": "robustez à interferência", "relation": "Conjunção"}, {"head": "robustez à interferência", "tail": "aplicações de fala em dispositivos móveis", "relation": "Característica-de"}, {"head": "robustez à interferência", "tail": "tamanho físico compacto", "relation": "Conjunção"}, {"head": "tamanho físico compacto", "tail": "aplicações de fala em dispositivos móveis", "relation": "Característica-de"}], [], [], [{"head": "Isto", "tail": "propriedades favoráveis", "relation": "Usado-para"}, {"head": "modelo de razão de dados entre sensores", "tail": "AVS", "relation": "Usado-para"}, {"head": "domínio do bispetro -LRB- BISDR -RRB-", "tail": "AVS", "relation": "Usado-para"}, {"head": "valor nulo de um processo Gaussiano", "tail": "propriedades favoráveis", "relation": "Hipónimo-de"}, {"head": "valor nulo de um processo Gaussiano", "tail": "distribuição entre fala e NSI", "relation": "Conjunção"}, {"head": "distribuição entre fala e NSI", "tail": "propriedades favoráveis", "relation": "Hipónimo-de"}], [{"head": "máscara de bispetro", "tail": "pistas de DOA do locutor", "relation": "Usado-para"}, {"head": "BISDR", "tail": "pistas de DOA do locutor", "relation": "Usado-para"}], [{"head": "algoritmo", "tail": "condições de NSI", "relation": "Usado-para"}]], "clusters": [["algoritmo de estimativa de DOA", "algoritmo robusto de estimativa do DOA do locutor", "Isto", "algoritmo"], ["interferências não vocais -LRB- NSI -RRB-", "NSI", "NSI", "condições de NSI"], ["sensor de vetor acústico -LRB- AVS -RRB-", "AVS"], ["domínio do bispetro -LRB- BISDR -RRB-", "BISDR"]]}
{"doc_id": "A97-1027", "text": "Neste artigo, queremos mostrar como o componente morfológico de um sistema de PLN existente para neerlandês -LRB- Dutch Medical Language Processor - DMLP -RRB- foi alargado de modo a produzir saída que seja compatível com os módulos independentes da língua do sistema LSP-MLP -LRB- Linguistic String Project - Medical Language Processor -RRB- da New York University. O primeiro pode tirar partido dos desenvolvimentos independentes da língua do segundo, enquanto se concentra nas idiossincrasias do neerlandês. Esta estratégia geral será ilustrada por uma aplicação prática, nomeadamente a realce de informação relevante num relatório de alta de doente -LRB- PDS -RRB- por meio de tecnologia moderna de HyperText Mark-Up Language -LRB- HTML -RRB-. Uma tal aplicação pode ser útil para fins administrativos médicos num ambiente hospitalar.", "ner": [[{"text": "componente morfológico", "type": "Método"}, {"text": "sistema de PLN existente para neerlandês -LRB- Dutch Medical Language Processor - DMLP -RRB-", "type": "Método"}, {"text": "módulos independentes da língua", "type": "Método"}, {"text": "sistema LSP-MLP -LRB- Linguistic String Project - Medical Language Processor -RRB-", "type": "Método"}], [{"text": "primeiro", "type": "Genérico"}, {"text": "segundo", "type": "Genérico"}, {"text": "idiossincrasias", "type": "Outros Termos Científicos"}, {"text": "neerlandês", "type": "Material"}], [{"text": "aplicação", "type": "Genérico"}, {"text": "realce de informação relevante", "type": "Tarefa"}, {"text": "informação relevante", "type": "Genérico"}, {"text": "relatório de alta de doente -LRB- PDS -RRB-", "type": "Outros Termos Científicos"}, {"text": "tecnologia moderna de HyperText Mark-Up Language -LRB- HTML -RRB-", "type": "Método"}], [{"text": "aplicação", "type": "Genérico"}, {"text": "fins administrativos médicos", "type": "Tarefa"}]], "relations": [[{"head": "componente morfológico", "tail": "sistema de PLN existente para neerlandês -LRB- Dutch Medical Language Processor - DMLP -RRB-", "relation": "Parte-de"}, {"head": "módulos independentes da língua", "tail": "sistema LSP-MLP -LRB- Linguistic String Project - Medical Language Processor -RRB-", "relation": "Parte-de"}], [{"head": "segundo", "tail": "primeiro", "relation": "Usado-para"}, {"head": "neerlandês", "tail": "idiossincrasias", "relation": "Usado-para"}], [{"head": "informação relevante", "tail": "relatório de alta de doente -LRB- PDS -RRB-", "relation": "Parte-de"}, {"head": "tecnologia moderna de HyperText Mark-Up Language -LRB- HTML -RRB-", "tail": "realce de informação relevante", "relation": "Usado-para"}], [{"head": "aplicação", "tail": "fins administrativos médicos", "relation": "Usado-para"}]], "clusters": [["aplicação", "realce de informação relevante", "aplicação"], ["módulos independentes da língua", "segundo"], ["componente morfológico", "primeiro"]]}
{"doc_id": "N04-1024", "text": "O serviço de Avaliação de Redações Online CriterionSM inclui uma funcionalidade que rotula frases na escrita dos alunos com elementos discursivos ao nível da redação -LRB- por exemplo, declarações de tese -RRB- . Descrevemos um novo sistema que melhora a funcionalidade do Criterion, avaliando múltiplos aspetos da coerência em redações. Este sistema identifica caraterísticas das frases com base em medidas de similaridade semântica e na estrutura do discurso. Uma máquina de vetores de suporte utiliza estas caraterísticas para detetar quebras na coerência devido à relação com a pergunta da redação e à relação entre elementos discursivos. A qualidade intra-frásica é avaliada com heurísticas baseadas em regras. Os resultados indicam que o sistema apresenta um desempenho superior a uma linha de base em todos os três aspetos.", "ner": [[{"text": "serviço de Avaliação de Redações Online CriterionSM", "type": "Tarefa"}, {"text": "elementos discursivos ao nível da redação", "type": "Outros Termos Científicos"}, {"text": "declarações de tese", "type": "Outros Termos Científicos"}], [{"text": "sistema", "type": "Genérico"}, {"text": "funcionalidade do Criterion", "type": "Outros Termos Científicos"}, {"text": "coerência em redações", "type": "Métrica"}], [{"text": "sistema", "type": "Genérico"}, {"text": "caraterísticas", "type": "Outros Termos Científicos"}, {"text": "medidas de similaridade semântica", "type": "Métrica"}, {"text": "estrutura do discurso", "type": "Outros Termos Científicos"}], [{"text": "máquina de vetores de suporte", "type": "Método"}, {"text": "caraterísticas", "type": "Outros Termos Científicos"}, {"text": "quebras na coerência", "type": "Outros Termos Científicos"}, {"text": "elementos discursivos", "type": "Outros Termos Científicos"}], [{"text": "qualidade intra-frásica", "type": "Métrica"}, {"text": "heurísticas baseadas em regras", "type": "Método"}], [{"text": "sistema", "type": "Genérico"}, {"text": "linha de base", "type": "Genérico"}]], "relations": [[{"head": "elementos discursivos ao nível da redação", "tail": "serviço de Avaliação de Redações Online CriterionSM", "relation": "Parte-de"}, {"head": "declarações de tese", "tail": "elementos discursivos ao nível da redação", "relation": "Hipónimo-de"}], [{"head": "sistema", "tail": "funcionalidade do Criterion", "relation": "Usado-para"}, {"head": "coerência em redações", "tail": "sistema", "relation": "Avaliado-para"}], [{"head": "sistema", "tail": "caraterísticas", "relation": "Usado-para"}, {"head": "medidas de similaridade semântica", "tail": "caraterísticas", "relation": "Usado-para"}, {"head": "estrutura do discurso", "tail": "caraterísticas", "relation": "Usado-para"}, {"head": "estrutura do discurso", "tail": "medidas de similaridade semântica", "relation": "Conjunção"}], [{"head": "caraterísticas", "tail": "máquina de vetores de suporte", "relation": "Usado-para"}, {"head": "caraterísticas", "tail": "quebras na coerência", "relation": "Usado-para"}], [{"head": "heurísticas baseadas em regras", "tail": "qualidade intra-frásica", "relation": "Avaliado-para"}], [{"head": "sistema", "tail": "linha de base", "relation": "Comparado-com"}]], "clusters": [["sistema", "sistema", "sistema"], ["caraterísticas", "caraterísticas"]]}
{"doc_id": "CVPR_1992_10_abs", "text": "Este artigo apresenta um algoritmo para rotular estrutura curvilínea em múltiplas escalas em desenhos de linhas e imagens de arestas. Símbolos CURVE-ELEMENT, residentes numa estrutura de dados indexada espacialmente e em escala, denotam arcos circulares ajustados aos dados de imagem. Os símbolos são calculados através de um procedimento de agrupamento de pequena para grande escala que emprega uma estratégia 'gananciosa' (greedy), de melhor-primeiro, para escolher o suporte de novos símbolos. A descrição de imagem resultante é rica e redundante, na medida em que um dado segmento de contorno de imagem pode ser descrito por múltiplos símbolos em diferentes escalas, e por mais do que um símbolo em qualquer escala dada. Esta propriedade facilita a seleção e caracterização de partes da imagem com base em atributos locais de CURVE-ELEMENT.", "ner": [[{"text": "algoritmo", "type": "Genérico"}, {"text": "rotular estrutura curvilínea", "type": "Tarefa"}, {"text": "desenhos de linhas", "type": "Material"}, {"text": "imagens de arestas", "type": "Material"}, {"text": "símbolos CURVE-ELEMENT", "type": "Outros Termos Científicos"}, {"text": "estrutura de dados indexada espacialmente e em escala", "type": "Outros Termos Científicos"}, {"text": "dados de imagem", "type": "Material"}], [{"text": "procedimento de agrupamento de pequena para grande escala", "type": "Método"}], [{"text": "descrição de imagem", "type": "Tarefa"}, {"text": "contorno de imagem", "type": "Outros Termos Científicos"}], [{"text": "atributos locais de CURVE-ELEMENT", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "algoritmo", "tail": "rotular estrutura curvilínea", "relation": "Usado-para"}, {"head": "desenhos de linhas", "tail": "rotular estrutura curvilínea", "relation": "Característica-de"}, {"head": "desenhos de linhas", "tail": "imagens de arestas", "relation": "Conjunção"}, {"head": "imagens de arestas", "tail": "rotular estrutura curvilínea", "relation": "Característica-de"}, {"head": "símbolos CURVE-ELEMENT", "tail": "estrutura de dados indexada espacialmente e em escala", "relation": "Parte-de"}], [], [], []], "clusters": []}
{"doc_id": "N03-1012", "text": "Neste artigo apresentamos o ONTOSCORE, um sistema para pontuar conjuntos de conceitos com base numa ontologia. Aplicamos o nosso sistema à tarefa de pontuar hipóteses alternativas de reconhecimento de fala -LRB- SRH -RRB- em termos da sua coerência semântica. Realizámos uma experiência de anotação e mostrámos que anotadores humanos conseguem diferenciar de forma fiável entre hipóteses de reconhecimento de fala semanticamente coerentes e incoerentes. Uma avaliação do nosso sistema em relação aos dados anotados mostra que ele classifica com sucesso 73,2 % num corpus alemão de 2.284 SRHs como coerentes ou incoerentes -LRB- dado um baseline de 54,55 % -RRB-.", "ner": [[{"text": "ONTOSCORE", "type": "Método"}, {"text": "sistema", "type": "Genérico"}, {"text": "ontologia", "type": "Outros Termos Científicos"}], [{"text": "sistema", "type": "Genérico"}, {"text": "hipóteses alternativas de reconhecimento de fala -LRB- SRH -RRB-", "type": "Outros Termos Científicos"}, {"text": "coerência semântica", "type": "Outros Termos Científicos"}], [{"text": "hipóteses alternativas de reconhecimento de fala", "type": "Outros Termos Científicos"}], [{"text": "sistema", "type": "Genérico"}, {"text": "it", "type": "Genérico"}, {"text": "corpus alemão", "type": "Material"}, {"text": "SRHs", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "ontologia", "tail": "sistema", "relation": "Usado-para"}], [{"head": "sistema", "tail": "hipóteses alternativas de reconhecimento de fala -LRB- SRH -RRB-", "relation": "Usado-para"}], [], []], "clusters": [["ONTOSCORE", "sistema", "sistema", "sistema", "it", "corpus alemão"]]}
{"doc_id": "P06-1052", "text": "Apresentamos um algoritmo eficiente para o problema de eliminação de redundância: dado uma representação semântica subespecificada -LRB- USR -RRB- de uma ambiguidade de escopo, calcular um USR com menos leituras mutuamente equivalentes. O algoritmo opera sobre representações de tabela subespecificadas que são derivadas de grafos de dominância; ele pode ser aplicado aos USRs calculados por gramáticas de grande escala. Avaliamos o algoritmo num corpus e mostramos que ele reduz significativamente o grau de ambiguidade, com um tempo de execução negligenciável.", "ner": [[{"text": "algoritmo", "type": "Genérico"}, {"text": "problema de eliminação de redundância", "type": "Tarefa"}, {"text": "representação semântica subespecificada -LRB- USR -RRB-", "type": "Método"}, {"text": "ambiguidade de escopo", "type": "Outros Termos Científicos"}, {"text": "USR", "type": "Método"}, {"text": "leituras mutuamente equivalentes", "type": "Material"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "representações de tabela subespecificadas", "type": "Método"}, {"text": "grafos de dominância", "type": "Outros Termos Científicos"}, {"text": "ele", "type": "Genérico"}, {"text": "USRs", "type": "Método"}, {"text": "gramáticas de grande escala", "type": "Método"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "ele", "type": "Genérico"}, {"text": "grau de ambiguidade", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "algoritmo", "tail": "problema de eliminação de redundância", "relation": "Usado-para"}, {"head": "representação semântica subespecificada -LRB- USR -RRB-", "tail": "ambiguidade de escopo", "relation": "Usado-para"}, {"head": "leituras mutuamente equivalentes", "tail": "USR", "relation": "Usado-para"}], [{"head": "algoritmo", "tail": "representações de tabela subespecificadas", "relation": "Usado-para"}, {"head": "grafos de dominância", "tail": "representações de tabela subespecificadas", "relation": "Usado-para"}, {"head": "ele", "tail": "USRs", "relation": "Usado-para"}, {"head": "gramáticas de grande escala", "tail": "USRs", "relation": "Usado-para"}], [{"head": "ele", "tail": "grau de ambiguidade", "relation": "Usado-para"}]], "clusters": [["algoritmo", "algoritmo", "ele"], ["representação semântica subespecificada -LRB- USR -RRB-", "USR", "USRs"], ["algoritmo", "ele"]]}
{"doc_id": "ECCV_2014_47_abs", "text": "O problema de prever o grau de interesse de imagens ou vídeos a partir das suas representações de características de baixo nível tem recebido um interesse crescente. Sendo um atributo visual altamente subjetivo, a anotação do valor de interesse dos dados de treino para aprender um modelo de previsão é desafiante. Para tornar a anotação menos subjetiva e mais fiável, estudos recentes recorrem a ferramentas de crowdsourcing para recolher comparações aos pares — baseando-se na votação maioritária para eliminar valores extremos/erros de anotação. Neste artigo, propomos uma forma mais fundamentada de identificar valores extremos de anotação, formulando a tarefa de previsão de interesse como um problema unificado de aprendizagem robusta para ordenação, abordando em conjunto tanto a deteção de valores extremos como as tarefas de previsão de interesse. Extensas experiências em conjuntos de dados de referência de interesse em imagens e vídeos demonstram que a nossa nova abordagem supera significativamente as alternativas mais avançadas.", "ner": [[{"text": "prever o grau de interesse de imagens ou vídeos", "type": "Tarefa"}, {"text": "representações de características de baixo nível", "type": "Método"}], [{"text": "atributo visual altamente subjetivo", "type": "Outros Termos Científicos"}, {"text": "valor de interesse", "type": "Outros Termos Científicos"}, {"text": "modelo de previsão", "type": "Método"}], [{"text": "ferramentas de crowdsourcing", "type": "Método"}, {"text": "comparações aos pares", "type": "Outros Termos Científicos"}, {"text": "votação maioritária", "type": "Método"}, {"text": "valores extremos/erros de anotação", "type": "Outros Termos Científicos"}], [{"text": "forma", "type": "Genérico"}, {"text": "valores extremos de anotação", "type": "Outros Termos Científicos"}, {"text": "tarefa de previsão de interesse", "type": "Tarefa"}, {"text": "aprendizagem robusta", "type": "Método"}, {"text": "problema unificado de aprendizagem robusta para ordenação", "type": "Tarefa"}, {"text": "deteção de valores extremos", "type": "Tarefa"}, {"text": "tarefas de previsão de interesse", "type": "Tarefa"}], [{"text": "conjuntos de dados de referência de interesse em imagens e vídeos", "type": "Material"}, {"text": "abordagem", "type": "Genérico"}, {"text": "alternativas mais avançadas", "type": "Genérico"}]], "relations": [[{"head": "representações de características de baixo nível", "tail": "prever o grau de interesse de imagens ou vídeos", "relation": "Usado-para"}], [], [{"head": "ferramentas de crowdsourcing", "tail": "comparações aos pares", "relation": "Usado-para"}, {"head": "votação maioritária", "tail": "ferramentas de crowdsourcing", "relation": "Usado-para"}, {"head": "votação maioritária", "tail": "valores extremos/erros de anotação", "relation": "Usado-para"}], [{"head": "forma", "tail": "valores extremos de anotação", "relation": "Usado-para"}, {"head": "forma", "tail": "deteção de valores extremos", "relation": "Usado-para"}, {"head": "forma", "tail": "tarefas de previsão de interesse", "relation": "Usado-para"}, {"head": "tarefa de previsão de interesse", "tail": "valores extremos de anotação", "relation": "Usado-para"}, {"head": "aprendizagem robusta", "tail": "tarefa de previsão de interesse", "relation": "Usado-para"}, {"head": "aprendizagem robusta", "tail": "problema unificado de aprendizagem robusta para ordenação", "relation": "Usado-para"}, {"head": "deteção de valores extremos", "tail": "tarefas de previsão de interesse", "relation": "Conjunção"}], [{"head": "conjuntos de dados de referência de interesse em imagens e vídeos", "tail": "abordagem", "relation": "Avaliado-para"}, {"head": "abordagem", "tail": "alternativas mais avançadas", "relation": "Comparado-com"}]], "clusters": [["forma", "abordagem"]]}
{"doc_id": "H01-1040", "text": "Neste artigo mostramos como dois resultados padrão de sistemas de extração de informação -LRB- IE -RRB-  – anotações de entidades nomeadas e modelos de cenários – podem ser usados para melhorar o acesso a coleções de textos através de um navegador de texto padrão. Descrevemos como esta informação é usada num sistema de demonstração concebido para apoiar o acesso de profissionais de informação a um arquivo de notícias farmacêuticas, como parte da sua função de monitorização do setor. Apresentamos também resultados de uma avaliação preliminar e qualitativa por utilizadores do sistema que, embora globalmente positiva, indica que é necessário realizar mais trabalho na interface para tornar os utilizadores conscientes do maior potencial dos navegadores de texto melhorados com IE.", "ner": [[{"text": "resultados", "type": "Genérico"}, {"text": "sistemas de extração de informação -LRB- IE -RRB-", "type": "Método"}, {"text": "anotações de entidades nomeadas", "type": "Outros Termos Científicos"}, {"text": "modelos de cenários", "type": "Outros Termos Científicos"}, {"text": "coleções de textos", "type": "Material"}, {"text": "navegador de texto", "type": "Método"}], [{"text": "sistema de demonstração", "type": "Genérico"}, {"text": "arquivo de notícias farmacêuticas", "type": "Material"}], [{"text": "avaliação preliminar e qualitativa por utilizadores", "type": "Métrica"}, {"text": "sistema", "type": "Genérico"}, {"text": "navegadores de texto melhorados com IE", "type": "Método"}]], "relations": [[{"head": "resultados", "tail": "coleções de textos", "relation": "Usado-para"}, {"head": "anotações de entidades nomeadas", "tail": "resultados", "relation": "Hipónimo-de"}, {"head": "anotações de entidades nomeadas", "tail": "modelos de cenários", "relation": "Conjunção"}, {"head": "modelos de cenários", "tail": "resultados", "relation": "Hipónimo-de"}, {"head": "navegador de texto", "tail": "coleções de textos", "relation": "Usado-para"}], [{"head": "sistema de demonstração", "tail": "arquivo de notícias farmacêuticas", "relation": "Usado-para"}], [{"head": "avaliação preliminar e qualitativa por utilizadores", "tail": "sistema", "relation": "Avaliado-para"}]], "clusters": [["sistema de demonstração", "sistema", "navegadores de texto melhorados com IE"]]}
{"doc_id": "W04-2703", "text": "Este artigo descreve um novo projeto de anotação em larga escala ao nível do discurso - o Penn Discourse TreeBank -LRB- PDTB -RRB- . Apresentamos uma abordagem para anotar um nível de estrutura discursiva que se baseia na identificação de conectores discursivos e dos seus argumentos . O PDTB está a ser construído diretamente sobre o Penn TreeBank e o Propbank , suportando assim a extração de características sintáticas e semânticas úteis e fornecendo um substrato mais rico para o desenvolvimento e avaliação de algoritmos práticos . Fornecemos uma análise preliminar detalhada do acordo entre anotadores - tanto o nível de acordo como os tipos de variação entre anotadores .", "ner": [[{"text": "anotação em larga escala ao nível do discurso", "type": "Tarefa"}, {"text": "Penn Discourse TreeBank -LRB- PDTB -RRB-", "type": "Material"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "estrutura discursiva", "type": "Outros Termos Científicos"}, {"text": "conectores discursivos", "type": "Outros Termos Científicos"}], [{"text": "PDTB", "type": "Material"}, {"text": "Penn TreeBank", "type": "Material"}, {"text": "Propbank", "type": "Material"}, {"text": "extração de características sintáticas e semânticas úteis", "type": "Tarefa"}, {"text": "algoritmos práticos", "type": "Método"}], [{"text": "acordo entre anotadores", "type": "Métrica"}, {"text": "nível de acordo", "type": "Métrica"}, {"text": "variação entre anotadores", "type": "Outros Termos Científicos"}]], "relations": [[], [{"head": "abordagem", "tail": "estrutura discursiva", "relation": "Usado-para"}, {"head": "conectores discursivos", "tail": "abordagem", "relation": "Usado-para"}], [{"head": "PDTB", "tail": "extração de características sintáticas e semânticas úteis", "relation": "Usado-para"}, {"head": "PDTB", "tail": "algoritmos práticos", "relation": "Avaliado-para"}, {"head": "Penn TreeBank", "tail": "PDTB", "relation": "Usado-para"}, {"head": "Penn TreeBank", "tail": "Propbank", "relation": "Conjunção"}, {"head": "Propbank", "tail": "PDTB", "relation": "Usado-para"}], [{"head": "nível de acordo", "tail": "acordo entre anotadores", "relation": "Característica-de"}, {"head": "nível de acordo", "tail": "variação entre anotadores", "relation": "Conjunção"}, {"head": "variação entre anotadores", "tail": "acordo entre anotadores", "relation": "Característica-de"}]], "clusters": [["anotação em larga escala ao nível do discurso", "Penn Discourse TreeBank -LRB- PDTB -RRB-", "PDTB"]]}
{"doc_id": "A97-1021", "text": "Centramos-nos no problema de construir grandes repositórios de representações de estrutura conceptual lexical -LRB- LCS -RRB- para verbos em várias línguas. Um dos principais resultados deste trabalho é a definição de uma relação entre amplas classes semânticas e componentes de significado LCS. O nosso programa de aquisição - LEXICALL - recebe, como entrada, o resultado de trabalhos anteriores sobre classificação de verbos e marcação de grelhas temáticas, e produz representações LCS para diferentes línguas. Estas representações foram portadas para léxicos de inglês, árabe e espanhol, cada um contendo aproximadamente 9000 verbos. Estamos atualmente a utilizar estes léxicos num sistema de tutoria operacional de línguas estrangeiras e tradução automática.", "ner": [[{"text": "representações de estrutura conceptual lexical -LRB- LCS -RRB-", "type": "Método"}], [{"text": "amplas classes semânticas", "type": "Outros Termos Científicos"}, {"text": "componentes de significado LCS", "type": "Método"}], [{"text": "programa de aquisição - LEXICALL -", "type": "Método"}, {"text": "classificação de verbos", "type": "Tarefa"}, {"text": "marcação de grelhas temáticas", "type": "Tarefa"}, {"text": "representações LCS", "type": "Método"}], [{"text": "representações", "type": "Genérico"}, {"text": "léxicos de inglês, árabe e espanhol", "type": "Outros Termos Científicos"}], [{"text": "léxicos", "type": "Genérico"}, {"text": "tutoria operacional de línguas estrangeiras", "type": "Tarefa"}, {"text": "tradução automática", "type": "Tarefa"}]], "relations": [[], [{"head": "amplas classes semânticas", "tail": "componentes de significado LCS", "relation": "Conjunção"}], [{"head": "programa de aquisição - LEXICALL -", "tail": "representações LCS", "relation": "Usado-para"}, {"head": "classificação de verbos", "tail": "programa de aquisição - LEXICALL -", "relation": "Usado-para"}, {"head": "classificação de verbos", "tail": "marcação de grelhas temáticas", "relation": "Conjunção"}, {"head": "marcação de grelhas temáticas", "tail": "programa de aquisição - LEXICALL -", "relation": "Usado-para"}], [{"head": "representações", "tail": "léxicos de inglês, árabe e espanhol", "relation": "Usado-para"}], [{"head": "léxicos", "tail": "tutoria operacional de línguas estrangeiras", "relation": "Usado-para"}, {"head": "léxicos", "tail": "tradução automática", "relation": "Usado-para"}, {"head": "tutoria operacional de línguas estrangeiras", "tail": "tradução automática", "relation": "Conjunção"}]], "clusters": [["representações de estrutura conceptual lexical -LRB- LCS -RRB-", "representações LCS", "representações"], ["léxicos de inglês, árabe e espanhol", "léxicos"]]}
{"doc_id": "E87-1037", "text": "Atualmente, vários formalismos gramaticais convergem para serem declarativos e para utilizarem gramática de estrutura frásica livre de contexto como espinha dorsal, por exemplo LFG e PATR-II. Tipicamente, o processamento destes formalismos é organizado dentro de uma estrutura de análise em tabela (chart-parsing). O carácter declarativo dos formalismos torna importante decidir sobre uma estratégia de controlo globalmente ótima por parte do processador. Em particular, isto coloca a estratégia de invocação de regras em foco crítico: para obter eficiência máxima de processamento, é necessário determinar a melhor forma de pôr as regras em uso. O objetivo deste artigo é fornecer um levantamento e uma comparação prática de estratégias de invocação de regras, fundamentais no âmbito da análise em tabela livre de contexto.", "ner": [[{"text": "formalismos gramaticais", "type": "Método"}, {"text": "gramática de estrutura frásica livre de contexto", "type": "Método"}, {"text": "LFG", "type": "Outros Termos Científicos"}, {"text": "PATR-II", "type": "Outros Termos Científicos"}], [{"text": "formalismos", "type": "Genérico"}, {"text": "estrutura de análise em tabela (chart-parsing)", "type": "Método"}], [{"text": "formalismos", "type": "Genérico"}, {"text": "estratégia de controlo globalmente ótima", "type": "Método"}], [{"text": "estratégia de invocação de regras", "type": "Método"}, {"text": "regras", "type": "Outros Termos Científicos"}], [{"text": "estratégias de invocação de regras", "type": "Método"}, {"text": "análise em tabela livre de contexto", "type": "Método"}]], "relations": [[{"head": "gramática de estrutura frásica livre de contexto", "tail": "formalismos gramaticais", "relation": "Usado-para"}, {"head": "LFG", "tail": "formalismos gramaticais", "relation": "Hipónimo-de"}, {"head": "LFG", "tail": "PATR-II", "relation": "Conjunção"}, {"head": "PATR-II", "tail": "formalismos gramaticais", "relation": "Hipónimo-de"}], [{"head": "estrutura de análise em tabela (chart-parsing)", "tail": "formalismos", "relation": "Característica-de"}], [], [], [{"head": "estratégias de invocação de regras", "tail": "análise em tabela livre de contexto", "relation": "Parte-de"}]], "clusters": [["estratégia de invocação de regras", "estratégias de invocação de regras"], ["estrutura de análise em tabela (chart-parsing)", "análise em tabela livre de contexto"], ["formalismos gramaticais", "formalismos", "formalismos"]]}
{"doc_id": "C90-2032", "text": "Este artigo propõe conjuntos de preferências orientados para documentos -LRB- DoPS -RRB- para a desambiguação da estrutura de dependências de frases. O sistema DoPS extrai automaticamente conhecimento de preferências a partir de um documento-alvo ou de outros documentos. As ambiguidades frásicas podem ser resolvidas utilizando conhecimento de preferências direcionado ao domínio, sem recorrer a grandes bases de conhecimento complicadas. São descritos a implementação e os resultados empíricos para a análise de estruturas de dependências de frases de reivindicações de patentes japonesas.", "ner": [[{"text": "conjuntos de preferências orientados para documentos -LRB- DoPS -RRB-", "type": "Método"}, {"text": "desambiguação da estrutura de dependências", "type": "Tarefa"}], [{"text": "sistema DoPS", "type": "Método"}], [{"text": "ambiguidades frásicas", "type": "Outros Termos Científicos"}, {"text": "conhecimento de preferências direcionado ao domínio", "type": "Outros Termos Científicos"}, {"text": "bases de conhecimento", "type": "Material"}], [{"text": "estruturas de dependências", "type": "Outros Termos Científicos"}, {"text": "frases de reivindicações de patentes japonesas", "type": "Material"}]], "relations": [[{"head": "conjuntos de preferências orientados para documentos -LRB- DoPS -RRB-", "tail": "desambiguação da estrutura de dependências", "relation": "Usado-para"}], [], [{"head": "conhecimento de preferências direcionado ao domínio", "tail": "ambiguidades frásicas", "relation": "Usado-para"}, {"head": "conhecimento de preferências direcionado ao domínio", "tail": "bases de conhecimento", "relation": "Comparado-com"}], [{"head": "estruturas de dependências", "tail": "frases de reivindicações de patentes japonesas", "relation": "Característica-de"}]], "clusters": [["conjuntos de preferências orientados para documentos -LRB- DoPS -RRB-", "sistema DoPS"]]}
{"doc_id": "INTERSPEECH_2007_31_abs", "text": "O artigo avalia a capacidade de um sistema de conversão de texto em fala baseado em HMM (HMM-based TTS system) para produzir fala em alemão. Os resultados são discutidos em termos qualitativos e comparados em três escolhas diferentes de características de contexto. Além disso, o sistema é adaptado a um pequeno conjunto de anúncios de futebol, numa tentativa exploratória de sintetizar fala expressiva. Concluímos que os HMM são capazes de produzir fala em alemão neutra inteligível, com qualidade estável, e que a expressividade é parcialmente captada apesar da pequena dimensão do conjunto de dados de futebol.", "ner": [[{"text": "sistema de conversão de texto em fala baseado em HMM (HMM-based TTS system)", "type": "Método"}, {"text": "fala em alemão", "type": "Material"}], [{"text": "características de contexto", "type": "Outros Termos Científicos"}], [{"text": "sistema", "type": "Genérico"}, {"text": "anúncios de futebol", "type": "Material"}, {"text": "fala expressiva", "type": "Material"}], [{"text": "HMM", "type": "Método"}, {"text": "fala em alemão neutra inteligível", "type": "Material"}, {"text": "conjunto de dados de futebol", "type": "Material"}]], "relations": [[{"head": "sistema de conversão de texto em fala baseado em HMM (HMM-based TTS system)", "tail": "fala em alemão", "relation": "Usado-para"}], [], [{"head": "sistema", "tail": "anúncios de futebol", "relation": "Usado-para"}, {"head": "sistema", "tail": "fala expressiva", "relation": "Usado-para"}], [{"head": "HMM", "tail": "fala em alemão neutra inteligível", "relation": "Usado-para"}]], "clusters": [["sistema de conversão de texto em fala baseado em HMM (HMM-based TTS system)", "sistema"]]}
{"doc_id": "N03-1018", "text": "Neste artigo, apresentamos um modelo generativo probabilístico de reconhecimento ótico de caracteres -LRB- OCR -RRB- que descreve um processo de ponta a ponta no enquadramento de canal ruidoso, progredindo desde a geração de texto verdadeiro até à sua transformação na saída ruidosa de um sistema de OCR. O modelo é concebido para utilização na correção de erros, com foco na pós-processamento da saída de sistemas de OCR de caixa‑preta, de modo a torná‑la mais útil para tarefas de PLN. Apresentamos uma implementação do modelo baseada em modelos de estados finitos, demonstramos a capacidade do modelo de reduzir significativamente a taxa de erro de caracteres e palavras, e fornecemos resultados de avaliação envolvendo extração automática de léxicos de tradução a partir de texto impresso.", "ner": [[{"text": "modelo generativo probabilístico de reconhecimento ótico de caracteres -LRB- OCR -RRB-", "type": "Método"}, {"text": "enquadramento de canal ruidoso", "type": "Método"}, {"text": "sistema de OCR", "type": "Outros Termos Científicos"}], [{"text": "modelo", "type": "Genérico"}, {"text": "correção de erros", "type": "Tarefa"}, {"text": "pós-processamento", "type": "Tarefa"}, {"text": "saída de sistemas de OCR de caixa‑preta", "type": "Outros Termos Científicos"}, {"text": "sistemas de OCR", "type": "Outros Termos Científicos"}, {"text": "a", "type": "Genérico"}, {"text": "tarefas de PLN", "type": "Tarefa"}], [{"text": "modelo", "type": "Genérico"}, {"text": "modelos de estados finitos", "type": "Método"}, {"text": "modelo", "type": "Genérico"}, {"text": "taxa de erro de caracteres e palavras", "type": "Métrica"}, {"text": "extração automática de léxicos de tradução", "type": "Tarefa"}, {"text": "texto impresso", "type": "Material"}]], "relations": [[], [{"head": "modelo", "tail": "correção de erros", "relation": "Usado-para"}, {"head": "modelo", "tail": "pós-processamento", "relation": "Usado-para"}, {"head": "pós-processamento", "tail": "correção de erros", "relation": "Parte-de"}, {"head": "a", "tail": "tarefas de PLN", "relation": "Usado-para"}], [{"head": "modelos de estados finitos", "tail": "modelo", "relation": "Usado-para"}, {"head": "taxa de erro de caracteres e palavras", "tail": "modelo", "relation": "Avaliado-para"}, {"head": "extração automática de léxicos de tradução", "tail": "modelo", "relation": "Avaliado-para"}, {"head": "texto impresso", "tail": "extração automática de léxicos de tradução", "relation": "Usado-para"}]], "clusters": [["sistema de OCR", "sistemas de OCR"], ["saída de sistemas de OCR de caixa‑preta", "a"], ["modelo generativo probabilístico de reconhecimento ótico de caracteres -LRB- OCR -RRB-", "modelo", "modelo", "modelo"]]}
{"doc_id": "INTERSPEECH_2007_21_abs", "text": "Os HMMs convencionais têm restrições fracas de duração. Em condições ruidosas, a discrepância entre sinais de fala corrompidos e modelos treinados com fala limpa pode fazer com que o descodificador produza correspondências de palavras com durações irrealistas. Este artigo apresenta uma forma simples de incorporar restrições de duração de palavras, e desenrolar HMMs para formar uma rede onde probabilidades de duração de palavras podem ser aplicadas diretamente às transições de estado. Os HMMs expandidos são compatíveis com a descodificação Viterbi convencional. Experiências de reconhecimento de dígitos concatenados mostram que, ao usar restrições explícitas de duração, o descodificador gera correspondências de palavras com durações mais razoáveis e as taxas de erro de palavra são significativamente reduzidas numa ampla gama de condições de ruído.", "ner": [[{"text": "HMMs", "type": "Método"}, {"text": "restrições fracas de duração", "type": "Outros Termos Científicos"}], [{"text": "sinais de fala corrompidos", "type": "Material"}, {"text": "modelos", "type": "Genérico"}, {"text": "fala limpa", "type": "Material"}, {"text": "descodificador", "type": "Método"}, {"text": "correspondências de palavras", "type": "Outros Termos Científicos"}, {"text": "durações irrealistas", "type": "Outros Termos Científicos"}], [{"text": "restrições de duração de palavras", "type": "Outros Termos Científicos"}, {"text": "desenrolar HMMs", "type": "Método"}, {"text": "rede", "type": "Outros Termos Científicos"}, {"text": "probabilidades de duração de palavras", "type": "Outros Termos Científicos"}, {"text": "transições de estado", "type": "Outros Termos Científicos"}], [{"text": "HMMs", "type": "Método"}, {"text": "descodificação Viterbi", "type": "Método"}], [{"text": "reconhecimento de dígitos concatenados", "type": "Tarefa"}, {"text": "restrições de duração", "type": "Outros Termos Científicos"}, {"text": "descodificador", "type": "Método"}, {"text": "correspondências de palavras", "type": "Outros Termos Científicos"}, {"text": "taxas de erro de palavra", "type": "Métrica"}, {"text": "condições de ruído", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "restrições fracas de duração", "tail": "HMMs", "relation": "Característica-de"}], [{"head": "fala limpa", "tail": "modelos", "relation": "Usado-para"}, {"head": "descodificador", "tail": "correspondências de palavras", "relation": "Usado-para"}, {"head": "durações irrealistas", "tail": "correspondências de palavras", "relation": "Característica-de"}], [{"head": "desenrolar HMMs", "tail": "restrições de duração de palavras", "relation": "Usado-para"}, {"head": "desenrolar HMMs", "tail": "rede", "relation": "Usado-para"}, {"head": "probabilidades de duração de palavras", "tail": "transições de estado", "relation": "Usado-para"}], [{"head": "descodificação Viterbi", "tail": "HMMs", "relation": "Conjunção"}], [{"head": "reconhecimento de dígitos concatenados", "tail": "descodificador", "relation": "Usado-para"}, {"head": "restrições de duração", "tail": "descodificador", "relation": "Usado-para"}, {"head": "descodificador", "tail": "correspondências de palavras", "relation": "Usado-para"}]], "clusters": []}
{"doc_id": "P03-1031", "text": "Este artigo diz respeito ao processo de compreensão do discurso em sistemas de diálogo falado. Este processo permite ao sistema compreender os enunciados do utilizador com base no contexto de um diálogo. Dado que podem ser obtidos múltiplos candidatos para o resultado de compreensão de um enunciado do utilizador devido à ambiguidade da compreensão da fala, não é apropriado decidir um único resultado de compreensão após cada enunciado do utilizador. Ao manter múltiplos candidatos para os resultados de compreensão e resolver a ambiguidade à medida que o diálogo progride, a precisão da compreensão do discurso pode ser melhorada. Este artigo propõe um método para resolver esta ambiguidade com base em informação estatística obtida a partir de corpora de diálogo. Ao contrário dos métodos convencionais que utilizam regras feitas manualmente, o método proposto permite uma conceção fácil do processo de compreensão do discurso. Os resultados experimentais mostraram que um sistema que explora o método proposto tem um desempenho suficiente e que manter múltiplos candidatos para os resultados de compreensão é eficaz.", "ner": [[{"text": "processo de compreensão do discurso", "type": "Tarefa"}, {"text": "sistemas de diálogo falado", "type": "Método"}], [{"text": "sistema", "type": "Genérico"}, {"text": "enunciados do utilizador", "type": "Material"}], [{"text": "enunciado do utilizador", "type": "Material"}, {"text": "ambiguidade da compreensão da fala", "type": "Outros Termos Científicos"}, {"text": "enunciado do utilizador", "type": "Outros Termos Científicos"}], [{"text": "ambiguidade", "type": "Genérico"}, {"text": "precisão da compreensão do discurso", "type": "Métrica"}], [{"text": "método", "type": "Genérico"}, {"text": "ambiguidade", "type": "Genérico"}, {"text": "informação estatística", "type": "Outros Termos Científicos"}, {"text": "corpora de diálogo", "type": "Material"}], [{"text": "métodos", "type": "Genérico"}, {"text": "regras feitas manualmente", "type": "Outros Termos Científicos"}, {"text": "método", "type": "Genérico"}, {"text": "processo de compreensão do discurso", "type": "Tarefa"}], [{"text": "sistema", "type": "Genérico"}, {"text": "método", "type": "Genérico"}]], "relations": [[{"head": "processo de compreensão do discurso", "tail": "sistemas de diálogo falado", "relation": "Usado-para"}], [{"head": "sistema", "tail": "enunciados do utilizador", "relation": "Usado-para"}], [], [], [{"head": "método", "tail": "ambiguidade", "relation": "Usado-para"}, {"head": "informação estatística", "tail": "método", "relation": "Usado-para"}, {"head": "corpora de diálogo", "tail": "informação estatística", "relation": "Usado-para"}], [{"head": "regras feitas manualmente", "tail": "métodos", "relation": "Usado-para"}], [{"head": "sistema", "tail": "método", "relation": "Usado-para"}]], "clusters": [["ambiguidade da compreensão da fala", "ambiguidade", "ambiguidade"], ["sistemas de diálogo falado", "sistema"], ["processo de compreensão do discurso", "processo de compreensão do discurso"], ["método", "método", "método"]]}
{"doc_id": "J89-4003", "text": "É apresentado um modelo para caracterizar a classe de linguagens obtida ao adicionar reduplicação às linguagens livres de contexto. O modelo é um autómato com pilha, aumentado com a capacidade de verificar reduplicação utilizando a pilha de uma nova forma. Mostra-se que a classe de linguagens gerada se situa estritamente entre as linguagens livres de contexto e as linguagens indexadas. O modelo parece ser capaz de acomodar o tipo de reduplicações que se observou ocorrerem em línguas naturais, mas ele exclui muitas das construções não naturais que outros modelos formais permitiram.", "ner": [[{"text": "modelo", "type": "Genérico"}, {"text": "classe de linguagens", "type": "Outros Termos Científicos"}, {"text": "reduplicação", "type": "Outros Termos Científicos"}, {"text": "linguagens livres de contexto", "type": "Material"}], [{"text": "modelo", "type": "Método"}, {"text": "autómato com pilha", "type": "Método"}, {"text": "reduplicação", "type": "Outros Termos Científicos"}, {"text": "pilha", "type": "Outros Termos Científicos"}], [{"text": "classe de linguagens", "type": "Outros Termos Científicos"}, {"text": "linguagens livres de contexto", "type": "Material"}, {"text": "linguagens indexadas", "type": "Material"}], [{"text": "modelo", "type": "Genérico"}, {"text": "reduplicações", "type": "Outros Termos Científicos"}, {"text": "línguas naturais", "type": "Material"}, {"text": "ele", "type": "Genérico"}, {"text": "modelos formais", "type": "Método"}]], "relations": [[{"head": "modelo", "tail": "classe de linguagens", "relation": "Usado-para"}, {"head": "reduplicação", "tail": "linguagens livres de contexto", "relation": "Usado-para"}], [{"head": "modelo", "tail": "autómato com pilha", "relation": "Hipónimo-de"}, {"head": "pilha", "tail": "autómato com pilha", "relation": "Usado-para"}, {"head": "pilha", "tail": "reduplicação", "relation": "Usado-para"}], [{"head": "linguagens livres de contexto", "tail": "linguagens indexadas", "relation": "Conjunção"}], [{"head": "modelo", "tail": "reduplicações", "relation": "Usado-para"}]], "clusters": [["classe de linguagens", "classe de linguagens"], ["linguagens livres de contexto", "linguagens livres de contexto"], ["modelo", "modelo", "modelo", "ele"]]}
{"doc_id": "C92-2068", "text": "A unificação de grafos continua a ser a parte mais dispendiosa da análise sintáctica baseada em unificação. Centramos-nos num elemento de aceleração no desenho de algoritmos de unificação: a evitação da cópia de subgrafos não modificados. Propomos um método para atingir tal desenho através de um método de partilha de estrutura que evita sobrecargas log -LRB- d -RRB- frequentemente associadas à partilha de estrutura de grafos, sem qualquer utilização de dispendiosos apontadores de dependência. O esquema proposto elimina cópias redundantes, mantendo a capacidade do esquema quase destrutivo de evitar cópia excessiva e cópia precoce, combinada com a sua capacidade de lidar com estruturas cíclicas sem acréscimos algorítmicos.", "ner": [[{"text": "unificação de grafos", "type": "Tarefa"}, {"text": "análise sintáctica baseada em unificação", "type": "Tarefa"}], [{"text": "elemento de aceleração", "type": "Método"}, {"text": "algoritmos de unificação", "type": "Método"}, {"text": "cópia de subgrafos não modificados", "type": "Outros Termos Científicos"}, {"text": "subgrafos não modificados", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "partilha de estrutura", "type": "Método"}, {"text": "sobrecargas log -LRB- d -RRB-", "type": "Outros Termos Científicos"}, {"text": "partilha de estrutura de grafos", "type": "Outros Termos Científicos"}, {"text": "apontadores de dependência", "type": "Método"}], [{"text": "esquema", "type": "Genérico"}, {"text": "cópias redundantes", "type": "Outros Termos Científicos"}, {"text": "capacidade do esquema quase destrutivo", "type": "Outros Termos Científicos"}, {"text": "cópia excessiva", "type": "Outros Termos Científicos"}, {"text": "cópia precoce", "type": "Outros Termos Científicos"}, {"text": "estruturas cíclicas", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "unificação de grafos", "tail": "análise sintáctica baseada em unificação", "relation": "Parte-de"}], [{"head": "elemento de aceleração", "tail": "algoritmos de unificação", "relation": "Parte-de"}], [{"head": "partilha de estrutura", "tail": "método", "relation": "Usado-para"}], [{"head": "esquema", "tail": "estruturas cíclicas", "relation": "Usado-para"}, {"head": "capacidade do esquema quase destrutivo", "tail": "esquema", "relation": "Característica-de"}, {"head": "cópia excessiva", "tail": "cópia precoce", "relation": "Conjunção"}]], "clusters": [["método", "esquema"]]}
{"doc_id": "CVPR_2009_11_abs", "text": "Devido à capacidade das câmaras pan-tilt-zoom -LRB- PTZ -RRB- de cobrirem simultaneamente uma área panorâmica e manterem imagens de alta resolução, a investigação em sistemas de vigilância automatizada com múltiplas câmaras PTZ tornou-se cada vez mais importante. A maioria dos algoritmos existentes requer o conhecimento prévio dos parâmetros intrínsecos da câmara PTZ para inferir o posicionamento relativo e a orientação entre múltiplas câmaras PTZ. Para ultrapassar esta limitação, propomos um novo algoritmo de mapeamento que obtém o posicionamento relativo e a orientação entre duas câmaras PTZ com base num modelo polinomial unificado. Isto reduz a dependência do conhecimento dos parâmetros intrínsecos da câmara PTZ e das posições relativas. Resultados experimentais demonstram que o nosso algoritmo proposto apresenta uma complexidade computacional substancialmente reduzida e uma flexibilidade melhorada, ao custo de uma ligeira diminuição da precisão ao nível de píxel, em comparação com o trabalho de Chen e Wang. Esta ligeira diminuição da precisão ao nível de píxel pode ser compensada por abordagens consistentes de rotulagem sem custo adicional para a aplicação de sistemas de vigilância automatizada, juntamente com configurações em mudança e um maior número de câmaras PTZ.", "ner": [[{"text": "câmaras pan-tilt-zoom -LRB- PTZ -RRB-", "type": "Outros Termos Científicos"}, {"text": "área panorâmica", "type": "Outros Termos Científicos"}, {"text": "imagens de alta resolução", "type": "Outros Termos Científicos"}, {"text": "sistemas de vigilância automatizada", "type": "Tarefa"}, {"text": "câmaras PTZ", "type": "Outros Termos Científicos"}], [{"text": "algoritmos", "type": "Genérico"}, {"text": "conhecimento prévio dos parâmetros intrínsecos da câmara PTZ", "type": "Outros Termos Científicos"}, {"text": "posicionamento relativo", "type": "Outros Termos Científicos"}, {"text": "orientação", "type": "Outros Termos Científicos"}, {"text": "câmaras PTZ", "type": "Outros Termos Científicos"}], [{"text": "algoritmo de mapeamento", "type": "Método"}, {"text": "posicionamento relativo", "type": "Outros Termos Científicos"}, {"text": "orientação", "type": "Outros Termos Científicos"}, {"text": "câmaras PTZ", "type": "Outros Termos Científicos"}, {"text": "modelo polinomial unificado", "type": "Método"}], [{"text": "câmara PTZ", "type": "Outros Termos Científicos"}, {"text": "posições relativas", "type": "Outros Termos Científicos"}], [{"text": "algoritmo", "type": "Genérico"}, {"text": "complexidade computacional", "type": "Métrica"}, {"text": "flexibilidade", "type": "Métrica"}, {"text": "precisão ao nível de píxel", "type": "Métrica"}], [{"text": "precisão ao nível de píxel", "type": "Métrica"}, {"text": "abordagens consistentes de rotulagem", "type": "Método"}, {"text": "sistemas de vigilância automatizada", "type": "Tarefa"}, {"text": "câmaras PTZ", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "câmaras pan-tilt-zoom -LRB- PTZ -RRB-", "tail": "área panorâmica", "relation": "Usado-para"}, {"head": "câmaras pan-tilt-zoom -LRB- PTZ -RRB-", "tail": "imagens de alta resolução", "relation": "Usado-para"}, {"head": "câmaras PTZ", "tail": "sistemas de vigilância automatizada", "relation": "Característica-de"}], [{"head": "algoritmos", "tail": "posicionamento relativo", "relation": "Usado-para"}, {"head": "algoritmos", "tail": "orientação", "relation": "Usado-para"}, {"head": "conhecimento prévio dos parâmetros intrínsecos da câmara PTZ", "tail": "algoritmos", "relation": "Usado-para"}, {"head": "posicionamento relativo", "tail": "orientação", "relation": "Conjunção"}, {"head": "posicionamento relativo", "tail": "câmaras PTZ", "relation": "Característica-de"}, {"head": "orientação", "tail": "câmaras PTZ", "relation": "Característica-de"}], [{"head": "algoritmo de mapeamento", "tail": "posicionamento relativo", "relation": "Usado-para"}, {"head": "algoritmo de mapeamento", "tail": "orientação", "relation": "Usado-para"}, {"head": "posicionamento relativo", "tail": "orientação", "relation": "Conjunção"}, {"head": "posicionamento relativo", "tail": "câmaras PTZ", "relation": "Característica-de"}, {"head": "orientação", "tail": "câmaras PTZ", "relation": "Característica-de"}, {"head": "modelo polinomial unificado", "tail": "algoritmo de mapeamento", "relation": "Usado-para"}], [], [{"head": "complexidade computacional", "tail": "algoritmo", "relation": "Avaliado-para"}, {"head": "flexibilidade", "tail": "algoritmo", "relation": "Avaliado-para"}, {"head": "precisão ao nível de píxel", "tail": "algoritmo", "relation": "Avaliado-para"}], [{"head": "abordagens consistentes de rotulagem", "tail": "precisão ao nível de píxel", "relation": "Usado-para"}]], "clusters": [["sistemas de vigilância automatizada", "sistemas de vigilância automatizada"], ["algoritmo de mapeamento", "algoritmo"], ["precisão ao nível de píxel", "precisão ao nível de píxel"]]}
{"doc_id": "A92-1027", "text": "Apresentamos um algoritmo eficiente para a análise sintáctica de estrutura frásica baseada em charts de linguagem natural, adaptado ao problema de extrair informação específica de textos não restritos em que muitas das palavras são desconhecidas e grande parte do texto é irrelevante para a tarefa. O analisador ganha eficiência algorítmica através de uma redução do espaço de procura. À medida que cada nova aresta é adicionada ao chart, o algoritmo verifica apenas a aresta superior das arestas adjacentes a esta, em vez de todas essas arestas como nos tratamentos convencionais. As arestas de cobertura resultantes são garantidas como sendo as correctas através de um controlo cuidadoso da ordem em que as arestas são introduzidas, de modo a que cada constituinte final cubra o maior intervalo possível. Isto é facilitado pelo uso de heurísticas de fronteira de sintagma baseadas na colocação de palavras funcionais e por regras heurísticas que permitem que certos tipos de sintagmas sejam deduzidos apesar da presença de palavras desconhecidas. Uma redução adicional do espaço de procura é conseguida utilizando categorias semânticas em vez de categorias sintácticas nas arestas terminais e não terminais, reduzindo assim a quantidade de ambiguidade e, portanto, o número de arestas, dado que apenas são introduzidas arestas com uma interpretação semântica válida.", "ner": [[{"text": "algoritmo", "type": "Genérico"}, {"text": "análise sintáctica de estrutura frásica baseada em charts", "type": "Tarefa"}, {"text": "linguagem natural", "type": "Material"}], [{"text": "analisador", "type": "Método"}, {"text": "espaço de procura", "type": "Outros Termos Científicos"}], [{"text": "aresta", "type": "Outros Termos Científicos"}, {"text": "chart", "type": "Outros Termos Científicos"}, {"text": "arestas", "type": "Outros Termos Científicos"}, {"text": "arestas", "type": "Outros Termos Científicos"}], [{"text": "arestas de cobertura", "type": "Outros Termos Científicos"}, {"text": "arestas", "type": "Outros Termos Científicos"}], [{"text": "heurísticas de fronteira de sintagma", "type": "Método"}, {"text": "palavras funcionais", "type": "Outros Termos Científicos"}, {"text": "regras heurísticas", "type": "Método"}, {"text": "palavras desconhecidas", "type": "Outros Termos Científicos"}], [{"text": "redução do espaço de procura", "type": "Outros Termos Científicos"}, {"text": "semântica", "type": "Outros Termos Científicos"}, {"text": "categorias sintácticas", "type": "Outros Termos Científicos"}, {"text": "arestas terminais e não terminais", "type": "Outros Termos Científicos"}, {"text": "arestas", "type": "Outros Termos Científicos"}, {"text": "arestas", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "algoritmo", "tail": "análise sintáctica de estrutura frásica baseada em charts", "relation": "Usado-para"}, {"head": "linguagem natural", "tail": "análise sintáctica de estrutura frásica baseada em charts", "relation": "Usado-para"}], [], [], [], [{"head": "palavras funcionais", "tail": "heurísticas de fronteira de sintagma", "relation": "Usado-para"}], [{"head": "semântica", "tail": "redução do espaço de procura", "relation": "Usado-para"}, {"head": "semântica", "tail": "categorias sintácticas", "relation": "Comparado-com"}, {"head": "semântica", "tail": "arestas terminais e não terminais", "relation": "Característica-de"}, {"head": "categorias sintácticas", "tail": "arestas terminais e não terminais", "relation": "Característica-de"}]], "clusters": [["algoritmo", "analisador"]]}
{"doc_id": "C96-1055", "text": "Este artigo aborda o problema da ambiguidade de sentido de palavra na extração a partir de recursos legíveis por máquina para a construção de fontes de conhecimento de grande escala. Descrevemos duas experiências: uma que ignorou distinções de sentido de palavra, resultando em 6,3 % de exatidão para a classificação semântica de verbos com base em -LRB- Levin, 1993 -RRB-; e outra que explorou distinções de sentido de palavra, resultando em 97,9 % de exatidão. Estas experiências tiveram um duplo objetivo: -LRB- 1 -RRB- validar a tese central do trabalho de -LRB- Levin, 1993 -RRB-, isto é, que a semântica verbal e o comportamento sintático estão previsivelmente relacionados; -LRB- 2 -RRB- demonstrar que é possível obter uma melhoria de 15 vezes na derivação de informação semântica a partir de pistas sintáticas se primeiro dividirmos as pistas sintáticas em agrupamentos distintos que se correlacionem com diferentes sentidos de palavra. Finalmente, mostramos que podemos fornecer técnicas eficazes de aquisição para novos sentidos de palavra utilizando uma combinação de fontes online.", "ner": [[{"text": "ambiguidade de sentido de palavra", "type": "Tarefa"}, {"text": "recursos legíveis por máquina", "type": "Material"}, {"text": "construção de fontes de conhecimento de grande escala", "type": "Tarefa"}], [{"text": "distinções de sentido de palavra", "type": "Outros Termos Científicos"}, {"text": "exatidão", "type": "Métrica"}, {"text": "classificação semântica", "type": "Método"}, {"text": "distinções de sentido de palavra", "type": "Outros Termos Científicos"}, {"text": "exatidão", "type": "Métrica"}], [{"text": "semântica verbal", "type": "Outros Termos Científicos"}, {"text": "comportamento sintático", "type": "Outros Termos Científicos"}, {"text": "informação semântica", "type": "Outros Termos Científicos"}, {"text": "pistas sintáticas", "type": "Outros Termos Científicos"}, {"text": "pistas sintáticas", "type": "Outros Termos Científicos"}, {"text": "sentidos de palavra", "type": "Outros Termos Científicos"}], [{"text": "técnicas", "type": "Genérico"}, {"text": "sentidos de palavra", "type": "Outros Termos Científicos"}, {"text": "fontes online", "type": "Material"}]], "relations": [[{"head": "recursos legíveis por máquina", "tail": "ambiguidade de sentido de palavra", "relation": "Usado-para"}, {"head": "recursos legíveis por máquina", "tail": "construção de fontes de conhecimento de grande escala", "relation": "Usado-para"}], [{"head": "exatidão", "tail": "classificação semântica", "relation": "Avaliado-para"}], [{"head": "semântica verbal", "tail": "comportamento sintático", "relation": "Conjunção"}, {"head": "pistas sintáticas", "tail": "informação semântica", "relation": "Usado-para"}], [{"head": "técnicas", "tail": "sentidos de palavra", "relation": "Usado-para"}, {"head": "fontes online", "tail": "técnicas", "relation": "Usado-para"}]], "clusters": [["ambiguidade de sentido de palavra", "distinções de sentido de palavra", "distinções de sentido de palavra"]]}
{"doc_id": "CVPR_2008_257_abs", "text": "Modelos gráficos como Redes Bayesianas -LRB- BNs -RRB- estão a ser cada vez mais aplicados a vários problemas de visão por computador. Um estrangulamento na utilização de BNs é que a aprendizagem dos parâmetros do modelo BN exige frequentemente uma grande quantidade de dados de treino representativos e fiáveis, o que se revela difícil de obter para muitas tarefas de visão por computador. Por outro lado, existe frequentemente conhecimento prévio qualitativo disponível sobre o modelo. Tal conhecimento provém quer de especialistas do domínio, com base na sua experiência, quer de vários constrangimentos físicos ou geométricos que regem os objectos que tentamos modelar. Ao contrário do prévio quantitativo, o prévio qualitativo é frequentemente ignorado devido à dificuldade de o incorporar no processo de aprendizagem do modelo. Neste artigo, introduzimos uma solução em forma fechada para combinar sistematicamente os dados de treino limitados com algum conhecimento qualitativo genérico para a aprendizagem de parâmetros de BNs. Para validar o nosso método, vamo-lo comparar com o método de estimação de Máxima Verosimilhança -LRB- ML -RRB- sob dados esparsos e, respectivamente, com o algoritmo de Maximização da Esperança -LRB- EM -RRB- sob dados incompletos. Para demonstrar ainda mais as suas aplicações à visão por computador, aplicamo-lo para aprender um modelo BN para reconhecimento de Unidades de Acção facial -LRB- AU -RRB- a partir de dados de imagens reais. Os resultados experimentais mostram que, com simples e constrangimentos qualitativos genéricos e usando apenas uma pequena quantidade de dados de treino, o nosso método consegue estimar de forma robusta e precisa os parâmetros do modelo BN.", "ner": [[{"text": "Modelos gráficos", "type": "Método"}, {"text": "Redes Bayesianas -LRB- BNs -RRB-", "type": "Método"}, {"text": "problemas de visão por computador", "type": "Tarefa"}], [{"text": "BN", "type": "Método"}, {"text": "parâmetros do modelo BN", "type": "Outros Termos Científicos"}, {"text": "dados de treino representativos", "type": "Material"}, {"text": "tarefas de visão por computador", "type": "Tarefa"}], [{"text": "conhecimento prévio qualitativo", "type": "Outros Termos Científicos"}, {"text": "modelo", "type": "Genérico"}], [{"text": "conhecimento", "type": "Genérico"}, {"text": "especialistas do domínio", "type": "Outros Termos Científicos"}, {"text": "constrangimentos físicos ou geométricos", "type": "Outros Termos Científicos"}], [{"text": "prévio quantitativo", "type": "Outros Termos Científicos"}, {"text": "prévio qualitativo", "type": "Outros Termos Científicos"}, {"text": "processo de aprendizagem do modelo", "type": "Tarefa"}], [{"text": "solução em forma fechada", "type": "Método"}, {"text": "dados de treino limitados", "type": "Material"}, {"text": "conhecimento qualitativo", "type": "Outros Termos Científicos"}, {"text": "aprendizagem de parâmetros de BN", "type": "Método"}], [{"text": "método", "type": "Genérico"}, {"text": "método de estimação de Máxima Verosimilhança -LRB- ML -RRB-", "type": "Método"}, {"text": "dados esparsos", "type": "Material"}, {"text": "algoritmo de Maximização da Esperança -LRB- EM -RRB-", "type": "Método"}, {"text": "dados incompletos", "type": "Material"}], [{"text": "visão por computador", "type": "Tarefa"}, {"text": "modelo BN", "type": "Método"}, {"text": "reconhecimento de Unidades de Acção facial -LRB- AU -RRB-", "type": "Tarefa"}, {"text": "dados de imagens reais", "type": "Material"}], [{"text": "constrangimentos qualitativos genéricos", "type": "Outros Termos Científicos"}, {"text": "dados de treino", "type": "Material"}, {"text": "método", "type": "Genérico"}, {"text": "parâmetros do modelo BN", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "Modelos gráficos", "tail": "problemas de visão por computador", "relation": "Usado-para"}, {"head": "Redes Bayesianas -LRB- BNs -RRB-", "tail": "Modelos gráficos", "relation": "Hipónimo-de"}], [{"head": "dados de treino representativos", "tail": "parâmetros do modelo BN", "relation": "Usado-para"}, {"head": "dados de treino representativos", "tail": "tarefas de visão por computador", "relation": "Usado-para"}], [{"head": "conhecimento prévio qualitativo", "tail": "modelo", "relation": "Característica-de"}], [{"head": "especialistas do domínio", "tail": "conhecimento", "relation": "Usado-para"}, {"head": "especialistas do domínio", "tail": "constrangimentos físicos ou geométricos", "relation": "Conjunção"}, {"head": "constrangimentos físicos ou geométricos", "tail": "conhecimento", "relation": "Usado-para"}], [{"head": "prévio quantitativo", "tail": "prévio qualitativo", "relation": "Comparado-com"}, {"head": "conhecimento prévio qualitativo", "tail": "processo de aprendizagem do modelo", "relation": "Parte-de"}], [{"head": "dados de treino limitados", "tail": "conhecimento qualitativo", "relation": "Conjunção"}, {"head": "dados de treino limitados", "tail": "aprendizagem de parâmetros de BN", "relation": "Usado-para"}, {"head": "conhecimento qualitativo", "tail": "aprendizagem de parâmetros de BN", "relation": "Usado-para"}, {"head": "aprendizagem de parâmetros de BN", "tail": "solução em forma fechada", "relation": "Usado-para"}], [{"head": "método", "tail": "método de estimação de Máxima Verosimilhança -LRB- ML -RRB-", "relation": "Comparado-com"}, {"head": "método", "tail": "algoritmo de Maximização da Esperança -LRB- EM -RRB-", "relation": "Comparado-com"}, {"head": "dados esparsos", "tail": "método", "relation": "Usado-para"}, {"head": "dados esparsos", "tail": "método de estimação de Máxima Verosimilhança -LRB- ML -RRB-", "relation": "Usado-para"}, {"head": "dados incompletos", "tail": "método", "relation": "Usado-para"}, {"head": "dados incompletos", "tail": "algoritmo de Maximização da Esperança -LRB- EM -RRB-", "relation": "Usado-para"}], [{"head": "método", "tail": "visão por computador", "relation": "Usado-para"}, {"head": "método", "tail": "modelo BN", "relation": "Usado-para"}, {"head": "modelo BN", "tail": "reconhecimento de Unidades de Acção facial -LRB- AU -RRB-", "relation": "Usado-para"}, {"head": "dados de imagens reais", "tail": "reconhecimento de Unidades de Acção facial -LRB- AU -RRB-", "relation": "Usado-para"}], [{"head": "constrangimentos qualitativos genéricos", "tail": "dados de treino", "relation": "Conjunção"}, {"head": "constrangimentos qualitativos genéricos", "tail": "método", "relation": "Usado-para"}, {"head": "dados de treino", "tail": "método", "relation": "Usado-para"}, {"head": "método", "tail": "parâmetros do modelo BN", "relation": "Usado-para"}]], "clusters": [["Redes Bayesianas -LRB- BNs -RRB-", "BN", "modelo", "modelo BN"], ["conhecimento prévio qualitativo", "conhecimento", "prévio qualitativo"], ["solução em forma fechada", "método", "método"], ["problemas de visão por computador", "tarefas de visão por computador", "visão por computador"]]}
{"doc_id": "I05-4008", "text": "O Taiwan Child Language Corpus contém guiões transcritos a partir de cerca de 330 horas de gravações de catorze crianças pequenas de famílias de língua chinesa Min do Sul em Taiwan. O formato do corpus adopta o Child Language Data Exchange System -LRB- CHILDES -RRB-. A dimensão do corpus é de cerca de 1,6 milhões de palavras. Neste artigo, descrevemos a recolha de dados, a transcrição, a segmentação de palavras e a anotação de categorias gramaticais deste corpus. São igualmente discutidas aplicações do corpus.", "ner": [[{"text": "Taiwan Child Language Corpus", "type": "Material"}], [{"text": "corpus", "type": "Genérico"}, {"text": "Child Language Data Exchange System -LRB- CHILDES -RRB-", "type": "Material"}], [{"text": "corpus", "type": "Genérico"}], [{"text": "recolha de dados", "type": "Tarefa"}, {"text": "transcrição", "type": "Tarefa"}, {"text": "segmentação de palavras", "type": "Tarefa"}, {"text": "anotação de categorias gramaticais", "type": "Tarefa"}, {"text": "corpus", "type": "Genérico"}], [{"text": "corpus", "type": "Genérico"}]], "relations": [[], [{"head": "Child Language Data Exchange System -LRB- CHILDES -RRB-", "tail": "corpus", "relation": "Característica-de"}], [], [{"head": "recolha de dados", "tail": "transcrição", "relation": "Conjunção"}, {"head": "recolha de dados", "tail": "corpus", "relation": "Usado-para"}, {"head": "transcrição", "tail": "segmentação de palavras", "relation": "Conjunção"}, {"head": "transcrição", "tail": "corpus", "relation": "Usado-para"}, {"head": "segmentação de palavras", "tail": "anotação de categorias gramaticais", "relation": "Conjunção"}, {"head": "segmentação de palavras", "tail": "corpus", "relation": "Usado-para"}, {"head": "anotação de categorias gramaticais", "tail": "corpus", "relation": "Usado-para"}], []], "clusters": [["Taiwan Child Language Corpus", "corpus", "corpus", "corpus", "corpus"]]}
{"doc_id": "P02-1059", "text": "O artigo propõe e motiva empiricamente uma integração de aprendizagem supervisionada com aprendizagem não supervisionada para lidar com enviesamentos humanos na sumarização. Em particular, exploramos o uso de árvores de decisão probabilísticas no âmbito de um enquadramento de clustering para explicar tanto a variação como a regularidade em resumos criados por humanos. O corpus de excertos criados por humanos é construído a partir de um corpus de jornais e usado como conjunto de teste. Construímos árvores de decisão probabilísticas de diferentes tipos e integramos cada uma delas no enquadramento de clustering. As experiências com o corpus demonstram que a mistura dos dois paradigmas geralmente proporciona um aumento significativo do desempenho em comparação com os casos em que qualquer um dos dois é considerado isoladamente.", "ner": [[{"text": "aprendizagem supervisionada", "type": "Método"}, {"text": "aprendizagem não supervisionada", "type": "Método"}, {"text": "enviesamentos humanos na sumarização", "type": "Tarefa"}], [{"text": "árvores de decisão probabilísticas", "type": "Outros Termos Científicos"}, {"text": "enquadramento de clustering", "type": "Método"}, {"text": "resumos criados por humanos", "type": "Material"}], [{"text": "corpus de excertos criados por humanos", "type": "Material"}, {"text": "corpus de jornais", "type": "Material"}], [{"text": "árvores de decisão probabilísticas", "type": "Outros Termos Científicos"}, {"text": "elas", "type": "Genérico"}, {"text": "enquadramento de clustering", "type": "Método"}], [{"text": "corpus", "type": "Genérico"}]], "relations": [[{"head": "aprendizagem supervisionada", "tail": "enviesamentos humanos na sumarização", "relation": "Usado-para"}, {"head": "aprendizagem não supervisionada", "tail": "aprendizagem supervisionada", "relation": "Conjunção"}, {"head": "aprendizagem não supervisionada", "tail": "enviesamentos humanos na sumarização", "relation": "Usado-para"}], [{"head": "enquadramento de clustering", "tail": "árvores de decisão probabilísticas", "relation": "Característica-de"}], [{"head": "corpus de jornais", "tail": "corpus de excertos criados por humanos", "relation": "Usado-para"}], [{"head": "enquadramento de clustering", "tail": "elas", "relation": "Conjunção"}], []], "clusters": [["corpus de excertos criados por humanos", "corpus"], ["árvores de decisão probabilísticas", "elas"]]}
{"doc_id": "I05-2013", "text": "Apresentamos uma ferramenta, chamada ILIMP, que recebe como entrada um texto bruto em francês e produz como saída o mesmo texto em que todas as ocorrências do pronome il são anotadas quer com a etiqueta -LSB- ANA -RSB- para anafórico, quer com -LSB- IMP -RSB- para impessoal ou expletivo. Esta ferramenta é, portanto, concebida para distinguir entre as ocorrências anafóricas de il, para as quais um sistema de resolução de anáforas tem de procurar um antecedente, e as ocorrências expletivas deste pronome, para as quais não faz sentido procurar um antecedente. A taxa de precisão de ILIMP é de 97,5 %. Os poucos erros são analisados em detalhe. Outras tarefas que utilizam o método desenvolvido para o ILIMP são descritas brevemente, bem como a utilização do ILIMP num sistema modular de análise sintáctica.", "ner": [[{"text": "ferramenta", "type": "Genérico"}, {"text": "ILIMP", "type": "Método"}, {"text": "texto bruto em francês", "type": "Material"}], [{"text": "ferramenta", "type": "Genérico"}, {"text": "ocorrências anafóricas de il", "type": "Tarefa"}, {"text": "sistema de resolução de anáforas", "type": "Método"}], [{"text": "taxa de precisão", "type": "Métrica"}, {"text": "ILIMP", "type": "Método"}], [], [{"text": "tarefas", "type": "Genérico"}, {"text": "método", "type": "Genérico"}, {"text": "ILIMP", "type": "Método"}, {"text": "ILIMP", "type": "Método"}, {"text": "sistema modular de análise sintáctica", "type": "Método"}]], "relations": [[{"head": "texto bruto em francês", "tail": "ferramenta", "relation": "Usado-para"}], [{"head": "ferramenta", "tail": "ocorrências anafóricas de il", "relation": "Usado-para"}, {"head": "sistema de resolução de anáforas", "tail": "ocorrências anafóricas de il", "relation": "Usado-para"}], [{"head": "taxa de precisão", "tail": "ILIMP", "relation": "Avaliado-para"}], [], [{"head": "método", "tail": "tarefas", "relation": "Usado-para"}, {"head": "método", "tail": "ILIMP", "relation": "Usado-para"}, {"head": "ILIMP", "tail": "sistema modular de análise sintáctica", "relation": "Usado-para"}]], "clusters": [["ferramenta", "ILIMP", "ferramenta", "ILIMP", "ILIMP", "ILIMP"]]}
{"doc_id": "H90-1016", "text": "Descrevemos os métodos e o hardware que estamos a utilizar para produzir uma demonstração em tempo real de um Sistema Integrado de Linguagem Falada. Descrevemos algoritmos que reduzem significativamente a computação necessária para calcular as N-Melhores hipóteses de frase. Para evitar problemas de cobertura da gramática, utilizamos uma gramática de classes estatísticas de primeira ordem totalmente ligada. O algoritmo de pesquisa de fala está implementado numa placa com um único chip Intel i860, que proporciona um aumento de velocidade por um fator de 5 em relação a um SUN 4 para código C puro. A placa liga-se diretamente ao barramento VME do SUN4, que controla o sistema e contém o sistema de linguagem natural e o back-end da aplicação.", "ner": [[{"text": "métodos", "type": "Genérico"}, {"text": "hardware", "type": "Genérico"}, {"text": "Sistema Integrado de Linguagem Falada", "type": "Método"}], [{"text": "algoritmos", "type": "Genérico"}, {"text": "N-Melhores hipóteses de frase", "type": "Outros Termos Científicos"}], [{"text": "problemas de cobertura da gramática", "type": "Outros Termos Científicos"}, {"text": "gramática de classes estatísticas de primeira ordem totalmente ligada", "type": "Método"}], [{"text": "algoritmo de pesquisa de fala", "type": "Método"}, {"text": "placa", "type": "Outros Termos Científicos"}, {"text": "chip Intel i860", "type": "Outros Termos Científicos"}, {"text": "SUN 4", "type": "Outros Termos Científicos"}, {"text": "código C puro", "type": "Outros Termos Científicos"}], [{"text": "placa", "type": "Outros Termos Científicos"}, {"text": "barramento VME", "type": "Outros Termos Científicos"}, {"text": "SUN4", "type": "Outros Termos Científicos"}, {"text": "sistema", "type": "Genérico"}, {"text": "sistema de linguagem natural", "type": "Método"}, {"text": "back-end da aplicação", "type": "Outros Termos Científicos"}]], "relations": [[{"head": "métodos", "tail": "hardware", "relation": "Conjunção"}, {"head": "métodos", "tail": "Sistema Integrado de Linguagem Falada", "relation": "Usado-para"}, {"head": "hardware", "tail": "Sistema Integrado de Linguagem Falada", "relation": "Usado-para"}], [{"head": "algoritmos", "tail": "N-Melhores hipóteses de frase", "relation": "Usado-para"}], [{"head": "gramática de classes estatísticas de primeira ordem totalmente ligada", "tail": "problemas de cobertura da gramática", "relation": "Usado-para"}], [{"head": "placa", "tail": "algoritmo de pesquisa de fala", "relation": "Usado-para"}, {"head": "chip Intel i860", "tail": "placa", "relation": "Parte-de"}, {"head": "chip Intel i860", "tail": "SUN 4", "relation": "Comparado-com"}, {"head": "chip Intel i860", "tail": "código C puro", "relation": "Usado-para"}, {"head": "SUN 4", "tail": "código C puro", "relation": "Usado-para"}], [{"head": "placa", "tail": "sistema", "relation": "Usado-para"}, {"head": "barramento VME", "tail": "SUN4", "relation": "Parte-de"}, {"head": "sistema de linguagem natural", "tail": "placa", "relation": "Parte-de"}, {"head": "sistema de linguagem natural", "tail": "back-end da aplicação", "relation": "Conjunção"}, {"head": "back-end da aplicação", "tail": "placa", "relation": "Parte-de"}]], "clusters": [["métodos", "algoritmos", "algoritmo de pesquisa de fala"], ["placa", "placa"], ["Sistema Integrado de Linguagem Falada", "sistema"]]}
{"doc_id": "P05-1032", "text": "Neste artigo descrevemos uma nova estrutura de dados para tradução automática estatística baseada em frases que permite a recuperação de frases arbitrariamente longas enquanto utiliza simultaneamente menos memória do que a exigida pelas implementações atuais de descodificadores. Detalhamos a complexidade computacional e os tempos médios de recuperação para a pesquisa de traduções de frases na nossa estrutura de dados baseada em arrays de sufixos. Mostramos como a amostragem pode ser utilizada para reduzir o tempo de recuperação em ordens de grandeza sem perda na qualidade da tradução.", "ner": [[{"text": "estrutura de dados", "type": "Outros Termos Científicos"}, {"text": "tradução automática estatística baseada em frases", "type": "Tarefa"}, {"text": "recuperação de frases arbitrariamente longas", "type": "Tarefa"}, {"text": "memória", "type": "Outros Termos Científicos"}, {"text": "descodificador", "type": "Método"}], [{"text": "complexidade computacional", "type": "Métrica"}, {"text": "tempos médios de recuperação", "type": "Métrica"}, {"text": "traduções de frases", "type": "Outros Termos Científicos"}, {"text": "estrutura de dados baseada em arrays de sufixos", "type": "Outros Termos Científicos"}], [{"text": "amostragem", "type": "Método"}, {"text": "tempo de recuperação", "type": "Métrica"}, {"text": "qualidade da tradução", "type": "Métrica"}]], "relations": [[{"head": "estrutura de dados", "tail": "tradução automática estatística baseada em frases", "relation": "Usado-para"}, {"head": "estrutura de dados", "tail": "recuperação de frases arbitrariamente longas", "relation": "Usado-para"}], [{"head": "complexidade computacional", "tail": "tempos médios de recuperação", "relation": "Conjunção"}, {"head": "traduções de frases", "tail": "estrutura de dados baseada em arrays de sufixos", "relation": "Parte-de"}], [{"head": "tempo de recuperação", "tail": "amostragem", "relation": "Avaliado-para"}, {"head": "qualidade da tradução", "tail": "amostragem", "relation": "Avaliado-para"}]], "clusters": []}
{"doc_id": "C00-1054", "text": "As interfaces multimodais exigem uma análise e compreensão eficazes de enunciados cujo conteúdo está distribuído por vários modos de entrada. Johnston 1998 apresenta uma abordagem em que as estratégias para integração multimodal são declaradas de forma declarativa usando uma gramática baseada em unificação que é utilizada por um analisador em tabela multidimensional para compor as entradas. Esta abordagem é altamente expressiva e suporta uma ampla classe de interfaces, mas oferece apenas um potencial limitado de compensação mútua entre os modos de entrada, está sujeita a preocupações significativas em termos de complexidade computacional e complica a seleção entre interpretações multimodais alternativas da entrada. Neste artigo, apresentamos uma abordagem alternativa em que a análise e compreensão multimodais são alcançadas utilizando um dispositivo ponderado de estados finitos que recebe fluxos de fala e gesto como entradas e produz a sua interpretação conjunta. Esta abordagem é significativamente mais eficiente, permite um acoplamento estreito da compreensão multimodal com o reconhecimento de fala e fornece um enquadramento probabilístico geral para a resolução de ambiguidades multimodais.", "ner": [[{"text": "Interfaces multimodais", "type": "Tarefa"}, {"text": "análise", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "integração multimodal", "type": "Tarefa"}, {"text": "gramática baseada em unificação", "type": "Método"}, {"text": "analisador em tabela multidimensional", "type": "Método"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "interfaces", "type": "Outros Termos Científicos"}, {"text": "complexidade computacional", "type": "Métrica"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "análise e compreensão multimodais", "type": "Tarefa"}, {"text": "dispositivo ponderado de estados finitos", "type": "Método"}, {"text": "fluxos de fala e gesto", "type": "Material"}], [{"text": "abordagem", "type": "Genérico"}, {"text": "compreensão multimodal", "type": "Tarefa"}, {"text": "reconhecimento de fala", "type": "Tarefa"}, {"text": "resolução de ambiguidades multimodais", "type": "Tarefa"}]], "relations": [[{"head": "análise", "tail": "Interfaces multimodais", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "integração multimodal", "relation": "Usado-para"}, {"head": "gramática baseada em unificação", "tail": "integração multimodal", "relation": "Usado-para"}, {"head": "gramática baseada em unificação", "tail": "analisador em tabela multidimensional", "relation": "Usado-para"}], [], [{"head": "abordagem", "tail": "análise e compreensão multimodais", "relation": "Usado-para"}, {"head": "dispositivo ponderado de estados finitos", "tail": "análise e compreensão multimodais", "relation": "Usado-para"}, {"head": "fluxos de fala e gesto", "tail": "dispositivo ponderado de estados finitos", "relation": "Usado-para"}], [{"head": "abordagem", "tail": "resolução de ambiguidades multimodais", "relation": "Usado-para"}, {"head": "reconhecimento de fala", "tail": "compreensão multimodal", "relation": "Conjunção"}]], "clusters": [["abordagem", "abordagem"], ["abordagem", "abordagem"]]}
{"doc_id": "CVPR_2007_21_abs", "text": "Este artigo descreve o nosso trabalho sobre classificação de cenas exteriores. Primeiro, as imagens são divididas em regiões usando algoritmos de classificação de uma classe e algoritmos de agrupamento baseados em patches, em que classificadores de uma classe modelam as regiões com propriedades uniformes de cor e textura, e o agrupamento de patches visa detetar estruturas nas regiões restantes. De seguida, as regiões resultantes são agrupadas para obter um livro de códigos de tipos de regiões, e são construídos dois modelos para representação de cenas: uma representação de 'saco de regiões individuais', em que cada região é considerada separadamente, e uma representação de 'saco de pares de regiões', em que regiões com relações espaciais específicas são consideradas em conjunto. Dadas estas representações, a classificação de cenas é feita usando classificadores Bayesianos. Propomos também um novo algoritmo de seleção de regiões que identifica tipos de regiões que são frequentemente encontrados numa determinada classe de cenas mas raramente existem noutras classes, e que também ocorrem consistentemente em conjunto na mesma classe de cenas. Experiências no conjunto de dados LabelMe mostraram que os modelos propostos superam significativamente uma abordagem de base baseada em características globais.", "ner": [[{"text": "classificação de cenas exteriores", "type": "Tarefa"}], [{"text": "classificação de uma classe", "type": "Método"}, {"text": "algoritmos de agrupamento baseados em patches", "type": "Método"}, {"text": "classificadores de uma classe", "type": "Método"}, {"text": "propriedades uniformes de cor e textura", "type": "Outros Termos Científicos"}, {"text": "agrupamento de patches", "type": "Método"}], [{"text": "livro de códigos de tipos de regiões", "type": "Outros Termos Científicos"}, {"text": "modelos", "type": "Genérico"}, {"text": "representação de cenas", "type": "Método"}, {"text": "relações espaciais", "type": "Outros Termos Científicos"}], [{"text": "classificação de cenas", "type": "Tarefa"}, {"text": "classificadores Bayesianos", "type": "Método"}], [{"text": "algoritmo de seleção de regiões", "type": "Método"}], [{"text": "conjunto de dados LabelMe", "type": "Material"}, {"text": "modelos", "type": "Genérico"}, {"text": "abordagem de base baseada em características globais", "type": "Método"}]], "relations": [[], [{"head": "algoritmos de agrupamento baseados em patches", "tail": "classificação de uma classe", "relation": "Conjunção"}, {"head": "propriedades uniformes de cor e textura", "tail": "classificadores de uma classe", "relation": "Usado-para"}], [{"head": "modelos", "tail": "representação de cenas", "relation": "Usado-para"}], [{"head": "classificadores Bayesianos", "tail": "classificação de cenas", "relation": "Usado-para"}], [], [{"head": "conjunto de dados LabelMe", "tail": "modelos", "relation": "Avaliado-para"}, {"head": "conjunto de dados LabelMe", "tail": "abordagem de base baseada em características globais", "relation": "Avaliado-para"}, {"head": "modelos", "tail": "abordagem de base baseada em características globais", "relation": "Comparado-com"}]], "clusters": [["algoritmo de seleção de regiões", "modelos"]]}
{"doc_id": "N06-1007", "text": "O estudo aborda o problema da aquisição automática de relações de implicação entre verbos. Embora esta tarefa tenha muito em comum com a aquisição de paráfrases, que visa descobrir equivalência semântica entre verbos, o principal desafio da aquisição de implicação é captar relações assimétricas, ou direccionais. Motivados pela intuição de que esta implicação subjaz frequentemente à estrutura local de texto coerente, desenvolvemos um método que descobre implicação verbal usando evidência sobre relações discursivas entre orações disponível num corpus anotado sintacticamente. Em comparação com trabalhos anteriores, o método proposto abrange uma gama muito mais ampla de tipos de implicação verbal e aprende a correspondência entre verbos com estruturas argumentais altamente variadas.", "ner": [[{"text": "aquisição automática de relações de implicação", "type": "Tarefa"}], [{"text": "tarefa", "type": "Genérico"}, {"text": "aquisição de paráfrases", "type": "Tarefa"}, {"text": "equivalência semântica", "type": "Outros Termos Científicos"}, {"text": "aquisição de implicação", "type": "Tarefa"}, {"text": "relações assimétricas, ou direccionais", "type": "Outros Termos Científicos"}], [{"text": "estrutura local de texto coerente", "type": "Outros Termos Científicos"}, {"text": "método", "type": "Genérico"}, {"text": "implicação verbal", "type": "Tarefa"}, {"text": "relações discursivas", "type": "Outros Termos Científicos"}, {"text": "corpus anotado sintacticamente", "type": "Material"}], [{"text": "método", "type": "Genérico"}, {"text": "tipos de implicação verbal", "type": "Outros Termos Científicos"}, {"text": "correspondência entre verbos", "type": "Tarefa"}, {"text": "estruturas argumentais altamente variadas", "type": "Outros Termos Científicos"}]], "relations": [[], [{"head": "tarefa", "tail": "aquisição de paráfrases", "relation": "Comparado-com"}, {"head": "aquisição de paráfrases", "tail": "equivalência semântica", "relation": "Usado-para"}, {"head": "aquisição de implicação", "tail": "relações assimétricas, ou direccionais", "relation": "Usado-para"}], [{"head": "método", "tail": "implicação verbal", "relation": "Usado-para"}, {"head": "relações discursivas", "tail": "método", "relation": "Usado-para"}, {"head": "corpus anotado sintacticamente", "tail": "relações discursivas", "relation": "Usado-para"}], [{"head": "método", "tail": "correspondência entre verbos", "relation": "Usado-para"}, {"head": "estruturas argumentais altamente variadas", "tail": "correspondência entre verbos", "relation": "Característica-de"}]], "clusters": [["aquisição automática de relações de implicação", "tarefa", "aquisição de implicação"], ["método", "método"]]}
{"doc_id": "J90-3002", "text": "Este artigo apresenta um editor especializado para um dicionário altamente estruturado. O objetivo básico na construção desse editor foi fornecer uma ferramenta adequada para ajudar os lexicólogos a produzir um dicionário válido e coerente com base numa teoria linguística. Se quisermos léxicos e gramáticas valiosos para alcançar processamento de linguagem natural complexo, temos de fornecer ferramentas muito poderosas para ajudar a criar e assegurar a validade de tais bases de dados linguísticas complexas. A nossa tarefa mais importante na construção do editor foi definir um conjunto de regras de coerência que pudessem ser aplicadas computacionalmente para assegurar a validade das entradas lexicais. Uma interface personalizada para navegação e edição também foi concebida e implementada.", "ner": [[{"text": "editor", "type": "Método"}, {"text": "dicionário altamente estruturado", "type": "Material"}], [{"text": "editor", "type": "Método"}, {"text": "dicionário", "type": "Genérico"}, {"text": "teoria linguística", "type": "Método"}], [{"text": "processamento de linguagem natural", "type": "Tarefa"}, {"text": "bases de dados linguísticas", "type": "Material"}], [{"text": "editor", "type": "Método"}, {"text": "regras de coerência", "type": "Outros Termos Científicos"}], []], "relations": [[{"head": "dicionário altamente estruturado", "tail": "editor", "relation": "Usado-para"}], [{"head": "editor", "tail": "dicionário", "relation": "Usado-para"}, {"head": "teoria linguística", "tail": "dicionário", "relation": "Usado-para"}], [], [], []], "clusters": [["editor", "editor", "editor"], ["dicionário altamente estruturado", "dicionário", "bases de dados linguísticas"]]}
{"doc_id": "C88-2166", "text": "Embora todos os sistemas de linguagem natural precisem de um léxico computacional, cada sistema coloca diferentes quantidades e tipos de informação no seu léxico de acordo com as suas necessidades individuais. No entanto, parte da informação necessária entre sistemas é informação partilhada ou idêntica. Este artigo apresenta a nossa experiência no planeamento e construção de COMPLEX, um léxico computacional concebido para ser um repositório de informação lexical partilhada para utilização por sistemas de Processamento de Linguagem Natural -LRB- NLP -RRB-. Baseámo-nos principalmente em informação explícita e implícita de dicionários legíveis por máquina -LRB- MRD 's -RRB- para criar um léxico de ampla cobertura.", "ner": [[{"text": "sistemas de linguagem natural", "type": "Método"}, {"text": "léxico computacional", "type": "Outros Termos Científicos"}, {"text": "sistema", "type": "Genérico"}], [], [{"text": "COMPLEX", "type": "Método"}, {"text": "léxico computacional", "type": "Outros Termos Científicos"}, {"text": "informação lexical partilhada", "type": "Outros Termos Científicos"}, {"text": "sistemas de Processamento de Linguagem Natural -LRB- NLP -RRB-", "type": "Tarefa"}], [{"text": "dicionários legíveis por máquina -LRB- MRD 's -RRB-", "type": "Material"}]], "relations": [[{"head": "léxico computacional", "tail": "sistemas de linguagem natural", "relation": "Usado-para"}], [], [{"head": "COMPLEX", "tail": "léxico computacional", "relation": "Hipónimo-de"}, {"head": "COMPLEX", "tail": "sistemas de Processamento de Linguagem Natural -LRB- NLP -RRB-", "relation": "Usado-para"}], []], "clusters": [["léxico computacional", "léxico computacional"], ["sistemas de linguagem natural", "sistema"]]}
{"doc_id": "C02-1120", "text": "Este artigo descreve um método de aprendizagem não supervisionada para relações associativas entre sintagmas verbais, o que é importante para o desenvolvimento de sistemas fiáveis de Perguntas & Respostas (Q&A). Considere a situação em que um utilizador faz uma pergunta 'Qual foi a quantidade de gasolina importada para o Japão a partir da Arábia Saudita?' a um sistema de Q&A, mas o texto disponível para o sistema inclui apenas a descrição 'X toneladas de gasolina foram transportadas para o Japão a partir da Arábia Saudita'. Consideramos que esta descrição é uma boa pista para encontrar a resposta à nossa pergunta, 'X toneladas'. Mas não existe nenhuma base de dados em grande escala que forneça a relação associativa entre 'importada' e 'transportadas'. O nosso objetivo é desenvolver um método de aprendizagem não supervisionada que possa obter esse tipo de relação associativa, a que chamamos consistência de cenário. O método em que estamos atualmente a trabalhar utiliza um algoritmo de agrupamento de palavras baseado em maximização da esperança -LRB- EM -RRB-, e avaliámos a eficácia deste método utilizando sintagmas verbais japoneses.", "ner": [[{"text": "método de aprendizagem não supervisionada", "type": "Método"}, {"text": "relações associativas entre sintagmas verbais", "type": "Outros Termos Científicos"}, {"text": "sistemas fiáveis de Perguntas & Respostas (Q&A)", "type": "Tarefa"}], [], [{"text": "sistema de Q&A", "type": "Tarefa"}], [], [{"text": "base de dados em grande escala", "type": "Material"}, {"text": "relação associativa", "type": "Outros Termos Científicos"}], [{"text": "método de aprendizagem não supervisionada", "type": "Método"}, {"text": "relação associativa", "type": "Outros Termos Científicos"}, {"text": "consistência de cenário", "type": "Outros Termos Científicos"}], [{"text": "método", "type": "Genérico"}, {"text": "algoritmo de agrupamento de palavras baseado em maximização da esperança -LRB- EM -RRB-", "type": "Método"}, {"text": "método", "type": "Genérico"}, {"text": "sintagmas verbais japoneses", "type": "Material"}]], "relations": [[{"head": "método de aprendizagem não supervisionada", "tail": "relações associativas entre sintagmas verbais", "relation": "Usado-para"}, {"head": "relações associativas entre sintagmas verbais", "tail": "sistemas fiáveis de Perguntas & Respostas (Q&A)", "relation": "Usado-para"}], [], [], [], [], [{"head": "método de aprendizagem não supervisionada", "tail": "relação associativa", "relation": "Usado-para"}], [{"head": "algoritmo de agrupamento de palavras baseado em maximização da esperança -LRB- EM -RRB-", "tail": "método", "relation": "Usado-para"}, {"head": "sintagmas verbais japoneses", "tail": "método", "relation": "Usado-para"}]], "clusters": [["relação associativa", "relação associativa", "consistência de cenário"], ["método de aprendizagem não supervisionada", "método", "método"]]}
{"doc_id": "P05-1018", "text": "Este artigo considera o problema da avaliação automática da coerência local. Apresentamos uma nova representação de discurso baseada em entidades, inspirada na Teoria de Centralização, que pode ser calculada automaticamente a partir de texto bruto. Encaramos a avaliação da coerência como um problema de aprendizagem de ordenação e mostramos que a representação de discurso proposta suporta uma aprendizagem eficaz de uma função de ordenação. As nossas experiências demonstram que o modelo induzido atinge uma precisão significativamente mais elevada do que um modelo de coerência de última geração.", "ner": [[{"text": "avaliação automática da coerência local", "type": "Tarefa"}], [{"text": "representação de discurso baseada em entidades", "type": "Método"}, {"text": "Teoria de Centralização", "type": "Método"}, {"text": "texto bruto", "type": "Material"}], [{"text": "avaliação da coerência", "type": "Tarefa"}, {"text": "problema de aprendizagem de ordenação", "type": "Tarefa"}, {"text": "representação de discurso", "type": "Método"}, {"text": "função de ordenação", "type": "Outros Termos Científicos"}], [{"text": "modelo induzido", "type": "Método"}, {"text": "precisão", "type": "Métrica"}, {"text": "modelo de coerência", "type": "Método"}]], "relations": [[], [{"head": "Teoria de Centralização", "tail": "representação de discurso baseada em entidades", "relation": "Usado-para"}, {"head": "texto bruto", "tail": "representação de discurso baseada em entidades", "relation": "Usado-para"}], [{"head": "problema de aprendizagem de ordenação", "tail": "avaliação da coerência", "relation": "Usado-para"}, {"head": "representação de discurso", "tail": "função de ordenação", "relation": "Usado-para"}], [{"head": "modelo induzido", "tail": "modelo de coerência", "relation": "Comparado-com"}, {"head": "precisão", "tail": "modelo induzido", "relation": "Avaliado-para"}, {"head": "precisão", "tail": "modelo de coerência", "relation": "Avaliado-para"}]], "clusters": [["representação de discurso baseada em entidades", "representação de discurso"], ["avaliação automática da coerência local", "avaliação da coerência"]]}