validation.jsonl

{"doc_id": "ICCV_2003_158_abs", "text": "Este artigo apresenta um algoritmo para calcular fluxo ótico, forma, movimento, iluminação e albedo a partir de uma sequência de imagens de um objeto lambertiano em movimento rígido sob iluminação distante. O problema é formulado de uma forma que abrange estrutura a partir de movimento, estéreo multivista e estéreo fotométrico como casos especiais. O algoritmo utiliza variação espacial e temporal de intensidade como pistas: a primeira restringe o fluxo e a segunda restringe a orientação da superfície; combinar ambas as pistas permite a reconstrução densa de superfícies texturizadas e sem textura. O algoritmo funciona ao iterativamente estimar parâmetros afins da câmara, iluminação, forma e albedo de forma alternada. Os resultados são demonstrados em vídeos de objetos de mão em movimento em frente de uma luz e câmara fixas.", "ner": [[{"text": "algoritmo", "type": "Generic"}, {"text": "calcular fluxo ótico, forma, movimento, iluminação e albedo", "type": "Task"}, {"text": "sequência de imagens", "type": "Material"}, {"text": "objeto lambertiano em movimento rígido", "type": "Material"}, {"text": "iluminação distante", "type": "OtherScientificTerm"}], [{"text": "problema", "type": "Generic"}, {"text": "movimento", "type": "Material"}, {"text": "estéreo multivista", "type": "Material"}, {"text": "estéreo fotométrico", "type": "Material"}], [{"text": "algoritmo", "type": "Generic"}, {"text": "variação espacial e temporal de intensidade", "type": "OtherScientificTerm"}, {"text": "pistas", "type": "Generic"}, {"text": "primeira", "type": "Generic"}, {"text": "fluxo", "type": "OtherScientificTerm"}, {"text": "segunda", "type": "Generic"}, {"text": "orientação da superfície", "type": "OtherScientificTerm"}, {"text": "pistas", "type": "Generic"}, {"text": "reconstrução densa de superfícies texturizadas e sem textura", "type": "Task"}], [{"text": "algoritmo", "type": "Generic"}, {"text": "estimar parâmetros afins da câmara, iluminação, forma e albedo", "type": "Method"}], [{"text": "vídeos de objetos de mão", "type": "Material"}]], "relations": [[{"head": "algoritmo", "tail": "calcular fluxo ótico, forma, movimento, iluminação e albedo", "relation": "USED-FOR"}, {"head": "sequência de imagens", "tail": "algoritmo", "relation": "USED-FOR"}, {"head": "objeto lambertiano em movimento rígido", "tail": "sequência de imagens", "relation": "FEATURE-OF"}, {"head": "iluminação distante", "tail": "objeto lambertiano em movimento rígido", "relation": "FEATURE-OF"}], [{"head": "movimento", "tail": "estéreo multivista", "relation": "CONJUNCTION"}, {"head": "estéreo multivista", "tail": "estéreo fotométrico", "relation": "CONJUNCTION"}], [{"head": "variação espacial e temporal de intensidade", "tail": "algoritmo", "relation": "USED-FOR"}, {"head": "primeira", "tail": "pistas", "relation": "HYPONYM-OF"}, {"head": "primeira", "tail": "fluxo", "relation": "USED-FOR"}, {"head": "primeira", "tail": "segunda", "relation": "CONJUNCTION"}, {"head": "segunda", "tail": "pistas", "relation": "HYPONYM-OF"}, {"head": "segunda", "tail": "orientação da superfície", "relation": "USED-FOR"}, {"head": "pistas", "tail": "reconstrução densa de superfícies texturizadas e sem textura", "relation": "USED-FOR"}], [{"head": "estimar parâmetros afins da câmara, iluminação, forma e albedo", "tail": "algoritmo", "relation": "USED-FOR"}], []], "clusters": [["calcular fluxo ótico, forma, movimento, iluminação e albedo", "problema"], ["algoritmo", "algoritmo", "algoritmo"], ["variação espacial e temporal de intensidade", "pistas", "pistas"]]}
{"doc_id": "C04-1096", "text": "Trabalhos anteriores sobre a geração de expressões referenciais utilizaram principalmente atributos de objetos e relações binárias entre objetos. No entanto, tal abordagem não funciona bem quando não há nenhum atributo distintivo entre os objetos. Para ultrapassar esta limitação, este artigo propõe um método que utiliza os grupos percetivos de objetos e relações n-árias entre eles. A chave é identificar grupos de objetos que são naturalmente reconhecidos pelos humanos. Realizámos experiências psicológicas com 42 participantes para recolher expressões referenciais em tais situações e construímos um algoritmo de geração baseado nos resultados. A avaliação realizada com outros 23 participantes mostrou que o método proposto consegue gerar de forma eficaz expressões referenciais adequadas.", "ner": [[{"text": "expressões referenciais", "type": "OtherScientificTerm"}, {"text": "relações binárias", "type": "OtherScientificTerm"}], [], [{"text": "relações n-árias", "type": "OtherScientificTerm"}], [], [{"text": "expressões referenciais", "type": "OtherScientificTerm"}, {"text": "algoritmo de geração", "type": "Method"}], [{"text": "método", "type": "Generic"}, {"text": "expressões referenciais", "type": "OtherScientificTerm"}]], "relations": [[], [], [], [], [], []], "clusters": [["algoritmo de geração", "método"]]}
{"doc_id": "P84-1047", "text": "É proposto um método orientado a entidades para a análise sintáctica em domínio restrito. Nesta abordagem, as definições da estrutura e representação de superfície das entidades do domínio são agrupadas. Tal como a gramática semântica, isto permite uma fácil exploração da semântica de domínio limitada. Além disso, facilita o reconhecimento fragmentário e a utilização de múltiplas estratégias de análise sintáctica e, por isso, é particularmente útil para o reconhecimento de entrada extra‑gramatical robusto. São igualmente notadas várias vantagens do ponto de vista da definição de linguagem. São apresentadas amostras representativas de uma definição de linguagem orientada a entidades, juntamente com uma estrutura de controlo para um analisador orientado a entidades, algumas estratégias de análise sintáctica que utilizam a estrutura de controlo e exemplos trabalhados de análises. Encontra‑se actualmente em implementação um analisador que incorpora a estrutura de controlo e as estratégias de análise sintáctica.", "ner": [[{"text": "método orientado a entidades", "type": "Method"}, {"text": "análise sintáctica em domínio restrito", "type": "Task"}], [{"text": "abordagem", "type": "Generic"}, {"text": "estrutura e representação de superfície das entidades do domínio", "type": "OtherScientificTerm"}], [{"text": "gramática semântica", "type": "Method"}, {"text": "isto", "type": "Generic"}, {"text": "semântica de domínio limitada", "type": "OtherScientificTerm"}], [{"text": "isto", "type": "Generic"}, {"text": "reconhecimento fragmentário", "type": "Task"}, {"text": "múltiplas estratégias de análise sintáctica", "type": "Method"}, {"text": "reconhecimento de entrada extra‑gramatical", "type": "OtherScientificTerm"}], [], [{"text": "definição de linguagem orientada a entidades", "type": "OtherScientificTerm"}, {"text": "estrutura de controlo", "type": "OtherScientificTerm"}, {"text": "analisador orientado a entidades", "type": "Method"}, {"text": "estratégias de análise sintáctica", "type": "Method"}, {"text": "estrutura de controlo", "type": "OtherScientificTerm"}], [{"text": "analisador", "type": "Method"}, {"text": "estrutura de controlo", "type": "OtherScientificTerm"}, {"text": "estratégias de análise sintáctica", "type": "Method"}]], "relations": [[{"head": "método orientado a entidades", "tail": "análise sintáctica em domínio restrito", "relation": "USED-FOR"}], [], [{"head": "isto", "tail": "semântica de domínio limitada", "relation": "USED-FOR"}], [{"head": "isto", "tail": "reconhecimento fragmentário", "relation": "USED-FOR"}, {"head": "isto", "tail": "múltiplas estratégias de análise sintáctica", "relation": "USED-FOR"}, {"head": "múltiplas estratégias de análise sintáctica", "tail": "reconhecimento de entrada extra‑gramatical", "relation": "USED-FOR"}], [], [{"head": "estrutura de controlo", "tail": "analisador orientado a entidades", "relation": "USED-FOR"}, {"head": "estrutura de controlo", "tail": "estratégias de análise sintáctica", "relation": "USED-FOR"}], [{"head": "estrutura de controlo", "tail": "analisador", "relation": "PART-OF"}]], "clusters": [["isto", "isto"], ["método orientado a entidades", "abordagem"], ["estratégias de análise sintáctica", "estratégias de análise sintáctica"], ["estrutura de controlo", "estrutura de controlo", "estrutura de controlo"]]}
{"doc_id": "C88-1066", "text": "Este artigo resume o formalismo das Restrições de Coocorrência de Categorias -LRB- RCCs -RRB- e descreve dois algoritmos de análise sintática que o interpretam. As RCCs são condições Booleanas sobre a coocorrência de categorias em árvores locais que permitem a formulação de generalizações que não podem ser capturadas noutros formalismos sintácticos atuais. A utilização de RCCs conduz a descrições sintácticas formuladas inteiramente com enunciados restritivos. O artigo mostra como algoritmos convencionais para a análise de linguagens livres de contexto podem ser adaptados ao formalismo de RCC. É dada especial atenção à parte do analisador sintático que verifica o cumprimento de condições lógicas de boa formação em árvores.", "ner": [[{"text": "formalismo das Restrições de Coocorrência de Categorias -LRB- RCCs -RRB-", "type": "Task"}, {"text": "Restrições de Coocorrência de Categorias -LRB- RCCs -RRB-", "type": "OtherScientificTerm"}, {"text": "algoritmos de análise sintática", "type": "Method"}, {"text": "o", "type": "Generic"}], [{"text": "RCCs", "type": "OtherScientificTerm"}, {"text": "condições Booleanas", "type": "OtherScientificTerm"}, {"text": "árvores locais", "type": "OtherScientificTerm"}, {"text": "formulação de generalizações", "type": "OtherScientificTerm"}, {"text": "formalismos sintácticos", "type": "Method"}], [{"text": "RCCs", "type": "OtherScientificTerm"}, {"text": "descrições sintácticas", "type": "OtherScientificTerm"}, {"text": "enunciados restritivos", "type": "OtherScientificTerm"}], [{"text": "algoritmos", "type": "Generic"}, {"text": "linguagens livres de contexto", "type": "Material"}, {"text": "formalismo de RCC", "type": "Task"}], [{"text": "analisador sintático", "type": "Method"}, {"text": "condições lógicas de boa formação", "type": "OtherScientificTerm"}, {"text": "árvores", "type": "OtherScientificTerm"}]], "relations": [[{"head": "algoritmos de análise sintática", "tail": "o", "relation": "USED-FOR"}], [], [{"head": "enunciados restritivos", "tail": "descrições sintácticas", "relation": "FEATURE-OF"}], [{"head": "algoritmos", "tail": "formalismo de RCC", "relation": "USED-FOR"}, {"head": "linguagens livres de contexto", "tail": "algoritmos", "relation": "USED-FOR"}], [{"head": "condições lógicas de boa formação", "tail": "árvores", "relation": "FEATURE-OF"}]], "clusters": [["Restrições de Coocorrência de Categorias -LRB- RCCs -RRB-", "RCCs", "RCCs"], ["algoritmos de análise sintática", "algoritmos", "analisador sintático"], ["formalismo das Restrições de Coocorrência de Categorias -LRB- RCCs -RRB-", "formalismo de RCC"]]}
{"doc_id": "C04-1116", "text": "Apresentamos um método de mineração de texto para encontrar expressões sinónimas com base na hipótese distribucional num conjunto de corpora coerentes. Este artigo propõe uma nova metodologia para melhorar a precisão de um sistema de agregação de termos utilizando o texto de cada autor como um corpus coerente. A nossa abordagem baseia-se na ideia de que uma pessoa tende a usar uma expressão para um significado. De acordo com a nossa suposição, a maioria das palavras com características de contexto semelhantes no corpus de cada autor tende a não ser expressões sinónimas. O nosso método proposto melhora a precisão do nosso sistema de agregação de termos, mostrando que a nossa abordagem é bem-sucedida.", "ner": [[{"text": "método de mineração de texto", "type": "Method"}, {"text": "expressões sinónimas", "type": "OtherScientificTerm"}, {"text": "hipótese distribucional", "type": "OtherScientificTerm"}], [{"text": "metodologia", "type": "Generic"}, {"text": "precisão", "type": "Metric"}, {"text": "sistema de agregação de termos", "type": "Method"}], [{"text": "abordagem", "type": "Generic"}], [{"text": "características de contexto semelhantes", "type": "OtherScientificTerm"}, {"text": "expressões sinónimas", "type": "OtherScientificTerm"}], [{"text": "método", "type": "Generic"}, {"text": "precisão", "type": "Metric"}, {"text": "sistema de agregação de termos", "type": "Method"}, {"text": "abordagem", "type": "Generic"}]], "relations": [[{"head": "método de mineração de texto", "tail": "expressões sinónimas", "relation": "USED-FOR"}, {"head": "hipótese distribucional", "tail": "método de mineração de texto", "relation": "USED-FOR"}], [{"head": "precisão", "tail": "sistema de agregação de termos", "relation": "EVALUATE-FOR"}, {"head": "sistema de agregação de termos", "tail": "metodologia", "relation": "EVALUATE-FOR"}], [], [], [{"head": "precisão", "tail": "sistema de agregação de termos", "relation": "EVALUATE-FOR"}, {"head": "sistema de agregação de termos", "tail": "método", "relation": "EVALUATE-FOR"}]], "clusters": [["sistema de agregação de termos", "sistema de agregação de termos"], ["método de mineração de texto", "metodologia", "abordagem", "método", "abordagem"]]}
{"doc_id": "ICCV_2009_47_abs", "text": "Neste trabalho, apresentamos uma técnica para estimação robusta que, ao incorporar explicitamente a incerteza inerente ao procedimento de estimação, resulta num algoritmo de estimação robusta mais eficiente. Além disso, baseamo-nos em trabalho recente em verificação aleatorizada de modelos e usamos isto para caracterizar a 'não‑aleatoriedade' de uma solução. A combinação destas duas estratégias resulta num procedimento de estimação robusta que proporciona uma aceleração significativa em relação às técnicas RANSAC existentes, sem exigir qualquer informação prévia para orientar o processo de amostragem. Em particular, o nosso algoritmo requer, em média, de 3 a 10 vezes menos amostras do que o RANSAC padrão, o que está em estreita concordância com as previsões teóricas. A eficiência do algoritmo é demonstrada numa seleção de problemas de estimação geométrica.", "ner": [[{"text": "técnica", "type": "Generic"}, {"text": "estimação robusta", "type": "Task"}, {"text": "incerteza inerente ao procedimento de estimação", "type": "OtherScientificTerm"}, {"text": "algoritmo de estimação robusta mais eficiente", "type": "Method"}], [{"text": "verificação aleatorizada de modelos", "type": "Task"}, {"text": "isto", "type": "Generic"}], [{"text": "estratégias", "type": "Generic"}, {"text": "procedimento de estimação robusta", "type": "Method"}, {"text": "técnicas RANSAC", "type": "Method"}, {"text": "informação prévia", "type": "OtherScientificTerm"}, {"text": "processo de amostragem", "type": "OtherScientificTerm"}], [{"text": "algoritmo", "type": "Generic"}, {"text": "RANSAC", "type": "Method"}, {"text": "previsões teóricas", "type": "OtherScientificTerm"}], [{"text": "algoritmo", "type": "Generic"}, {"text": "problemas de estimação geométrica", "type": "Task"}]], "relations": [[{"head": "técnica", "tail": "estimação robusta", "relation": "USED-FOR"}, {"head": "técnica", "tail": "algoritmo de estimação robusta mais eficiente", "relation": "USED-FOR"}, {"head": "incerteza inerente ao procedimento de estimação", "tail": "técnica", "relation": "USED-FOR"}], [], [{"head": "estratégias", "tail": "procedimento de estimação robusta", "relation": "USED-FOR"}, {"head": "técnicas RANSAC", "tail": "procedimento de estimação robusta", "relation": "COMPARE"}], [{"head": "algoritmo", "tail": "RANSAC", "relation": "COMPARE"}], [{"head": "problemas de estimação geométrica", "tail": "algoritmo", "relation": "EVALUATE-FOR"}]], "clusters": [["algoritmo de estimação robusta mais eficiente", "procedimento de estimação robusta", "algoritmo", "algoritmo"], ["técnicas RANSAC", "RANSAC"], ["verificação aleatorizada de modelos", "isto"]]}
{"doc_id": "C80-1073", "text": "Foi feita uma tentativa de utilizar uma Augmented Transition Network como um modelo de diálogo processual. O desenvolvimento de tal modelo parece ser importante em vários aspetos: como um dispositivo para representar e utilizar diferentes esquemas de diálogo propostos na análise de conversação empírica; como um dispositivo para representar e utilizar modelos de interação verbal; como um dispositivo que combina conhecimento sobre esquemas de diálogo e sobre interação verbal com conhecimento sobre diálogos orientados para tarefas e dirigidos por objetivos. Uma ATN padrão deve ser desenvolvida adicionalmente de modo a dar conta das interações verbais de diálogos orientados para tarefas.", "ner": [[{"text": "Augmented Transition Network", "type": "Method"}, {"text": "modelo de diálogo", "type": "Method"}], [{"text": "modelo", "type": "Generic"}, {"text": "dispositivo", "type": "Generic"}, {"text": "esquemas de diálogo", "type": "OtherScientificTerm"}, {"text": "análise de conversação", "type": "Method"}, {"text": "dispositivo", "type": "Generic"}, {"text": "modelos", "type": "Generic"}, {"text": "interação verbal", "type": "OtherScientificTerm"}, {"text": "dispositivo", "type": "Generic"}, {"text": "esquemas de diálogo", "type": "OtherScientificTerm"}, {"text": "interação verbal", "type": "OtherScientificTerm"}, {"text": "diálogos orientados para tarefas e dirigidos por objetivos", "type": "Material"}], [{"text": "ATN", "type": "Method"}, {"text": "interações verbais", "type": "OtherScientificTerm"}, {"text": "diálogos orientados para tarefas", "type": "Material"}]], "relations": [[{"head": "Augmented Transition Network", "tail": "modelo de diálogo", "relation": "HYPONYM-OF"}], [{"head": "esquemas de diálogo", "tail": "dispositivo", "relation": "USED-FOR"}, {"head": "esquemas de diálogo", "tail": "análise de conversação", "relation": "USED-FOR"}, {"head": "modelos", "tail": "dispositivo", "relation": "USED-FOR"}, {"head": "modelos", "tail": "interação verbal", "relation": "USED-FOR"}, {"head": "esquemas de diálogo", "tail": "interação verbal", "relation": "CONJUNCTION"}], [{"head": "ATN", "tail": "interações verbais", "relation": "USED-FOR"}, {"head": "interações verbais", "tail": "diálogos orientados para tarefas", "relation": "FEATURE-OF"}]], "clusters": [["interação verbal", "interação verbal", "interações verbais"], ["Augmented Transition Network", "modelo", "dispositivo", "dispositivo", "dispositivo", "ATN"], ["esquemas de diálogo", "esquemas de diálogo"]]}
{"doc_id": "H05-1041", "text": "Apresentamos um método de aprendizagem praticamente não supervisionado para produzir respostas de um único excerto a perguntas de definição em sistemas de resposta a perguntas que complementam motores de pesquisa na Web. O método explora enciclopédias e dicionários em linha para gerar automaticamente um número arbitrariamente grande de exemplos positivos e negativos de definição, que são depois usados para treinar um SVM a separar as duas classes. Mostramos experimentalmente que o método proposto é viável, que ele supera a alternativa de treinar o sistema em perguntas e artigos noticiosos do TREC, e ele que ajuda o motor de pesquisa a tratar perguntas de definição de forma significativamente melhor.", "ner": [[{"text": "método de aprendizagem praticamente não supervisionado", "type": "Method"}, {"text": "respostas de um único excerto", "type": "OtherScientificTerm"}, {"text": "sistemas de resposta a perguntas", "type": "Method"}, {"text": "motores de pesquisa na Web", "type": "Method"}], [{"text": "método", "type": "Generic"}, {"text": "enciclopédias e dicionários em linha", "type": "Material"}, {"text": "exemplos positivos e negativos de definição", "type": "Material"}, {"text": "SVM", "type": "Method"}], [{"text": "método", "type": "Generic"}, {"text": "ele", "type": "Generic"}, {"text": "alternativa", "type": "Generic"}, {"text": "sistema", "type": "Generic"}, {"text": "artigos noticiosos", "type": "Material"}, {"text": "TREC", "type": "Material"}, {"text": "ele", "type": "Generic"}, {"text": "motor de pesquisa", "type": "Method"}]], "relations": [[{"head": "método de aprendizagem praticamente não supervisionado", "tail": "respostas de um único excerto", "relation": "USED-FOR"}, {"head": "sistemas de resposta a perguntas", "tail": "motores de pesquisa na Web", "relation": "USED-FOR"}], [{"head": "método", "tail": "enciclopédias e dicionários em linha", "relation": "USED-FOR"}, {"head": "enciclopédias e dicionários em linha", "tail": "exemplos positivos e negativos de definição", "relation": "USED-FOR"}, {"head": "exemplos positivos e negativos de definição", "tail": "SVM", "relation": "USED-FOR"}], [{"head": "ele", "tail": "alternativa", "relation": "COMPARE"}, {"head": "artigos noticiosos", "tail": "sistema", "relation": "USED-FOR"}, {"head": "artigos noticiosos", "tail": "TREC", "relation": "PART-OF"}, {"head": "ele", "tail": "motor de pesquisa", "relation": "USED-FOR"}]], "clusters": [["método de aprendizagem praticamente não supervisionado", "método", "método", "ele", "ele"], ["motores de pesquisa na Web", "motor de pesquisa"], ["sistemas de resposta a perguntas", "sistema"]]}
{"doc_id": "NIPS_2014_18_abs", "text": "Revisitamos o problema clássico de teoria da decisão de votação ponderada de peritos a partir de uma perspetiva de aprendizagem estatística. Em particular, examinamos a consistência (tanto assintótica como finita) da regra ótima de maioria ponderada de Nitzan-Paroush e regras relacionadas. No caso de níveis de competência dos peritos conhecidos, fornecemos estimativas rigorosas do erro para a regra ótima. Quando os níveis de competência são desconhecidos, estes têm de ser estimados empiricamente. Fornecemos análises frequentistas e bayesianas para esta situação. Algumas das nossas técnicas de demonstração são não padronizadas e podem ser de interesse independente. Os limites que derivamos são quase ótimos e são colocados vários problemas em aberto desafiantes. São apresentados resultados experimentais para ilustrar a teoria.", "ner": [[{"text": "problema clássico de teoria da decisão de votação ponderada de peritos", "type": "Task"}, {"text": "perspetiva de aprendizagem estatística", "type": "Method"}], [{"text": "maioria ponderada de Nitzan-Paroush", "type": "OtherScientificTerm"}], [{"text": "níveis de competência dos peritos", "type": "OtherScientificTerm"}, {"text": "estimativas rigorosas do erro", "type": "Method"}, {"text": "regra ótima", "type": "OtherScientificTerm"}], [{"text": "níveis de competência", "type": "OtherScientificTerm"}], [{"text": "análises frequentistas e bayesianas", "type": "Method"}], [], [], []], "relations": [[{"head": "perspetiva de aprendizagem estatística", "tail": "problema clássico de teoria da decisão de votação ponderada de peritos", "relation": "USED-FOR"}], [], [{"head": "estimativas rigorosas do erro", "tail": "regra ótima", "relation": "USED-FOR"}], [], [], [], [], []], "clusters": []}
{"doc_id": "NIPS_2014_10_abs", "text": "Analisamos uma versão reponderada da aproximação de Kikuchi para estimar a função de partição logarítmica de uma distribuição produto definida sobre um grafo de regiões. Estabelecemos condições suficientes para a concavidade da nossa função objetivo reponderada em termos de atribuições de pesos na expansão de Kikuchi, e mostramos que uma versão reponderada do algoritmo de soma‑produto aplicada ao grafo de regiões de Kikuchi produzirá ótimos globais da aproximação de Kikuchi sempre que o algoritmo convergir. Quando o grafo de regiões tem duas camadas, correspondendo a uma aproximação de Bethe, mostramos que as nossas condições suficientes para concavidade são também necessárias. Finalmente, fornecemos uma caracterização explícita do politopo de concavidade em termos da estrutura de ciclos do grafo de regiões. Concluímos com simulações que demonstram as vantagens da abordagem de Kikuchi reponderada.", "ner": [[{"text": "versão reponderada da aproximação de Kikuchi", "type": "Method"}, {"text": "aproximação de Kikuchi", "type": "Method"}, {"text": "função de partição logarítmica de uma distribuição produto", "type": "Task"}, {"text": "grafo de regiões", "type": "OtherScientificTerm"}], [{"text": "concavidade", "type": "OtherScientificTerm"}, {"text": "função objetivo reponderada", "type": "OtherScientificTerm"}, {"text": "atribuições de pesos", "type": "OtherScientificTerm"}, {"text": "expansão de Kikuchi", "type": "OtherScientificTerm"}, {"text": "versão reponderada do algoritmo de soma‑produto", "type": "Method"}, {"text": "grafo de regiões de Kikuchi", "type": "OtherScientificTerm"}, {"text": "ótimos globais", "type": "OtherScientificTerm"}, {"text": "aproximação de Kikuchi", "type": "Method"}, {"text": "algoritmo", "type": "Generic"}], [{"text": "grafo de regiões", "type": "OtherScientificTerm"}, {"text": "aproximação de Bethe", "type": "Method"}, {"text": "concavidade", "type": "OtherScientificTerm"}], [{"text": "concavidade", "type": "OtherScientificTerm"}, {"text": "estrutura de ciclos", "type": "OtherScientificTerm"}, {"text": "grafo de regiões", "type": "OtherScientificTerm"}], [{"text": "abordagem de Kikuchi reponderada", "type": "Method"}]], "relations": [[{"head": "versão reponderada da aproximação de Kikuchi", "tail": "função de partição logarítmica de uma distribuição produto", "relation": "USED-FOR"}, {"head": "função de partição logarítmica de uma distribuição produto", "tail": "grafo de regiões", "relation": "FEATURE-OF"}], [{"head": "concavidade", "tail": "função objetivo reponderada", "relation": "FEATURE-OF"}, {"head": "versão reponderada do algoritmo de soma‑produto", "tail": "grafo de regiões de Kikuchi", "relation": "USED-FOR"}, {"head": "ótimos globais", "tail": "aproximação de Kikuchi", "relation": "FEATURE-OF"}], [], [{"head": "estrutura de ciclos", "tail": "grafo de regiões", "relation": "FEATURE-OF"}], []], "clusters": [["versão reponderada do algoritmo de soma‑produto", "algoritmo"], ["aproximação de Kikuchi", "aproximação de Kikuchi"], ["versão reponderada da aproximação de Kikuchi", "abordagem de Kikuchi reponderada"]]}
{"doc_id": "P03-1022", "text": "Aplicamos uma abordagem baseada em árvores de decisão à resolução de pronomes em diálogo falado. O nosso sistema lida com pronomes com antecedentes SN e não-SN. Apresentamos um conjunto de características concebidas para a resolução de pronomes em diálogo falado e determinamos as características mais promissoras. Avaliamos o sistema em vinte diálogos Switchboard e mostramos que ele se compara favoravelmente com o sistema ajustado manualmente de Byron (2002).", "ner": [[{"text": "abordagem baseada em árvores de decisão", "type": "Method"}, {"text": "resolução de pronomes", "type": "Task"}, {"text": "diálogo falado", "type": "Task"}], [{"text": "sistema", "type": "Generic"}, {"text": "pronomes", "type": "OtherScientificTerm"}, {"text": "antecedentes SN e não-SN", "type": "OtherScientificTerm"}], [{"text": "características", "type": "OtherScientificTerm"}, {"text": "resolução de pronomes", "type": "Task"}, {"text": "diálogo falado", "type": "Task"}, {"text": "características", "type": "OtherScientificTerm"}], [{"text": "sistema", "type": "Generic"}, {"text": "diálogos Switchboard", "type": "Material"}, {"text": "ele", "type": "Generic"}, {"text": "sistema ajustado manualmente de Byron (2002)", "type": "Method"}]], "relations": [[{"head": "abordagem baseada em árvores de decisão", "tail": "resolução de pronomes", "relation": "USED-FOR"}, {"head": "resolução de pronomes", "tail": "diálogo falado", "relation": "USED-FOR"}], [{"head": "sistema", "tail": "pronomes", "relation": "USED-FOR"}, {"head": "antecedentes SN e não-SN", "tail": "pronomes", "relation": "USED-FOR"}], [{"head": "características", "tail": "resolução de pronomes", "relation": "USED-FOR"}, {"head": "resolução de pronomes", "tail": "diálogo falado", "relation": "USED-FOR"}], [{"head": "diálogos Switchboard", "tail": "sistema", "relation": "EVALUATE-FOR"}, {"head": "ele", "tail": "sistema ajustado manualmente de Byron (2002)", "relation": "COMPARE"}]], "clusters": [["resolução de pronomes", "resolução de pronomes"], ["diálogo falado", "diálogo falado"], ["abordagem baseada em árvores de decisão", "sistema", "sistema", "ele"]]}
{"doc_id": "CVPR_2010_10_abs", "text": "Apresentamos uma nova abordagem para construir um classificador eficiente e robusto para o problema de duas classes, que localiza objetos que podem aparecer na imagem sob diferentes orientações. Em contraste com outros trabalhos que abordam este problema usando múltiplos classificadores, cada um especializado para uma orientação específica, propomos uma abordagem simples em duas etapas, com uma fase de estimação e uma fase de classificação. O estimador produz um conjunto inicial de potenciais poses de objetos que são depois validadas pelo classificador. Esta metodologia permite reduzir a complexidade temporal do algoritmo, mantendo elevados os resultados de classificação. O classificador que usamos em ambas as fases baseia-se numa combinação reforçada de Samambaias Aleatórias sobre histogramas locais de gradientes orientados -LRB- HOGs -RRB-, que calculamos durante uma etapa de pré-processamento. Tanto o uso de aprendizagem supervisionada como o trabalho no espaço de gradiente tornam a nossa abordagem robusta, sendo ao mesmo tempo eficiente em tempo de execução. Demonstramos estas propriedades através de testes exaustivos em bases de dados padrão e numa nova base de dados composta por motas sob rotações planares, e com condições desafiantes tais como fundos com desordem, condições de iluminação cambiantes e oclusões parciais.", "ner": [[{"text": "abordagem", "type": "Generic"}, {"text": "classificador", "type": "Method"}, {"text": "problema de duas classes", "type": "Task"}, {"text": "imagem", "type": "Material"}, {"text": "orientações", "type": "OtherScientificTerm"}], [{"text": "problema", "type": "Generic"}, {"text": "classificadores", "type": "Method"}, {"text": "abordagem", "type": "Generic"}, {"text": "fase de estimação", "type": "Method"}, {"text": "fase de classificação", "type": "Method"}], [{"text": "estimador", "type": "Method"}, {"text": "poses de objetos", "type": "OtherScientificTerm"}, {"text": "classificador", "type": "Method"}], [{"text": "complexidade temporal", "type": "Metric"}, {"text": "algoritmo", "type": "Generic"}, {"text": "classificação", "type": "Task"}], [{"text": "classificador", "type": "Method"}, {"text": "combinação reforçada de Samambaias Aleatórias", "type": "Method"}, {"text": "histogramas locais de gradientes orientados -LRB- HOGs -RRB-", "type": "OtherScientificTerm"}, {"text": "etapa de pré-processamento", "type": "Method"}], [{"text": "aprendizagem supervisionada", "type": "Method"}, {"text": "espaço de gradiente", "type": "OtherScientificTerm"}, {"text": "abordagem", "type": "Generic"}], [{"text": "base de dados", "type": "Generic"}, {"text": "motas sob rotações planares", "type": "Material"}, {"text": "condições", "type": "Generic"}, {"text": "fundos com desordem", "type": "OtherScientificTerm"}, {"text": "condições de iluminação cambiantes", "type": "OtherScientificTerm"}, {"text": "oclusões parciais", "type": "OtherScientificTerm"}]], "relations": [[{"head": "abordagem", "tail": "classificador", "relation": "USED-FOR"}, {"head": "classificador", "tail": "problema de duas classes", "relation": "USED-FOR"}], [{"head": "fase de estimação", "tail": "abordagem", "relation": "PART-OF"}, {"head": "fase de estimação", "tail": "fase de classificação", "relation": "CONJUNCTION"}, {"head": "fase de classificação", "tail": "abordagem", "relation": "PART-OF"}], [{"head": "classificador", "tail": "poses de objetos", "relation": "USED-FOR"}], [{"head": "complexidade temporal", "tail": "algoritmo", "relation": "EVALUATE-FOR"}], [{"head": "combinação reforçada de Samambaias Aleatórias", "tail": "classificador", "relation": "USED-FOR"}, {"head": "histogramas locais de gradientes orientados -LRB- HOGs -RRB-", "tail": "combinação reforçada de Samambaias Aleatórias", "relation": "FEATURE-OF"}, {"head": "etapa de pré-processamento", "tail": "histogramas locais de gradientes orientados -LRB- HOGs -RRB-", "relation": "USED-FOR"}], [{"head": "aprendizagem supervisionada", "tail": "abordagem", "relation": "USED-FOR"}, {"head": "espaço de gradiente", "tail": "abordagem", "relation": "USED-FOR"}], [{"head": "motas sob rotações planares", "tail": "base de dados", "relation": "FEATURE-OF"}, {"head": "condições", "tail": "base de dados", "relation": "FEATURE-OF"}, {"head": "fundos com desordem", "tail": "condições", "relation": "HYPONYM-OF"}, {"head": "fundos com desordem", "tail": "condições de iluminação cambiantes", "relation": "CONJUNCTION"}, {"head": "condições de iluminação cambiantes", "tail": "condições", "relation": "HYPONYM-OF"}, {"head": "condições de iluminação cambiantes", "tail": "oclusões parciais", "relation": "CONJUNCTION"}, {"head": "oclusões parciais", "tail": "condições", "relation": "HYPONYM-OF"}]], "clusters": [["abordagem", "abordagem", "algoritmo", "abordagem"], ["fase de estimação", "estimador"], ["problema de duas classes", "problema"], ["fase de classificação", "classificador", "classificador"]]}
{"doc_id": "H91-1010", "text": "O que se segue descreve trabalho recente sobre o sistema Lincoln CSR. Algumas novas variações na modelização de semifones foram testadas. Um modelo de duração muito simples e melhorado reduziu a taxa de erro em cerca de 10 % em ambos os sistemas de trifones e de semifones. Foi testada uma nova estratégia de treino que, por si só, não proporcionou melhorias úteis, mas sugere que podem ser obtidas melhorias através de uma técnica de adaptação rápida relacionada. Finalmente, o reconhecedor foi modificado para usar modelos de linguagem bigram com retrocesso. O sistema foi depois transferido da tarefa RM para a tarefa ATIS CSR e foi realizado um número limitado de testes de desenvolvimento. São apresentados resultados de testes de avaliação para ambas as tarefas RM e ATIS CSR.", "ner": [[{"text": "sistema Lincoln CSR", "type": "Method"}], [{"text": "modelização de semifones", "type": "Method"}], [{"text": "modelo de duração", "type": "Method"}, {"text": "taxa de erro", "type": "Metric"}, {"text": "sistemas de trifones e de semifones", "type": "Method"}], [{"text": "estratégia de treino", "type": "Method"}, {"text": "técnica de adaptação rápida", "type": "Method"}], [{"text": "reconhecedor", "type": "Method"}, {"text": "modelos de linguagem bigram com retrocesso", "type": "Method"}], [{"text": "sistema", "type": "Generic"}, {"text": "tarefa RM", "type": "Task"}, {"text": "tarefa ATIS CSR", "type": "Task"}], [{"text": "tarefas RM e ATIS CSR", "type": "Task"}]], "relations": [[], [], [{"head": "modelo de duração", "tail": "sistemas de trifones e de semifones", "relation": "USED-FOR"}, {"head": "taxa de erro", "tail": "sistemas de trifones e de semifones", "relation": "EVALUATE-FOR"}], [{"head": "técnica de adaptação rápida", "tail": "estratégia de treino", "relation": "USED-FOR"}], [{"head": "modelos de linguagem bigram com retrocesso", "tail": "reconhecedor", "relation": "USED-FOR"}], [{"head": "sistema", "tail": "tarefa RM", "relation": "USED-FOR"}, {"head": "sistema", "tail": "tarefa ATIS CSR", "relation": "USED-FOR"}, {"head": "tarefa RM", "tail": "tarefa ATIS CSR", "relation": "CONJUNCTION"}], []], "clusters": [["sistema Lincoln CSR", "sistema"]]}
{"doc_id": "C88-2160", "text": "É proposta uma nova abordagem para Tradução Automática Interactiva em que o autor interage durante a criação ou a modificação do documento. A explicação de uma ambiguidade ou de um erro para fins de correcção não utiliza quaisquer conceitos da teoria linguística subjacente: é uma reformulação da frase errónea ou ambígua. A interacção está limitada à etapa de análise do processo de tradução. Este artigo apresenta um novo esquema interactivo de desambiguação baseado na reformulação das múltiplas saídas de um analisador sintáctico. São apresentados alguns exemplos de reformulação de frases ambíguas.", "ner": [[{"text": "abordagem", "type": "Generic"}, {"text": "Tradução Automática Interactiva", "type": "Task"}], [{"text": "teoria linguística", "type": "Method"}], [{"text": "processo de tradução", "type": "Method"}], [{"text": "esquema interactivo de desambiguação", "type": "Method"}, {"text": "reformulação", "type": "Method"}], []], "relations": [[{"head": "abordagem", "tail": "Tradução Automática Interactiva", "relation": "USED-FOR"}], [], [], [{"head": "reformulação", "tail": "esquema interactivo de desambiguação", "relation": "USED-FOR"}], []], "clusters": [["abordagem", "esquema interactivo de desambiguação"]]}
{"doc_id": "P05-1034", "text": "Descrevemos uma abordagem inovadora para a tradução automática estatística que combina informação sintáctica na língua de origem com avanços recentes na tradução frásica. Este método requer um analisador de dependências da língua de origem, segmentação em palavras na língua-alvo e um componente não supervisionado de alinhamento de palavras. Alinhamos um corpus paralelo, projetamos a análise de dependências da frase de origem na frase-alvo, extraímos pares de tradução de pequenos subárvores de dependências e treinamos um modelo de ordenação baseado em árvores. Descrevemos um descodificador eficiente e mostramos que a utilização destes modelos baseados em árvores em combinação com modelos SMT convencionais fornece uma abordagem promissora que incorpora o poder da SMT frásica com a generalidade linguística disponível num analisador.", "ner": [[{"text": "abordagem", "type": "Generic"}, {"text": "tradução automática estatística", "type": "Task"}, {"text": "informação sintáctica", "type": "OtherScientificTerm"}, {"text": "tradução frásica", "type": "Task"}], [{"text": "método", "type": "Generic"}, {"text": "analisador de dependências da língua de origem", "type": "Method"}, {"text": "segmentação em palavras na língua-alvo", "type": "Method"}, {"text": "componente não supervisionado de alinhamento de palavras", "type": "Method"}], [{"text": "corpus paralelo", "type": "Material"}, {"text": "análise de dependências da frase de origem", "type": "OtherScientificTerm"}, {"text": "pares de tradução de pequenos subárvores de dependências", "type": "OtherScientificTerm"}, {"text": "modelo de ordenação baseado em árvores", "type": "Method"}], [{"text": "descodificador", "type": "Method"}, {"text": "modelos baseados em árvores", "type": "Method"}, {"text": "modelos SMT", "type": "Method"}, {"text": "abordagem", "type": "Generic"}, {"text": "SMT frásica", "type": "Method"}, {"text": "generalidade linguística", "type": "OtherScientificTerm"}, {"text": "analisador", "type": "Method"}]], "relations": [[{"head": "abordagem", "tail": "tradução automática estatística", "relation": "USED-FOR"}, {"head": "informação sintáctica", "tail": "abordagem", "relation": "PART-OF"}, {"head": "informação sintáctica", "tail": "tradução frásica", "relation": "CONJUNCTION"}, {"head": "tradução frásica", "tail": "abordagem", "relation": "PART-OF"}], [{"head": "analisador de dependências da língua de origem", "tail": "método", "relation": "USED-FOR"}, {"head": "analisador de dependências da língua de origem", "tail": "segmentação em palavras na língua-alvo", "relation": "CONJUNCTION"}, {"head": "segmentação em palavras na língua-alvo", "tail": "método", "relation": "USED-FOR"}, {"head": "segmentação em palavras na língua-alvo", "tail": "componente não supervisionado de alinhamento de palavras", "relation": "CONJUNCTION"}, {"head": "componente não supervisionado de alinhamento de palavras", "tail": "método", "relation": "USED-FOR"}], [], [{"head": "modelos baseados em árvores", "tail": "modelos SMT", "relation": "CONJUNCTION"}, {"head": "modelos baseados em árvores", "tail": "abordagem", "relation": "USED-FOR"}, {"head": "modelos SMT", "tail": "abordagem", "relation": "USED-FOR"}, {"head": "SMT frásica", "tail": "generalidade linguística", "relation": "CONJUNCTION"}, {"head": "SMT frásica", "tail": "analisador", "relation": "USED-FOR"}, {"head": "generalidade linguística", "tail": "analisador", "relation": "FEATURE-OF"}]], "clusters": [["modelo de ordenação baseado em árvores", "modelos baseados em árvores"], ["abordagem", "método"]]}
{"doc_id": "CVPR_2011_292_abs", "text": "O vídeo fornece não apenas pistas visuais ricas, como movimento e aparência, mas também interações temporais de longo alcance entre objetos, muito menos exploradas. O nosso objetivo é captar tais interações e construir uma representação de vídeo de nível intermédio poderosa para reconhecimento subsequente. Motivados por este objetivo, procuramos obter uma sobre-segmentação espaço-temporal de um vídeo em regiões que respeitem os contornos dos objetos e, ao mesmo tempo, associem píxeis de objetos ao longo de muitos fotogramas de vídeo. As contribuições deste artigo são duas. Primeiro, desenvolvemos um algoritmo de segmentação espaço-temporal de vídeo, que é eficiente e que incorpora naturalmente pistas de movimento de longo alcance dos fotogramas passados e futuros sob a forma de agrupamentos de trajetórias de pontos com movimento coerente. Segundo, concebemos uma nova função de custo de agrupamento de trajetórias que inclui raciocínio sobre oclusões, sob a forma de restrições de ordenação em profundidade, bem como similaridade de movimento ao longo das trajetórias. Avaliamos a abordagem proposta num conjunto desafiante de sequências de vídeo de cenas de escritório retiradas de filmes de longa-metragem.", "ner": [[{"text": "vídeo", "type": "Material"}, {"text": "pistas visuais", "type": "OtherScientificTerm"}, {"text": "movimento", "type": "OtherScientificTerm"}, {"text": "aparência", "type": "OtherScientificTerm"}, {"text": "interações temporais de longo alcance", "type": "OtherScientificTerm"}], [{"text": "interações", "type": "Generic"}, {"text": "representação de vídeo de nível intermédio", "type": "Method"}, {"text": "reconhecimento", "type": "Task"}], [{"text": "sobre-segmentação espaço-temporal", "type": "OtherScientificTerm"}, {"text": "contornos dos objetos", "type": "OtherScientificTerm"}], [], [{"text": "algoritmo de segmentação espaço-temporal de vídeo", "type": "Method"}, {"text": "pistas de movimento de longo alcance", "type": "OtherScientificTerm"}, {"text": "agrupamentos de trajetórias de pontos", "type": "OtherScientificTerm"}], [{"text": "função de custo de agrupamento de trajetórias", "type": "Method"}, {"text": "raciocínio sobre oclusões", "type": "OtherScientificTerm"}, {"text": "restrições de ordenação em profundidade", "type": "OtherScientificTerm"}, {"text": "similaridade de movimento", "type": "OtherScientificTerm"}], [{"text": "abordagem", "type": "Generic"}, {"text": "sequências de vídeo de cenas de escritório", "type": "Material"}, {"text": "filmes", "type": "Material"}]], "relations": [[{"head": "pistas visuais", "tail": "vídeo", "relation": "FEATURE-OF"}, {"head": "movimento", "tail": "pistas visuais", "relation": "HYPONYM-OF"}, {"head": "movimento", "tail": "aparência", "relation": "CONJUNCTION"}, {"head": "aparência", "tail": "pistas visuais", "relation": "HYPONYM-OF"}], [{"head": "representação de vídeo de nível intermédio", "tail": "reconhecimento", "relation": "USED-FOR"}], [], [], [{"head": "pistas de movimento de longo alcance", "tail": "algoritmo de segmentação espaço-temporal de vídeo", "relation": "USED-FOR"}, {"head": "agrupamentos de trajetórias de pontos", "tail": "pistas de movimento de longo alcance", "relation": "USED-FOR"}], [{"head": "raciocínio sobre oclusões", "tail": "função de custo de agrupamento de trajetórias", "relation": "PART-OF"}, {"head": "restrições de ordenação em profundidade", "tail": "raciocínio sobre oclusões", "relation": "FEATURE-OF"}, {"head": "similaridade de movimento", "tail": "função de custo de agrupamento de trajetórias", "relation": "PART-OF"}], [{"head": "sequências de vídeo de cenas de escritório", "tail": "abordagem", "relation": "EVALUATE-FOR"}]], "clusters": [["interações temporais de longo alcance", "interações"]]}
{"doc_id": "ECCV_2012_40_abs", "text": "Neste artigo, introduzimos as características KAZE, um novo algoritmo multiescala 2D de deteção e descrição de características em espaços de escala não lineares. Abordagens anteriores detetam e descrevem características em diferentes níveis de escala construindo ou aproximando o espaço de escala Gaussiano de uma imagem. No entanto, o desfoque Gaussiano não respeita os limites naturais dos objetos e suaviza, no mesmo grau, tanto os detalhes como o ruído, reduzindo a precisão de localização e a distintividade. Em contraste, detetamos e descrevemos características 2D num espaço de escala não linear por meio de filtragem por difusão não linear. Desta forma, podemos tornar o desfoque localmente adaptativo aos dados da imagem, reduzindo o ruído mas preservando os limites dos objetos, obtendo uma precisão de localização e distintividade superiores. O espaço de escala não linear é construído usando técnicas de divisão de operador aditiva (Additive Operator Splitting -LRB- AOS -RRB-) e difusão de condutância variável. Apresentamos uma avaliação extensa em conjuntos de dados de referência e uma aplicação prática de correspondência em superfícies deformáveis. Embora as nossas características sejam algo mais dispendiosas de calcular do que o SURF devido à construção do espaço de escala não linear, mas comparáveis ao SIFT, os nossos resultados revelam um avanço em desempenho tanto na deteção como na descrição em relação a métodos de última geração anteriores.", "ner": [[{"text": "características KAZE", "type": "Method"}, {"text": "algoritmo multiescala 2D de deteção e descrição de características", "type": "Method"}, {"text": "espaços de escala não lineares", "type": "OtherScientificTerm"}], [{"text": "espaço de escala Gaussiano", "type": "OtherScientificTerm"}], [{"text": "desfoque Gaussiano", "type": "OtherScientificTerm"}, {"text": "limites dos objetos", "type": "OtherScientificTerm"}, {"text": "precisão de localização e distintividade", "type": "Metric"}], [{"text": "características 2D", "type": "Method"}, {"text": "espaço de escala não linear", "type": "OtherScientificTerm"}, {"text": "filtragem por difusão não linear", "type": "Method"}], [{"text": "dados da imagem", "type": "Material"}, {"text": "limites dos objetos", "type": "OtherScientificTerm"}, {"text": "precisão de localização e distintividade", "type": "Metric"}], [{"text": "espaço de escala não linear", "type": "OtherScientificTerm"}, {"text": "técnicas de divisão de operador aditiva (Additive Operator Splitting -LRB- AOS -RRB-)", "type": "Method"}, {"text": "difusão de condutância variável", "type": "Method"}], [{"text": "conjuntos de dados de referência", "type": "Material"}, {"text": "aplicação prática de correspondência em superfícies deformáveis", "type": "Task"}], [{"text": "características", "type": "Generic"}, {"text": "SURF", "type": "Method"}, {"text": "espaço de escala não linear", "type": "OtherScientificTerm"}, {"text": "SIFT", "type": "Method"}, {"text": "resultados", "type": "Generic"}, {"text": "deteção", "type": "Task"}, {"text": "descrição", "type": "Task"}, {"text": "métodos de última geração", "type": "Generic"}]], "relations": [[{"head": "características KAZE", "tail": "algoritmo multiescala 2D de deteção e descrição de características", "relation": "HYPONYM-OF"}, {"head": "espaços de escala não lineares", "tail": "algoritmo multiescala 2D de deteção e descrição de características", "relation": "FEATURE-OF"}], [], [], [{"head": "espaço de escala não linear", "tail": "características 2D", "relation": "FEATURE-OF"}, {"head": "filtragem por difusão não linear", "tail": "características 2D", "relation": "USED-FOR"}], [], [{"head": "técnicas de divisão de operador aditiva (Additive Operator Splitting -LRB- AOS -RRB-)", "tail": "espaço de escala não linear", "relation": "USED-FOR"}, {"head": "técnicas de divisão de operador aditiva (Additive Operator Splitting -LRB- AOS -RRB-)", "tail": "difusão de condutância variável", "relation": "CONJUNCTION"}, {"head": "difusão de condutância variável", "tail": "espaço de escala não linear", "relation": "USED-FOR"}], [], [{"head": "características", "tail": "SURF", "relation": "COMPARE"}, {"head": "características", "tail": "SIFT", "relation": "COMPARE"}, {"head": "resultados", "tail": "métodos de última geração", "relation": "COMPARE"}, {"head": "deteção", "tail": "resultados", "relation": "EVALUATE-FOR"}, {"head": "deteção", "tail": "descrição", "relation": "CONJUNCTION"}, {"head": "deteção", "tail": "métodos de última geração", "relation": "EVALUATE-FOR"}, {"head": "descrição", "tail": "resultados", "relation": "EVALUATE-FOR"}, {"head": "descrição", "tail": "métodos de última geração", "relation": "EVALUATE-FOR"}]], "clusters": [["características KAZE", "características 2D", "características", "resultados"], ["espaço de escala não linear", "espaço de escala não linear", "espaço de escala não linear"], ["precisão de localização e distintividade", "precisão de localização e distintividade"]]}
{"doc_id": "AAAI_2015_21_abs", "text": "Os documentos da Web Semântica que codificam factos sobre entidades na Web têm crescido rapidamente em tamanho e evoluído ao longo do tempo. A criação de resumos de documentos extensos da Web Semântica para a rápida identificação da entidade correspondente tem sido de grande interesse contemporâneo. Neste artigo, exploramos técnicas automáticas de sumarização que caracterizam e permitem a identificação de uma entidade e criam resumos que são fáceis de compreender para humanos. Especificamente, destacamos a importância de resumos diversificados (facetados) combinando três dimensões: diversidade, unicidade e popularidade. A nossa nova abordagem de sumarização de entidades sensível à diversidade imita técnicas humanas de agrupamento conceptual para agrupar factos e seleciona factos representativos de cada grupo para formar resumos concisos (isto é, curtos) e abrangentes (isto é, com melhor cobertura através da diversidade). Avaliamos a nossa abordagem em comparação com as técnicas mais avançadas e mostramos que o nosso trabalho melhora tanto a qualidade como a eficiência da sumarização de entidades.", "ner": [[{"text": "documentos da Web Semântica", "type": "Material"}], [{"text": "criação de resumos", "type": "Task"}, {"text": "documentos extensos da Web Semântica", "type": "Material"}, {"text": "identificação da entidade correspondente", "type": "Task"}], [{"text": "técnicas automáticas de sumarização", "type": "Method"}], [{"text": "resumos diversificados (facetados)", "type": "OtherScientificTerm"}, {"text": "diversidade", "type": "OtherScientificTerm"}, {"text": "unicidade", "type": "OtherScientificTerm"}, {"text": "popularidade", "type": "OtherScientificTerm"}], [{"text": "abordagem de sumarização de entidades sensível à diversidade", "type": "Method"}, {"text": "técnicas humanas de agrupamento conceptual", "type": "Method"}], [{"text": "abordagem", "type": "Generic"}, {"text": "técnicas mais avançadas", "type": "Generic"}, {"text": "qualidade", "type": "Metric"}, {"text": "eficiência", "type": "Metric"}, {"text": "sumarização de entidades", "type": "Task"}]], "relations": [[], [{"head": "criação de resumos", "tail": "identificação da entidade correspondente", "relation": "USED-FOR"}, {"head": "documentos extensos da Web Semântica", "tail": "criação de resumos", "relation": "USED-FOR"}], [], [{"head": "diversidade", "tail": "resumos diversificados (facetados)", "relation": "FEATURE-OF"}, {"head": "diversidade", "tail": "unicidade", "relation": "CONJUNCTION"}, {"head": "unicidade", "tail": "resumos diversificados (facetados)", "relation": "FEATURE-OF"}, {"head": "unicidade", "tail": "popularidade", "relation": "CONJUNCTION"}, {"head": "popularidade", "tail": "resumos diversificados (facetados)", "relation": "FEATURE-OF"}], [{"head": "técnicas humanas de agrupamento conceptual", "tail": "abordagem de sumarização de entidades sensível à diversidade", "relation": "USED-FOR"}], [{"head": "abordagem", "tail": "sumarização de entidades", "relation": "USED-FOR"}, {"head": "técnicas mais avançadas", "tail": "abordagem", "relation": "COMPARE"}, {"head": "técnicas mais avançadas", "tail": "sumarização de entidades", "relation": "USED-FOR"}, {"head": "qualidade", "tail": "sumarização de entidades", "relation": "EVALUATE-FOR"}, {"head": "eficiência", "tail": "sumarização de entidades", "relation": "EVALUATE-FOR"}]], "clusters": [["abordagem de sumarização de entidades sensível à diversidade", "abordagem"]]}
{"doc_id": "C04-1147", "text": "Apresentamos uma framework para a computação rápida de modelos de afinidade lexical. A framework é composta por um novo algoritmo para calcular de forma eficiente a distribuição de coocorrência entre pares de termos, um modelo de independência e um modelo paramétrico de afinidade. Em comparação com modelos anteriores, que ou usam janelas arbitrárias para calcular a similaridade entre palavras ou usam afinidade lexical para criar modelos sequenciais, neste artigo focamo-nos em modelos concebidos para capturar os padrões de coocorrência de qualquer par de palavras ou expressões a qualquer distância no corpus. A framework é flexível, permitindo uma adaptação rápida a aplicações, e é escalável. Aplicamo-la em combinação com um corpus de um terabyte para responder a testes de linguagem natural, obtendo resultados encorajadores.", "ner": [[{"text": "framework", "type": "Generic"}, {"text": "computação rápida de modelos de afinidade lexical", "type": "Task"}], [{"text": "framework", "type": "Generic"}, {"text": "algoritmo", "type": "Generic"}, {"text": "distribuição de coocorrência", "type": "OtherScientificTerm"}, {"text": "modelo de independência", "type": "Method"}, {"text": "modelo paramétrico de afinidade", "type": "Method"}], [{"text": "modelos", "type": "Generic"}, {"text": "similaridade", "type": "OtherScientificTerm"}, {"text": "afinidade lexical", "type": "OtherScientificTerm"}, {"text": "modelos sequenciais", "type": "Method"}, {"text": "modelos", "type": "Generic"}, {"text": "padrões de coocorrência", "type": "OtherScientificTerm"}], [{"text": "framework", "type": "Generic"}], [{"text": "a", "type": "Generic"}, {"text": "corpus de um terabyte", "type": "Material"}, {"text": "testes de linguagem natural", "type": "Task"}]], "relations": [[{"head": "framework", "tail": "computação rápida de modelos de afinidade lexical", "relation": "USED-FOR"}], [{"head": "algoritmo", "tail": "framework", "relation": "PART-OF"}, {"head": "algoritmo", "tail": "distribuição de coocorrência", "relation": "USED-FOR"}, {"head": "algoritmo", "tail": "modelo de independência", "relation": "CONJUNCTION"}, {"head": "modelo de independência", "tail": "framework", "relation": "PART-OF"}, {"head": "modelo de independência", "tail": "modelo paramétrico de afinidade", "relation": "CONJUNCTION"}, {"head": "modelo paramétrico de afinidade", "tail": "framework", "relation": "PART-OF"}], [{"head": "afinidade lexical", "tail": "modelos sequenciais", "relation": "USED-FOR"}, {"head": "modelos", "tail": "modelos", "relation": "COMPARE"}, {"head": "modelos", "tail": "padrões de coocorrência", "relation": "USED-FOR"}], [], [{"head": "a", "tail": "testes de linguagem natural", "relation": "USED-FOR"}, {"head": "corpus de um terabyte", "tail": "a", "relation": "EVALUATE-FOR"}]], "clusters": [["framework", "framework", "framework", "a"]]}
{"doc_id": "A00-1024", "text": "Este artigo apresenta um sistema para categorizar palavras desconhecidas. O sistema baseia-se numa arquitetura multi-componente em que cada componente é responsável por identificar uma classe de palavras desconhecidas. O foco deste artigo são os componentes que identificam nomes e erros ortográficos. Cada componente utiliza uma arquitetura de árvore de decisão para combinar múltiplos tipos de evidência sobre a palavra desconhecida. O sistema é avaliado utilizando dados de legendas ocultas em direto – um género repleto de uma grande variedade de palavras desconhecidas.", "ner": [[{"text": "sistema", "type": "Generic"}, {"text": "categorizar palavras desconhecidas", "type": "Task"}], [{"text": "sistema", "type": "Generic"}, {"text": "arquitetura multi-componente", "type": "Method"}, {"text": "componente", "type": "Generic"}, {"text": "palavras desconhecidas", "type": "OtherScientificTerm"}], [{"text": "componentes", "type": "Generic"}, {"text": "nomes", "type": "OtherScientificTerm"}, {"text": "erros ortográficos", "type": "OtherScientificTerm"}], [{"text": "componente", "type": "Generic"}, {"text": "arquitetura de árvore de decisão", "type": "Method"}, {"text": "palavra desconhecida", "type": "OtherScientificTerm"}], [{"text": "sistema", "type": "Generic"}, {"text": "legendas ocultas em direto", "type": "Material"}, {"text": "palavras desconhecidas", "type": "OtherScientificTerm"}]], "relations": [[{"head": "sistema", "tail": "categorizar palavras desconhecidas", "relation": "USED-FOR"}], [{"head": "arquitetura multi-componente", "tail": "sistema", "relation": "USED-FOR"}, {"head": "componente", "tail": "arquitetura multi-componente", "relation": "PART-OF"}, {"head": "componente", "tail": "palavras desconhecidas", "relation": "USED-FOR"}], [{"head": "componentes", "tail": "nomes", "relation": "USED-FOR"}, {"head": "componentes", "tail": "erros ortográficos", "relation": "USED-FOR"}, {"head": "nomes", "tail": "erros ortográficos", "relation": "CONJUNCTION"}], [{"head": "arquitetura de árvore de decisão", "tail": "componente", "relation": "USED-FOR"}], [{"head": "legendas ocultas em direto", "tail": "sistema", "relation": "EVALUATE-FOR"}]], "clusters": [["componentes", "componente"], ["sistema", "sistema", "sistema"]]}
{"doc_id": "H01-1041", "text": "No Laboratório Lincoln do MIT, temos vindo a desenvolver um sistema de tradução automática de coreano para inglês CCLINC -LRB- Common Coalition Language System at Lincoln Laboratory -RRB-. O sistema de tradução de coreano para inglês CCLINC é constituído por dois módulos centrais, módulos de compreensão e geração de linguagem mediados por uma representação de significado neutra em relação à língua, chamada de quadro semântico. As características‑chave do sistema incluem: -LRB- i -RRB- Uma robusta e eficiente análise sintática do coreano -LRB- uma língua de verbo final com marcas de caso explícitas, ordem de palavras relativamente livre e omissões frequentes de argumentos -RRB-. -LRB- ii -RRB- Tradução de alta qualidade através de desambiguação do sentido das palavras e precisa geração da ordem de palavras da língua‑alvo. -LRB- iii -RRB- Desenvolvimento rápido do sistema e portabilidade para novos domínios através de aquisição automatizada baseada em conhecimento de gramáticas. Tendo sido treinado em artigos de jornais coreanos sobre mísseis e guerra química e biológica, o sistema produz uma tradução suficiente para a compreensão do conteúdo do documento original.", "ner": [[{"text": "sistema de tradução automática de coreano para inglês", "type": "Method"}, {"text": "CCLINC -LRB- Common Coalition Language System at Lincoln Laboratory -RRB-", "type": "Method"}], [{"text": "sistema de tradução de coreano para inglês CCLINC", "type": "Method"}, {"text": "módulos centrais", "type": "Generic"}, {"text": "módulos de compreensão e geração de linguagem", "type": "Method"}, {"text": "representação de significado neutra em relação à língua", "type": "Method"}, {"text": "quadro semântico", "type": "OtherScientificTerm"}], [{"text": "sistema", "type": "Generic"}, {"text": "análise sintática do coreano", "type": "Task"}, {"text": "coreano", "type": "Material"}, {"text": "língua de verbo final", "type": "Material"}, {"text": "marcas de caso explícitas", "type": "OtherScientificTerm"}], [{"text": "tradução", "type": "Task"}, {"text": "desambiguação do sentido das palavras", "type": "Method"}, {"text": "geração da ordem de palavras", "type": "Task"}], [{"text": "aquisição automatizada baseada em conhecimento de gramáticas", "type": "Method"}], [{"text": "artigos de jornais coreanos", "type": "Material"}, {"text": "mísseis e guerra química e biológica", "type": "Material"}, {"text": "sistema", "type": "Generic"}]], "relations": [[{"head": "CCLINC -LRB- Common Coalition Language System at Lincoln Laboratory -RRB-", "tail": "sistema de tradução automática de coreano para inglês", "relation": "HYPONYM-OF"}], [{"head": "módulos centrais", "tail": "sistema de tradução de coreano para inglês CCLINC", "relation": "PART-OF"}, {"head": "representação de significado neutra em relação à língua", "tail": "módulos de compreensão e geração de linguagem", "relation": "USED-FOR"}, {"head": "quadro semântico", "tail": "representação de significado neutra em relação à língua", "relation": "HYPONYM-OF"}], [{"head": "coreano", "tail": "língua de verbo final", "relation": "HYPONYM-OF"}, {"head": "marcas de caso explícitas", "tail": "língua de verbo final", "relation": "FEATURE-OF"}], [{"head": "desambiguação do sentido das palavras", "tail": "tradução", "relation": "USED-FOR"}, {"head": "desambiguação do sentido das palavras", "tail": "geração da ordem de palavras", "relation": "CONJUNCTION"}, {"head": "geração da ordem de palavras", "tail": "tradução", "relation": "USED-FOR"}], [], [{"head": "artigos de jornais coreanos", "tail": "sistema", "relation": "USED-FOR"}, {"head": "mísseis e guerra química e biológica", "tail": "artigos de jornais coreanos", "relation": "FEATURE-OF"}]], "clusters": [["CCLINC -LRB- Common Coalition Language System at Lincoln Laboratory -RRB-", "sistema de tradução de coreano para inglês CCLINC", "sistema", "sistema"], ["módulos centrais", "módulos de compreensão e geração de linguagem"]]}
{"doc_id": "N03-4010", "text": "O sistema JAVELIN integra uma arquitetura baseada em planeamento flexível com uma variedade de módulos de processamento de linguagem para fornecer uma capacidade de resposta a perguntas de domínio aberto em texto livre. A demonstração irá centrar-se em como o JAVELIN processa perguntas e recupera os candidatos a resposta mais prováveis do corpus de texto fornecido. O funcionamento do sistema será explicado em profundidade através da navegação no repositório de objetos de dados criado pelo sistema durante cada sessão de resposta a perguntas.", "ner": [[{"text": "sistema JAVELIN", "type": "Method"}, {"text": "arquitetura baseada em planeamento", "type": "Method"}, {"text": "módulos de processamento de linguagem", "type": "Method"}, {"text": "capacidade de resposta a perguntas de domínio aberto", "type": "Task"}], [{"text": "JAVELIN", "type": "Method"}], [{"text": "sistema", "type": "Generic"}, {"text": "sistema", "type": "Generic"}, {"text": "resposta a perguntas", "type": "Task"}]], "relations": [[{"head": "sistema JAVELIN", "tail": "capacidade de resposta a perguntas de domínio aberto", "relation": "USED-FOR"}, {"head": "arquitetura baseada em planeamento", "tail": "sistema JAVELIN", "relation": "PART-OF"}, {"head": "módulos de processamento de linguagem", "tail": "sistema JAVELIN", "relation": "PART-OF"}, {"head": "módulos de processamento de linguagem", "tail": "arquitetura baseada em planeamento", "relation": "CONJUNCTION"}], [], []], "clusters": [["sistema JAVELIN", "JAVELIN", "sistema", "sistema"]]}
{"doc_id": "P04-1030", "text": "Apresentamos a primeira aplicação do modelo estatístico de análise sintáctica orientado pela cabeça de Collins -LRB- 1999 -RRB- como analisador e modelo de linguagem simultâneo para reconhecimento de fala de grande vocabulário. O modelo é adaptado para um analisador em grelha online da esquerda para a direita para redes de palavras, integrando probabilidades acústicas, de n-gramas e do analisador. O analisador utiliza dependências estruturais e lexicais não consideradas pelos modelos de n-gramas, condicionando o reconhecimento a relações mais fundamentadas linguisticamente. Experiências sobre a árvore de constituintes do Wall Street Journal e sobre corpora de redes mostram taxas de erro de palavra competitivas com o modelo de linguagem de n-gramas padrão, ao mesmo tempo que extraem informação estrutural adicional útil para a compreensão da fala.", "ner": [[{"text": "modelo estatístico de análise sintáctica orientado pela cabeça", "type": "Method"}, {"text": "modelo de linguagem simultâneo", "type": "Method"}, {"text": "analisador", "type": "Method"}, {"text": "reconhecimento de fala de grande vocabulário", "type": "Task"}], [{"text": "modelo", "type": "Generic"}, {"text": "analisador em grelha online da esquerda para a direita", "type": "Method"}, {"text": "redes de palavras", "type": "OtherScientificTerm"}, {"text": "probabilidades acústicas, de n-gramas e do analisador", "type": "OtherScientificTerm"}], [{"text": "analisador", "type": "Method"}, {"text": "dependências estruturais e lexicais", "type": "OtherScientificTerm"}, {"text": "modelos de n-gramas", "type": "Method"}], [{"text": "árvore de constituintes do Wall Street Journal", "type": "Material"}, {"text": "corpora de redes", "type": "Material"}, {"text": "taxas de erro de palavra", "type": "Metric"}, {"text": "modelo de linguagem de n-gramas", "type": "Method"}, {"text": "informação estrutural", "type": "OtherScientificTerm"}, {"text": "compreensão da fala", "type": "Task"}]], "relations": [[{"head": "modelo estatístico de análise sintáctica orientado pela cabeça", "tail": "modelo de linguagem simultâneo", "relation": "USED-FOR"}, {"head": "modelo estatístico de análise sintáctica orientado pela cabeça", "tail": "analisador", "relation": "USED-FOR"}, {"head": "modelo de linguagem simultâneo", "tail": "analisador", "relation": "CONJUNCTION"}, {"head": "modelo de linguagem simultâneo", "tail": "reconhecimento de fala de grande vocabulário", "relation": "USED-FOR"}, {"head": "analisador", "tail": "reconhecimento de fala de grande vocabulário", "relation": "USED-FOR"}], [{"head": "modelo", "tail": "analisador em grelha online da esquerda para a direita", "relation": "USED-FOR"}, {"head": "analisador em grelha online da esquerda para a direita", "tail": "redes de palavras", "relation": "USED-FOR"}, {"head": "probabilidades acústicas, de n-gramas e do analisador", "tail": "analisador em grelha online da esquerda para a direita", "relation": "PART-OF"}], [{"head": "dependências estruturais e lexicais", "tail": "analisador", "relation": "USED-FOR"}], [{"head": "árvore de constituintes do Wall Street Journal", "tail": "corpora de redes", "relation": "CONJUNCTION"}, {"head": "árvore de constituintes do Wall Street Journal", "tail": "modelo de linguagem de n-gramas", "relation": "EVALUATE-FOR"}, {"head": "corpora de redes", "tail": "modelo de linguagem de n-gramas", "relation": "EVALUATE-FOR"}, {"head": "taxas de erro de palavra", "tail": "modelo de linguagem de n-gramas", "relation": "EVALUATE-FOR"}, {"head": "informação estrutural", "tail": "compreensão da fala", "relation": "USED-FOR"}]], "clusters": [["analisador em grelha online da esquerda para a direita", "analisador"], ["modelo estatístico de análise sintáctica orientado pela cabeça", "modelo"]]}
{"doc_id": "CVPR_2004_10_abs", "text": "A composição de imagens -LRB- ou mosaico -RRB- tem atraído uma atenção crescente nos últimos anos como um dos principais elementos na análise e representação de vídeo. Neste artigo lidamos com o problema do alinhamento global e da super-resolução. Propomos também avaliar a qualidade do mosaico resultante medindo a quantidade de desfocagem. O registo global é alcançado combinando uma técnica baseada em grafos -- que explora a estrutura topológica da sequência induzida pela sobreposição espacial -- com um ajustamento de feixe que utiliza apenas as homografias calculadas nos passos anteriores. A comparação experimental com outras técnicas mostra a eficácia da nossa abordagem.", "ner": [[{"text": "composição de imagens -LRB- ou mosaico -RRB-", "type": "Task"}, {"text": "análise e representação de vídeo", "type": "Task"}], [{"text": "alinhamento global", "type": "Task"}, {"text": "super-resolução", "type": "Task"}], [{"text": "mosaico", "type": "Task"}, {"text": "quantidade de desfocagem", "type": "Metric"}], [{"text": "registo global", "type": "Task"}, {"text": "técnica baseada em grafos", "type": "Method"}, {"text": "estrutura topológica", "type": "OtherScientificTerm"}, {"text": "sobreposição espacial", "type": "OtherScientificTerm"}, {"text": "ajustamento de feixe", "type": "Method"}, {"text": "homografias", "type": "OtherScientificTerm"}], [{"text": "técnicas", "type": "Generic"}, {"text": "abordagem", "type": "Generic"}]], "relations": [[{"head": "composição de imagens -LRB- ou mosaico -RRB-", "tail": "análise e representação de vídeo", "relation": "PART-OF"}], [{"head": "alinhamento global", "tail": "super-resolução", "relation": "CONJUNCTION"}], [{"head": "quantidade de desfocagem", "tail": "mosaico", "relation": "EVALUATE-FOR"}], [{"head": "técnica baseada em grafos", "tail": "registo global", "relation": "USED-FOR"}, {"head": "técnica baseada em grafos", "tail": "estrutura topológica", "relation": "USED-FOR"}, {"head": "técnica baseada em grafos", "tail": "ajustamento de feixe", "relation": "CONJUNCTION"}, {"head": "ajustamento de feixe", "tail": "registo global", "relation": "USED-FOR"}, {"head": "homografias", "tail": "ajustamento de feixe", "relation": "USED-FOR"}], [{"head": "abordagem", "tail": "técnicas", "relation": "COMPARE"}]], "clusters": [["técnica baseada em grafos", "abordagem"]]}
{"doc_id": "L08-1260", "text": "O projeto aqui apresentado faz parte de um programa de investigação de longo prazo que visa uma gramática de léxico para polaco -LRB- SyntLex -RRB- , bastante completa. O objetivo principal deste projeto é a aquisição assistida por computador e descrição morfossintática de colocações verbo-nome em polaco . Apresentamos a metodologia e os recursos obtidos em três fases principais do projeto , que são : aquisição baseada em dicionário de um léxico de colocações , estudo de viabilidade para a fase de ampliação do léxico baseada em corpus , ampliação do léxico baseada em corpus e descrição das colocações . Neste artigo concentramos-nos nos resultados da terceira fase . A abordagem baseada em corpus aqui apresentada permitiu-nos triplicar a dimensão do dicionário de colocações verbo-nome para polaco . No artigo descrevemos o Dicionário de Colocações SyntLex e anunciamos algumas investigações futuras que se prevê venham a constituir uma continuação autónoma do projeto .", "ner": [[{"text": "gramática de léxico para polaco -LRB- SyntLex -RRB-", "type": "Method"}], [{"text": "aquisição assistida por computador e descrição morfossintática de colocações verbo-nome", "type": "Task"}, {"text": "polaco", "type": "Material"}], [{"text": "fases", "type": "Generic"}, {"text": "aquisição baseada em dicionário de um léxico de colocações", "type": "Task"}, {"text": "estudo de viabilidade", "type": "Task"}, {"text": "fase de ampliação do léxico baseada em corpus", "type": "Task"}, {"text": "ampliação do léxico baseada em corpus e descrição das colocações", "type": "Task"}], [], [{"text": "abordagem baseada em corpus", "type": "Method"}, {"text": "dicionário de colocações verbo-nome", "type": "Material"}, {"text": "polaco", "type": "Material"}], [{"text": "Dicionário de Colocações SyntLex", "type": "Material"}]], "relations": [[], [{"head": "polaco", "tail": "aquisição assistida por computador e descrição morfossintática de colocações verbo-nome", "relation": "USED-FOR"}], [{"head": "aquisição baseada em dicionário de um léxico de colocações", "tail": "fases", "relation": "HYPONYM-OF"}, {"head": "aquisição baseada em dicionário de um léxico de colocações", "tail": "estudo de viabilidade", "relation": "CONJUNCTION"}, {"head": "estudo de viabilidade", "tail": "fases", "relation": "HYPONYM-OF"}, {"head": "estudo de viabilidade", "tail": "fase de ampliação do léxico baseada em corpus", "relation": "USED-FOR"}, {"head": "ampliação do léxico baseada em corpus e descrição das colocações", "tail": "fases", "relation": "HYPONYM-OF"}, {"head": "ampliação do léxico baseada em corpus e descrição das colocações", "tail": "estudo de viabilidade", "relation": "CONJUNCTION"}], [], [{"head": "abordagem baseada em corpus", "tail": "dicionário de colocações verbo-nome", "relation": "USED-FOR"}, {"head": "polaco", "tail": "dicionário de colocações verbo-nome", "relation": "FEATURE-OF"}], []], "clusters": []}
{"doc_id": "IJCAI_2016_412_abs", "text": "Com o aumento dos requisitos, a tarefa de recomendação de hashtags para microblogs tem recebido uma atenção considerável nos últimos anos. Vários investigadores estudaram o problema a partir de diferentes perspetivas. No entanto, a maioria destes métodos geralmente necessita de características concebidas manualmente. Motivados pela utilização bem-sucedida de redes neuronais convolucionais -LRB- CNNs -RRB- em muitas tarefas de processamento de linguagem natural, neste artigo adotamos CNNs para resolver o problema de recomendação de hashtags. Para incorporar as palavras de gatilho cuja eficácia foi avaliada experimentalmente em vários trabalhos anteriores, propomos uma nova arquitetura com um mecanismo de atenção. Os resultados de experiências sobre dados recolhidos a partir de um serviço de microblogues do mundo real demonstraram que o modelo proposto supera os métodos mais avançados do estado da arte. Ao incorporar as palavras de gatilho na consideração, a melhoria relativa do método proposto em relação ao método de ponta do estado da arte é de cerca de 9,4 % no F1-score.", "ner": [[{"text": "tarefa de recomendação de hashtags", "type": "Task"}, {"text": "microblogs", "type": "Material"}], [], [{"text": "características concebidas manualmente", "type": "OtherScientificTerm"}], [{"text": "redes neuronais convolucionais -LRB- CNNs -RRB-", "type": "Method"}, {"text": "tarefas de processamento de linguagem natural", "type": "Task"}, {"text": "CNNs", "type": "Method"}, {"text": "problema de recomendação de hashtags", "type": "Task"}], [{"text": "palavras de gatilho", "type": "OtherScientificTerm"}, {"text": "arquitetura", "type": "Generic"}, {"text": "mecanismo de atenção", "type": "OtherScientificTerm"}], [{"text": "dados", "type": "Generic"}, {"text": "modelo", "type": "Generic"}, {"text": "métodos mais avançados do estado da arte", "type": "Generic"}], [{"text": "palavras de gatilho", "type": "OtherScientificTerm"}, {"text": "método", "type": "Generic"}, {"text": "método de ponta do estado da arte", "type": "Generic"}, {"text": "F1-score", "type": "Metric"}]], "relations": [[{"head": "tarefa de recomendação de hashtags", "tail": "microblogs", "relation": "USED-FOR"}], [], [], [{"head": "redes neuronais convolucionais -LRB- CNNs -RRB-", "tail": "tarefas de processamento de linguagem natural", "relation": "USED-FOR"}], [{"head": "arquitetura", "tail": "palavras de gatilho", "relation": "USED-FOR"}, {"head": "mecanismo de atenção", "tail": "arquitetura", "relation": "FEATURE-OF"}], [{"head": "dados", "tail": "modelo", "relation": "EVALUATE-FOR"}, {"head": "modelo", "tail": "métodos mais avançados do estado da arte", "relation": "COMPARE"}], [{"head": "método", "tail": "método de ponta do estado da arte", "relation": "COMPARE"}, {"head": "F1-score", "tail": "método de ponta do estado da arte", "relation": "EVALUATE-FOR"}]], "clusters": [["arquitetura", "modelo", "método"], ["redes neuronais convolucionais -LRB- CNNs -RRB-", "CNNs", "método de ponta do estado da arte"], ["tarefa de recomendação de hashtags", "problema de recomendação de hashtags"]]}
{"doc_id": "W03-0406", "text": "Neste artigo , melhoramos um método de aprendizagem não supervisionada utilizando o algoritmo de Expectation-Maximization -LRB- EM -RRB- proposto por Nigam et al. para problemas de classificação de texto , a fim de o aplicar a problemas de desambiguação do sentido de palavras -LRB- WSD -RRB- . O método melhorado interrompe o algoritmo EM no número ótimo de iterações . Para estimar esse número , propomos dois métodos . Em experiências , resolvemos 50 problemas de WSD de substantivos na Tarefa de Dicionário Japonês no SENSEVAL2 . A pontuação do nosso método está ao nível da melhor pontuação pública desta tarefa . Além disso , foi também confirmado que os nossos métodos são eficazes para problemas de WSD de verbos .", "ner": [[{"text": "método de aprendizagem não supervisionada", "type": "Method"}, {"text": "algoritmo de Expectation-Maximization -LRB- EM -RRB-", "type": "Method"}, {"text": "problemas de classificação de texto", "type": "Task"}, {"text": "o", "type": "Generic"}, {"text": "problemas de desambiguação do sentido de palavras -LRB- WSD -RRB-", "type": "Task"}], [{"text": "método", "type": "Generic"}, {"text": "algoritmo EM", "type": "Method"}, {"text": "número ótimo de iterações", "type": "OtherScientificTerm"}], [{"text": "número", "type": "Generic"}], [{"text": "problemas de WSD de substantivos", "type": "Task"}, {"text": "Tarefa de Dicionário Japonês", "type": "Task"}, {"text": "SENSEVAL2", "type": "Material"}], [{"text": "método", "type": "Generic"}, {"text": "tarefa", "type": "Generic"}], [{"text": "métodos", "type": "Generic"}, {"text": "problemas de WSD de verbos", "type": "Task"}]], "relations": [[{"head": "algoritmo de Expectation-Maximization -LRB- EM -RRB-", "tail": "método de aprendizagem não supervisionada", "relation": "USED-FOR"}, {"head": "algoritmo de Expectation-Maximization -LRB- EM -RRB-", "tail": "problemas de classificação de texto", "relation": "USED-FOR"}, {"head": "o", "tail": "problemas de desambiguação do sentido de palavras -LRB- WSD -RRB-", "relation": "USED-FOR"}], [], [], [{"head": "Tarefa de Dicionário Japonês", "tail": "SENSEVAL2", "relation": "FEATURE-OF"}], [], [{"head": "métodos", "tail": "problemas de WSD de verbos", "relation": "USED-FOR"}]], "clusters": [["número ótimo de iterações", "número"], ["método de aprendizagem não supervisionada", "o", "método", "método", "métodos"], ["Tarefa de Dicionário Japonês", "tarefa"]]}
{"doc_id": "E99-1023", "text": "Dividir frases em segmentos de palavras é um passo de pré-processamento útil para análise sintáctica , extracção de informação e recuperação de informação . -LRB- Ramshaw e Marcus , 1995 -RRB- introduziram uma representação de dados 'conveniente' para segmentação convertendo-a numa tarefa de etiquetagem . Neste artigo iremos examinar sete representações de dados diferentes para o problema de reconhecer segmentos de sintagmas nominais . Mostraremos que a escolha da representação de dados tem uma influência menor no desempenho da segmentação . No entanto , munido da representação de dados mais adequada , o nosso segmentador baseado em memória conseguiu melhorar os melhores resultados de segmentação publicados para um conjunto de dados padrão .", "ner": [[{"text": "Dividir frases em segmentos de palavras", "type": "Task"}, {"text": "análise sintáctica", "type": "Task"}, {"text": "extracção de informação", "type": "Task"}, {"text": "recuperação de informação", "type": "Task"}], [{"text": "representação de dados", "type": "Method"}, {"text": "segmentação", "type": "Task"}, {"text": "a", "type": "Generic"}, {"text": "tarefa de etiquetagem", "type": "Task"}], [{"text": "representações de dados", "type": "Method"}, {"text": "reconhecer segmentos de sintagmas nominais", "type": "Task"}], [{"text": "representação de dados", "type": "Method"}, {"text": "segmentação", "type": "Task"}], [{"text": "representação de dados", "type": "Method"}, {"text": "segmentador baseado em memória", "type": "Method"}, {"text": "segmentação", "type": "Task"}, {"text": "conjunto de dados", "type": "Material"}]], "relations": [[{"head": "Dividir frases em segmentos de palavras", "tail": "análise sintáctica", "relation": "USED-FOR"}, {"head": "Dividir frases em segmentos de palavras", "tail": "extracção de informação", "relation": "USED-FOR"}, {"head": "Dividir frases em segmentos de palavras", "tail": "recuperação de informação", "relation": "USED-FOR"}, {"head": "análise sintáctica", "tail": "extracção de informação", "relation": "CONJUNCTION"}, {"head": "extracção de informação", "tail": "recuperação de informação", "relation": "CONJUNCTION"}], [{"head": "representação de dados", "tail": "segmentação", "relation": "USED-FOR"}], [{"head": "representações de dados", "tail": "reconhecer segmentos de sintagmas nominais", "relation": "USED-FOR"}], [], [{"head": "representação de dados", "tail": "segmentador baseado em memória", "relation": "USED-FOR"}, {"head": "conjunto de dados", "tail": "segmentador baseado em memória", "relation": "EVALUATE-FOR"}]], "clusters": [["Dividir frases em segmentos de palavras", "segmentação", "a", "segmentação", "segmentação"]]}
{"doc_id": "N04-1008", "text": "Neste artigo descrevemos e avaliamos um sistema de Resposta a Perguntas que vai além de responder a perguntas factoides. Focamo-nos em perguntas e respostas do tipo FAQ e construímos o nosso sistema em torno de uma arquitectura de canal ruidoso que explora tanto um modelo de linguagem para respostas como um modelo de transformação para termos de resposta/pergunta, treinados num corpus de 1 milhão de pares pergunta/resposta recolhidos da Web.", "ner": [[{"text": "sistema de Resposta a Perguntas", "type": "Method"}], [{"text": "perguntas e respostas do tipo FAQ", "type": "Material"}, {"text": "sistema", "type": "Generic"}, {"text": "arquitectura de canal ruidoso", "type": "Method"}, {"text": "modelo de linguagem", "type": "Method"}, {"text": "modelo de transformação", "type": "Method"}, {"text": "Web", "type": "Material"}]], "relations": [[], [{"head": "sistema", "tail": "perguntas e respostas do tipo FAQ", "relation": "USED-FOR"}, {"head": "arquitectura de canal ruidoso", "tail": "sistema", "relation": "USED-FOR"}, {"head": "arquitectura de canal ruidoso", "tail": "modelo de linguagem", "relation": "USED-FOR"}, {"head": "arquitectura de canal ruidoso", "tail": "modelo de transformação", "relation": "USED-FOR"}]], "clusters": [["sistema de Resposta a Perguntas", "sistema"]]}
{"doc_id": "ICASSP_2011_598_abs", "text": "Neste artigo avaliamos quatro medidas da fala objetivas no que diz respeito à previsão da inteligibilidade da fala sintetizada em diversas situações ruidosas. Avaliámos três medidas de intel-igibilidade, a medida de Dau, a proporção de vislumbre e o Índice de Inteligibilidade da Fala -LRB- SII -RRB- e uma medida de qualidade, a Avaliação Perceptiva da Qualidade da Fala -LRB- PESQ -RRB-. Para a geração de fala sintetizada utilizámos um sistema de síntese de fala baseado em HMM de última geração. As condições ruidosas incluíram quatro ruídos aditivos. As medidas foram comparadas com pontuações subjetivas de inteligibilidade obtidas em testes de escuta. Os resultados mostram que as medidas de Dau e de vislumbre são os melhores preditores de inteligibilidade, com correlações de cerca de 0,83 com as pontuações subjetivas. Todas as medidas produziram previsões de inteligibilidade menos precisas para fala sintética do que as que tinham sido encontradas anteriormente para fala natural; em particular a medida SII. Em experiências adicionais, processámos a fala sintetizada com uma máscara binária ideal antes de adicionar ruído. A medida de Vislumbre forneceu as previsões de inteligibilidade mais precisas nesta situação.", "ner": [[{"text": "medidas da fala", "type": "Metric"}, {"text": "previsão da inteligibilidade", "type": "Task"}, {"text": "fala sintetizada", "type": "Material"}, {"text": "diversas situações ruidosas", "type": "OtherScientificTerm"}], [{"text": "medidas de intel-igibilidade", "type": "Metric"}, {"text": "medida de Dau", "type": "Metric"}, {"text": "proporção de vislumbre", "type": "Metric"}, {"text": "Índice de Inteligibilidade da Fala -LRB- SII -RRB-", "type": "Metric"}, {"text": "medida de qualidade", "type": "Metric"}, {"text": "Avaliação Perceptiva da Qualidade da Fala -LRB- PESQ -RRB-", "type": "Metric"}], [{"text": "geração de fala sintetizada", "type": "Task"}, {"text": "sistema de síntese de fala baseado em HMM", "type": "Method"}], [{"text": "condições ruidosas", "type": "OtherScientificTerm"}, {"text": "ruídos aditivos", "type": "OtherScientificTerm"}], [{"text": "medidas", "type": "Generic"}, {"text": "pontuações subjetivas de inteligibilidade", "type": "Metric"}], [{"text": "Dau", "type": "Metric"}, {"text": "medida de vislumbre", "type": "Metric"}, {"text": "preditores de inteligibilidade", "type": "Method"}, {"text": "correlações", "type": "Metric"}, {"text": "pontuações subjetivas", "type": "OtherScientificTerm"}], [{"text": "medidas", "type": "Generic"}, {"text": "previsões de inteligibilidade", "type": "Task"}, {"text": "fala sintética", "type": "Material"}, {"text": "fala natural", "type": "Material"}, {"text": "medida SII", "type": "Metric"}], [{"text": "fala sintetizada", "type": "Material"}, {"text": "máscara binária ideal", "type": "Method"}], [{"text": "medida de Vislumbre", "type": "Metric"}, {"text": "previsões de inteligibilidade", "type": "Task"}]], "relations": [[{"head": "medidas da fala", "tail": "previsão da inteligibilidade", "relation": "EVALUATE-FOR"}, {"head": "fala sintetizada", "tail": "previsão da inteligibilidade", "relation": "USED-FOR"}, {"head": "diversas situações ruidosas", "tail": "fala sintetizada", "relation": "FEATURE-OF"}], [{"head": "medidas de intel-igibilidade", "tail": "medida de qualidade", "relation": "CONJUNCTION"}, {"head": "medida de Dau", "tail": "medidas de intel-igibilidade", "relation": "HYPONYM-OF"}, {"head": "medida de Dau", "tail": "proporção de vislumbre", "relation": "CONJUNCTION"}, {"head": "proporção de vislumbre", "tail": "medidas de intel-igibilidade", "relation": "HYPONYM-OF"}, {"head": "proporção de vislumbre", "tail": "Índice de Inteligibilidade da Fala -LRB- SII -RRB-", "relation": "CONJUNCTION"}, {"head": "Índice de Inteligibilidade da Fala -LRB- SII -RRB-", "tail": "medidas de intel-igibilidade", "relation": "HYPONYM-OF"}, {"head": "Avaliação Perceptiva da Qualidade da Fala -LRB- PESQ -RRB-", "tail": "medida de qualidade", "relation": "HYPONYM-OF"}], [{"head": "sistema de síntese de fala baseado em HMM", "tail": "geração de fala sintetizada", "relation": "USED-FOR"}], [{"head": "ruídos aditivos", "tail": "condições ruidosas", "relation": "PART-OF"}], [{"head": "medidas", "tail": "pontuações subjetivas de inteligibilidade", "relation": "COMPARE"}], [{"head": "Dau", "tail": "medida de vislumbre", "relation": "CONJUNCTION"}, {"head": "Dau", "tail": "preditores de inteligibilidade", "relation": "HYPONYM-OF"}, {"head": "Dau", "tail": "pontuações subjetivas", "relation": "COMPARE"}, {"head": "medida de vislumbre", "tail": "preditores de inteligibilidade", "relation": "HYPONYM-OF"}, {"head": "medida de vislumbre", "tail": "pontuações subjetivas", "relation": "COMPARE"}, {"head": "correlações", "tail": "Dau", "relation": "EVALUATE-FOR"}, {"head": "correlações", "tail": "medida de vislumbre", "relation": "EVALUATE-FOR"}], [{"head": "medidas", "tail": "previsões de inteligibilidade", "relation": "EVALUATE-FOR"}, {"head": "fala sintética", "tail": "previsões de inteligibilidade", "relation": "USED-FOR"}, {"head": "fala sintética", "tail": "fala natural", "relation": "COMPARE"}, {"head": "medida SII", "tail": "medidas", "relation": "HYPONYM-OF"}], [{"head": "máscara binária ideal", "tail": "fala sintetizada", "relation": "USED-FOR"}], [{"head": "medida de Vislumbre", "tail": "previsões de inteligibilidade", "relation": "USED-FOR"}]], "clusters": [["medida de Dau", "Dau"], ["proporção de vislumbre", "medida de vislumbre", "medida de Vislumbre"], ["previsão da inteligibilidade", "previsões de inteligibilidade", "previsões de inteligibilidade"], ["medidas da fala", "medidas", "medidas"]]}
{"doc_id": "CVPR_2003_10_abs", "text": "É proposta uma abordagem de 'gráficos para visão' para resolver o problema de reconstrução a partir de um conjunto de dados grande e imperfeito: reconstrução a pedido por votação tensorial, ou ROD-TV. O ROD-TV fornece simultaneamente boa eficiência e robustez, adaptando-se a um contínuo de conectividade primitiva, dependência da vista e níveis de detalhe (LOD). Elementos de superfície inferidos localmente são robustos ao ruído e captam melhor as formas locais. Ao inferir normais por vértice com precisão sub-vóxel em tempo real, podemos obter sombreamento interpolativo. Como estes detalhes em falta podem ser recuperados ao nível de detalhe atual, o nosso resultado não é limitado superiormente pela resolução de varrimento. Ao relaxar o requisito de conectividade da malha, estendemos o ROD-TV e propomos um algoritmo de extração de características multiescala simples mas eficaz. O ROD-TV consiste numa estrutura de dados hierárquica que codifica diferentes níveis de detalhe. O algoritmo de reconstrução local é a votação tensorial. É aplicado a pedido ao subconjunto visível dos dados a um nível de detalhe desejado, percorrendo a hierarquia de dados e recolhendo suporte tensorial numa vizinhança. Comparamos a nossa abordagem e apresentamos resultados encorajadores.", "ner": [[{"text": "abordagem de 'gráficos para visão'", "type": "Method"}, {"text": "reconstrução", "type": "Task"}, {"text": "conjunto de dados grande e imperfeito", "type": "Material"}, {"text": "reconstrução", "type": "Task"}, {"text": "votação tensorial", "type": "Method"}, {"text": "ROD-TV", "type": "Method"}], [{"text": "ROD-TV", "type": "Method"}, {"text": "eficiência", "type": "Metric"}, {"text": "robustez", "type": "Metric"}, {"text": "conectividade primitiva", "type": "OtherScientificTerm"}, {"text": "dependência da vista", "type": "OtherScientificTerm"}, {"text": "níveis de detalhe (LOD)", "type": "OtherScientificTerm"}], [{"text": "Elementos de superfície inferidos localmente", "type": "OtherScientificTerm"}, {"text": "ruído", "type": "OtherScientificTerm"}, {"text": "formas locais", "type": "OtherScientificTerm"}], [{"text": "normais por vértice", "type": "OtherScientificTerm"}, {"text": "precisão sub-vóxel", "type": "Metric"}, {"text": "sombreamento interpolativo", "type": "Task"}], [{"text": "resolução de varrimento", "type": "OtherScientificTerm"}], [{"text": "requisito de conectividade da malha", "type": "OtherScientificTerm"}, {"text": "ROD-TV", "type": "Method"}, {"text": "algoritmo de extração de características multiescala", "type": "Method"}], [{"text": "ROD-TV", "type": "Method"}, {"text": "estrutura de dados hierárquica", "type": "Method"}], [{"text": "algoritmo de reconstrução local", "type": "Method"}, {"text": "votação tensorial", "type": "Method"}], [{"text": "Ele", "type": "Generic"}, {"text": "percorrendo a hierarquia de dados", "type": "Method"}, {"text": "recolhendo suporte tensorial", "type": "Method"}], [{"text": "abordagem", "type": "Generic"}]], "relations": [[{"head": "abordagem de 'gráficos para visão'", "tail": "reconstrução", "relation": "USED-FOR"}, {"head": "conjunto de dados grande e imperfeito", "tail": "reconstrução", "relation": "USED-FOR"}, {"head": "votação tensorial", "tail": "reconstrução", "relation": "USED-FOR"}, {"head": "votação tensorial", "tail": "ROD-TV", "relation": "CONJUNCTION"}, {"head": "ROD-TV", "tail": "reconstrução", "relation": "USED-FOR"}], [{"head": "eficiência", "tail": "ROD-TV", "relation": "EVALUATE-FOR"}, {"head": "robustez", "tail": "ROD-TV", "relation": "EVALUATE-FOR"}, {"head": "robustez", "tail": "eficiência", "relation": "CONJUNCTION"}, {"head": "dependência da vista", "tail": "conectividade primitiva", "relation": "CONJUNCTION"}, {"head": "níveis de detalhe (LOD)", "tail": "dependência da vista", "relation": "CONJUNCTION"}], [{"head": "Elementos de superfície inferidos localmente", "tail": "formas locais", "relation": "USED-FOR"}], [{"head": "normais por vértice", "tail": "sombreamento interpolativo", "relation": "USED-FOR"}, {"head": "precisão sub-vóxel", "tail": "normais por vértice", "relation": "FEATURE-OF"}], [], [{"head": "requisito de conectividade da malha", "tail": "algoritmo de extração de características multiescala", "relation": "USED-FOR"}, {"head": "ROD-TV", "tail": "algoritmo de extração de características multiescala", "relation": "USED-FOR"}], [{"head": "estrutura de dados hierárquica", "tail": "ROD-TV", "relation": "PART-OF"}], [{"head": "votação tensorial", "tail": "algoritmo de reconstrução local", "relation": "HYPONYM-OF"}], [{"head": "percorrendo a hierarquia de dados", "tail": "Ele", "relation": "USED-FOR"}, {"head": "percorrendo a hierarquia de dados", "tail": "recolhendo suporte tensorial", "relation": "CONJUNCTION"}, {"head": "recolhendo suporte tensorial", "tail": "Ele", "relation": "USED-FOR"}], []], "clusters": [["ROD-TV", "ROD-TV", "ROD-TV", "ROD-TV"], ["reconstrução", "reconstrução"], ["abordagem de 'gráficos para visão'", "abordagem"], ["votação tensorial", "Ele"]]}
{"doc_id": "P06-3008", "text": "Tanto a estrutura retórica como a pontuação têm sido úteis no processamento do discurso. Com base num projeto de anotação de corpus, este artigo apresenta o uso discursivo de 6 sinais de pontuação chineses em textos de comentário noticioso: Dois Pontos, Travessão, Reticências, Ponto de Exclamação, Ponto de Interrogação e Ponto e Vírgula. Os padrões retóricos destes sinais são comparados com padrões em torno de expressões de pista em geral. Os resultados mostram que estes sinais de pontuação chineses, embora em menor número do que as expressões de pista, são fáceis de identificar, têm forte correlação com certas relações e podem ser usados como indicadores de nuclearidade distintivos em textos chineses.", "ner": [[{"text": "estrutura retórica", "type": "OtherScientificTerm"}, {"text": "pontuação", "type": "OtherScientificTerm"}, {"text": "processamento do discurso", "type": "Task"}], [{"text": "projeto de anotação de corpus", "type": "Task"}, {"text": "uso discursivo de 6 sinais de pontuação chineses", "type": "Task"}, {"text": "sinais de pontuação chineses", "type": "OtherScientificTerm"}, {"text": "textos de comentário noticioso", "type": "Material"}, {"text": "Dois Pontos", "type": "OtherScientificTerm"}, {"text": "Travessão", "type": "OtherScientificTerm"}, {"text": "Reticências", "type": "OtherScientificTerm"}, {"text": "Ponto de Exclamação", "type": "OtherScientificTerm"}, {"text": "Ponto de Interrogação", "type": "OtherScientificTerm"}, {"text": "Ponto e Vírgula", "type": "OtherScientificTerm"}], [{"text": "padrões retóricos", "type": "OtherScientificTerm"}, {"text": "sinais", "type": "Generic"}, {"text": "padrões em torno de expressões de pista", "type": "OtherScientificTerm"}], [{"text": "sinais de pontuação chineses", "type": "OtherScientificTerm"}, {"text": "expressões de pista", "type": "OtherScientificTerm"}, {"text": "indicadores de nuclearidade", "type": "OtherScientificTerm"}, {"text": "textos chineses", "type": "Material"}]], "relations": [[{"head": "estrutura retórica", "tail": "pontuação", "relation": "CONJUNCTION"}, {"head": "estrutura retórica", "tail": "processamento do discurso", "relation": "USED-FOR"}, {"head": "pontuação", "tail": "processamento do discurso", "relation": "USED-FOR"}], [{"head": "sinais de pontuação chineses", "tail": "textos de comentário noticioso", "relation": "PART-OF"}, {"head": "Dois Pontos", "tail": "sinais de pontuação chineses", "relation": "HYPONYM-OF"}, {"head": "Dois Pontos", "tail": "Travessão", "relation": "CONJUNCTION"}, {"head": "Travessão", "tail": "sinais de pontuação chineses", "relation": "HYPONYM-OF"}, {"head": "Travessão", "tail": "Reticências", "relation": "CONJUNCTION"}, {"head": "Reticências", "tail": "sinais de pontuação chineses", "relation": "HYPONYM-OF"}, {"head": "Reticências", "tail": "Ponto de Exclamação", "relation": "CONJUNCTION"}, {"head": "Ponto de Exclamação", "tail": "sinais de pontuação chineses", "relation": "HYPONYM-OF"}, {"head": "Ponto de Exclamação", "tail": "Ponto de Interrogação", "relation": "CONJUNCTION"}, {"head": "Ponto de Interrogação", "tail": "sinais de pontuação chineses", "relation": "HYPONYM-OF"}, {"head": "Ponto de Interrogação", "tail": "Ponto e Vírgula", "relation": "CONJUNCTION"}, {"head": "Ponto e Vírgula", "tail": "sinais de pontuação chineses", "relation": "HYPONYM-OF"}], [{"head": "padrões retóricos", "tail": "sinais", "relation": "FEATURE-OF"}, {"head": "padrões retóricos", "tail": "padrões em torno de expressões de pista", "relation": "COMPARE"}], [{"head": "sinais de pontuação chineses", "tail": "expressões de pista", "relation": "COMPARE"}, {"head": "sinais de pontuação chineses", "tail": "indicadores de nuclearidade", "relation": "USED-FOR"}, {"head": "textos chineses", "tail": "indicadores de nuclearidade", "relation": "FEATURE-OF"}]], "clusters": [["sinais de pontuação chineses", "sinais", "sinais de pontuação chineses"]]}
{"doc_id": "CVPR_2003_11_abs", "text": "As caraterísticas baseadas em modelos de campo aleatório de Markov -LRB- MRF -RRB- são normalmente sensíveis à rotação das texturas de imagem. Este artigo desenvolve um modelo MRF Gaussiano circular anisotrópico -LRB- ACGMRF -RRB- para modelar texturas de imagem rodadas e obter caraterísticas de textura invariantes à rotação. Para ultrapassar o problema de singularidade do método da estimativa de mínimos quadrados -LRB- LSE -RRB-, é proposto um método de estimativa aproximada de mínimos quadrados -LRB- ALSE -RRB- para estimar os parâmetros do modelo ACGMRF. As caraterísticas invariantes à rotação podem ser obtidas a partir dos parâmetros do modelo ACGMRF através da transformada discreta de Fourier unidimensional -LRB- 1-D -RRB- -LRB- DFT -RRB-. Pode ser obtida uma precisão significativamente melhor ao aplicar as caraterísticas invariantes à rotação para classificar gelo marinho em SAR -LRB- radar de abertura sintética -RRB- e imagens Brodatz.", "ner": [[{"text": "caraterísticas", "type": "OtherScientificTerm"}, {"text": "modelos de campo aleatório de Markov -LRB- MRF -RRB-", "type": "Method"}, {"text": "rotação das texturas de imagem", "type": "OtherScientificTerm"}], [{"text": "modelo MRF Gaussiano circular anisotrópico -LRB- ACGMRF -RRB-", "type": "Method"}, {"text": "modelar texturas de imagem rodadas", "type": "Task"}, {"text": "obter caraterísticas de textura invariantes à rotação", "type": "Task"}], [{"text": "problema de singularidade", "type": "OtherScientificTerm"}, {"text": "método da estimativa de mínimos quadrados -LRB- LSE -RRB-", "type": "Method"}, {"text": "método de estimativa aproximada de mínimos quadrados -LRB- ALSE -RRB-", "type": "Method"}, {"text": "parâmetros do modelo ACGMRF", "type": "OtherScientificTerm"}, {"text": "modelo ACGMRF", "type": "Method"}], [{"text": "caraterísticas invariantes à rotação", "type": "OtherScientificTerm"}, {"text": "parâmetros do modelo ACGMRF", "type": "OtherScientificTerm"}, {"text": "modelo ACGMRF", "type": "Method"}, {"text": "transformada discreta de Fourier unidimensional -LRB- 1-D -RRB- -LRB- DFT -RRB-", "type": "Method"}], [{"text": "precisão", "type": "Metric"}, {"text": "caraterísticas invariantes à rotação", "type": "OtherScientificTerm"}, {"text": "SAR -LRB- radar de abertura sintética", "type": "OtherScientificTerm"}]], "relations": [[{"head": "modelos de campo aleatório de Markov -LRB- MRF -RRB-", "tail": "caraterísticas", "relation": "USED-FOR"}], [{"head": "modelo MRF Gaussiano circular anisotrópico -LRB- ACGMRF -RRB-", "tail": "modelar texturas de imagem rodadas", "relation": "USED-FOR"}, {"head": "modelo MRF Gaussiano circular anisotrópico -LRB- ACGMRF -RRB-", "tail": "obter caraterísticas de textura invariantes à rotação", "relation": "USED-FOR"}, {"head": "modelar texturas de imagem rodadas", "tail": "obter caraterísticas de textura invariantes à rotação", "relation": "CONJUNCTION"}], [{"head": "problema de singularidade", "tail": "método da estimativa de mínimos quadrados -LRB- LSE -RRB-", "relation": "FEATURE-OF"}, {"head": "método de estimativa aproximada de mínimos quadrados -LRB- ALSE -RRB-", "tail": "parâmetros do modelo ACGMRF", "relation": "USED-FOR"}], [{"head": "parâmetros do modelo ACGMRF", "tail": "caraterísticas invariantes à rotação", "relation": "USED-FOR"}, {"head": "transformada discreta de Fourier unidimensional -LRB- 1-D -RRB- -LRB- DFT -RRB-", "tail": "caraterísticas invariantes à rotação", "relation": "USED-FOR"}], [{"head": "caraterísticas invariantes à rotação", "tail": "SAR -LRB- radar de abertura sintética", "relation": "USED-FOR"}]], "clusters": [["modelo MRF Gaussiano circular anisotrópico -LRB- ACGMRF -RRB-", "modelo ACGMRF", "modelo ACGMRF"], ["parâmetros do modelo ACGMRF", "parâmetros do modelo ACGMRF"]]}
{"doc_id": "P05-1073", "text": "Apesar de muitos progressos recentes na anotação de papéis semânticos precisa, trabalhos anteriores utilizaram em grande medida classificadores independentes, possivelmente combinados com modelos separados de sequência de rótulos via descodificação de Viterbi. Isto contrasta fortemente com a observação linguística de que uma moldura de argumento nuclear é uma estrutura conjunta, com fortes dependências entre argumentos. Mostramos como construir um modelo conjunto de molduras de argumentos, incorporando novas características que modelam estas interacções em modelos discriminativos log-lineares. Este sistema obtém uma redução de erro de 22 % em todos os argumentos e de 32 % nos argumentos nucleares em relação a um classificador independente de última geração para árvores de análise sintáctica de padrão-ouro no PropBank.", "ner": [[{"text": "anotação de papéis semânticos", "type": "Task"}, {"text": "classificadores independentes", "type": "Method"}, {"text": "modelos separados de sequência de rótulos", "type": "Method"}, {"text": "descodificação de Viterbi", "type": "Method"}], [{"text": "moldura de argumento nuclear", "type": "OtherScientificTerm"}], [{"text": "modelo conjunto de molduras de argumentos", "type": "Method"}, {"text": "características", "type": "OtherScientificTerm"}, {"text": "modelos discriminativos log-lineares", "type": "Method"}], [{"text": "sistema", "type": "Generic"}, {"text": "redução de erro", "type": "Metric"}, {"text": "classificador independente", "type": "Method"}, {"text": "árvores de análise sintáctica de padrão-ouro", "type": "OtherScientificTerm"}, {"text": "PropBank", "type": "Material"}]], "relations": [[{"head": "classificadores independentes", "tail": "anotação de papéis semânticos", "relation": "USED-FOR"}, {"head": "classificadores independentes", "tail": "modelos separados de sequência de rótulos", "relation": "CONJUNCTION"}, {"head": "descodificação de Viterbi", "tail": "modelos separados de sequência de rótulos", "relation": "USED-FOR"}], [], [{"head": "características", "tail": "modelos discriminativos log-lineares", "relation": "PART-OF"}], [{"head": "redução de erro", "tail": "sistema", "relation": "EVALUATE-FOR"}, {"head": "redução de erro", "tail": "classificador independente", "relation": "EVALUATE-FOR"}, {"head": "classificador independente", "tail": "sistema", "relation": "COMPARE"}, {"head": "árvores de análise sintáctica de padrão-ouro", "tail": "sistema", "relation": "EVALUATE-FOR"}, {"head": "árvores de análise sintáctica de padrão-ouro", "tail": "classificador independente", "relation": "EVALUATE-FOR"}, {"head": "árvores de análise sintáctica de padrão-ouro", "tail": "PropBank", "relation": "PART-OF"}]], "clusters": [["modelo conjunto de molduras de argumentos", "sistema"], ["classificadores independentes", "classificador independente"]]}
{"doc_id": "E93-1023", "text": "Um dos principais problemas com que se depara ao decompor palavras nas suas partes constituintes é a ambiguidade: a geração de múltiplas análises para uma palavra de entrada, muitas das quais são implausíveis. Para lidar com a ambiguidade, o MORphological PArser MORPA é fornecido com uma gramática probabilística livre de contexto (PCFG), ou seja, ele combina uma gramática morfológica livre de contexto 'convencional' para filtrar segmentações agramaticais com uma função de pontuação baseada em probabilidades que determina a probabilidade de cada análise bem-sucedida. Consequentemente, as análises restantes podem ser ordenadas numa escala de plausibilidade. Dados de desempenho de testes mostrarão que uma PCFG produz bons resultados na análise morfológica. O MORPA é um analisador totalmente implementado, desenvolvido para uso num sistema de conversão de texto em fala.", "ner": [[{"text": "ambiguidade", "type": "OtherScientificTerm"}, {"text": "geração", "type": "Task"}], [{"text": "ambiguidade", "type": "OtherScientificTerm"}, {"text": "MORphological PArser MORPA", "type": "Method"}, {"text": "gramática probabilística livre de contexto (PCFG)", "type": "Method"}, {"text": "ele", "type": "Generic"}, {"text": "gramática morfológica livre de contexto 'convencional'", "type": "Method"}, {"text": "segmentações agramaticais", "type": "OtherScientificTerm"}, {"text": "função de pontuação baseada em probabilidades", "type": "Method"}, {"text": "análise", "type": "Task"}], [], [{"text": "PCFG", "type": "Method"}, {"text": "análise morfológica", "type": "Task"}], [{"text": "MORPA", "type": "Method"}, {"text": "analisador", "type": "Method"}, {"text": "sistema de conversão de texto em fala", "type": "Task"}]], "relations": [[], [{"head": "MORphological PArser MORPA", "tail": "ambiguidade", "relation": "USED-FOR"}, {"head": "gramática probabilística livre de contexto (PCFG)", "tail": "MORphological PArser MORPA", "relation": "USED-FOR"}, {"head": "gramática morfológica livre de contexto 'convencional'", "tail": "ele", "relation": "USED-FOR"}, {"head": "gramática morfológica livre de contexto 'convencional'", "tail": "segmentações agramaticais", "relation": "USED-FOR"}, {"head": "função de pontuação baseada em probabilidades", "tail": "ele", "relation": "USED-FOR"}, {"head": "função de pontuação baseada em probabilidades", "tail": "gramática morfológica livre de contexto 'convencional'", "relation": "CONJUNCTION"}, {"head": "função de pontuação baseada em probabilidades", "tail": "análise", "relation": "USED-FOR"}], [], [{"head": "PCFG", "tail": "análise morfológica", "relation": "USED-FOR"}], [{"head": "MORPA", "tail": "analisador", "relation": "HYPONYM-OF"}, {"head": "MORPA", "tail": "sistema de conversão de texto em fala", "relation": "USED-FOR"}, {"head": "analisador", "tail": "sistema de conversão de texto em fala", "relation": "USED-FOR"}]], "clusters": [["MORphological PArser MORPA", "ele", "MORPA"], ["gramática probabilística livre de contexto (PCFG)", "PCFG"]]}
{"doc_id": "C90-3014", "text": "Este artigo descreve a framework de um sistema de base de conhecimento fonológica coreana utilizando o formalismo de gramática baseado em unificação: Gramática da Estrutura da Fonologia Coreana -LRB- KPSG -RRB-. A abordagem da KPSG fornece um modelo de desenvolvimento explícito para a construção de um sistema fonológico computacional: sistema de reconhecimento e síntese de fala. Mostramos que a abordagem proposta é mais descritível do que outras abordagens, tais como aquelas que empregam uma abordagem fonológica gerativa tradicional.", "ner": [[{"text": "sistema de base de conhecimento fonológica coreana", "type": "Task"}, {"text": "formalismo de gramática baseado em unificação", "type": "Method"}, {"text": "Gramática da Estrutura da Fonologia Coreana -LRB- KPSG -RRB-", "type": "Method"}], [{"text": "abordagem", "type": "Generic"}, {"text": "KPSG", "type": "Method"}, {"text": "sistema fonológico", "type": "Task"}, {"text": "sistema de reconhecimento e síntese de fala", "type": "Task"}], [{"text": "abordagem", "type": "Generic"}, {"text": "abordagens", "type": "Generic"}, {"text": "aquelas", "type": "Generic"}, {"text": "abordagem fonológica gerativa", "type": "Method"}]], "relations": [[{"head": "formalismo de gramática baseado em unificação", "tail": "sistema de base de conhecimento fonológica coreana", "relation": "USED-FOR"}, {"head": "Gramática da Estrutura da Fonologia Coreana -LRB- KPSG -RRB-", "tail": "formalismo de gramática baseado em unificação", "relation": "HYPONYM-OF"}], [{"head": "abordagem", "tail": "KPSG", "relation": "USED-FOR"}, {"head": "KPSG", "tail": "sistema fonológico", "relation": "USED-FOR"}], [{"head": "abordagem", "tail": "abordagens", "relation": "COMPARE"}, {"head": "abordagem fonológica gerativa", "tail": "aquelas", "relation": "USED-FOR"}]], "clusters": [["abordagem", "abordagem"], ["abordagens", "aquelas"], ["sistema fonológico", "sistema de reconhecimento e síntese de fala"], ["Gramática da Estrutura da Fonologia Coreana -LRB- KPSG -RRB-", "KPSG"]]}
{"doc_id": "IJCAI_2016_413_abs", "text": "Em alguns domínios de leilão, existe incerteza quanto à disponibilidade final dos bens que estão a ser leiloados. Por exemplo, um governo pode leiloar espectro da sua rede de segurança pública, mas pode precisar desse espectro de volta em tempos de emergência. Num tal domínio, leilões combinatórios padrão têm um desempenho fraco porque eles conduzem a violações da racionalidade individual -LRB- RI -RRB-, mesmo em expectativa, e a uma eficiência muito baixa. Neste artigo, estudamos o desenho de regras de pagamento de seleção pelo núcleo para tais domínios. Surpreendentemente, mostramos que, neste novo domínio, não existe uma regra de pagamento que esteja garantidamente a ser ex-post de seleção pelo núcleo. No entanto, mostramos que, ao conceber regras que são 'dependentes da execução', isto é, ao cobrar pagamentos que são condicionados à realização da disponibilidade dos bens, podemos reduzir violações de RI. Concebemos duas regras de seleção pelo núcleo que satisfazem sempre RI em expectativa. Para estudar o desempenho das nossas regras, realizamos uma análise computacional de equilíbrio de Bayes-Nash. Mostramos que, em equilíbrio, as nossas novas regras têm melhores incentivos, maior eficiência e uma taxa de violações ex-post de RI mais baixa do que as regras padrão de seleção pelo núcleo.", "ner": [[{"text": "domínios de leilão", "type": "Task"}], [], [{"text": "domínio", "type": "Generic"}, {"text": "leilões combinatórios", "type": "Method"}, {"text": "eles", "type": "Generic"}, {"text": "violações da racionalidade individual -LRB- RI -RRB-", "type": "OtherScientificTerm"}, {"text": "racionalidade individual -LRB- RI -RRB-", "type": "OtherScientificTerm"}], [{"text": "desenho de regras de pagamento de seleção pelo núcleo", "type": "Task"}, {"text": "domínios", "type": "Generic"}], [{"text": "domínio", "type": "Generic"}, {"text": "regra de pagamento", "type": "OtherScientificTerm"}], [{"text": "regras", "type": "OtherScientificTerm"}, {"text": "violações de RI", "type": "OtherScientificTerm"}], [{"text": "regras de seleção pelo núcleo", "type": "OtherScientificTerm"}, {"text": "RI", "type": "OtherScientificTerm"}], [{"text": "regras", "type": "Generic"}, {"text": "análise computacional de equilíbrio de Bayes-Nash", "type": "Method"}], [{"text": "regras", "type": "Generic"}, {"text": "taxa de violações ex-post de RI", "type": "Metric"}, {"text": "regras de seleção pelo núcleo", "type": "OtherScientificTerm"}]], "relations": [[], [], [], [{"head": "desenho de regras de pagamento de seleção pelo núcleo", "tail": "domínios", "relation": "USED-FOR"}], [], [], [{"head": "regras de seleção pelo núcleo", "tail": "RI", "relation": "USED-FOR"}], [{"head": "análise computacional de equilíbrio de Bayes-Nash", "tail": "regras", "relation": "USED-FOR"}], [{"head": "regras", "tail": "regras de seleção pelo núcleo", "relation": "COMPARE"}, {"head": "taxa de violações ex-post de RI", "tail": "regras", "relation": "EVALUATE-FOR"}, {"head": "taxa de violações ex-post de RI", "tail": "regras de seleção pelo núcleo", "relation": "EVALUATE-FOR"}]], "clusters": [["domínios de leilão", "domínio", "domínios", "domínio"], ["racionalidade individual -LRB- RI -RRB-", "RI"], ["leilões combinatórios", "eles"], ["violações da racionalidade individual -LRB- RI -RRB-", "violações de RI"], ["regras de seleção pelo núcleo", "regras", "regras"]]}
{"doc_id": "C08-3010", "text": "Neste artigo, iremos descrever uma ferramenta de pesquisa para um grande conjunto de n-gramas. A ferramenta suporta consultas com um número arbitrário de caracteres universais. Ele demora uma fracção de segundo para efectuar uma pesquisa e pode fornecer os preenchimentos dos caracteres universais. O sistema corre num único PC com Linux com memória de tamanho razoável -LRB- menos de 4GB -RRB- e espaço em disco -LRB- menos de 400GB -RRB-. Este sistema pode ser uma ferramenta muito útil para a descoberta de conhecimento linguístico e outras tarefas de PLN.", "ner": [[{"text": "ferramenta de pesquisa", "type": "Method"}, {"text": "n-gramas", "type": "OtherScientificTerm"}], [{"text": "ferramenta", "type": "Generic"}], [{"text": "Ele", "type": "Generic"}], [{"text": "sistema", "type": "Generic"}, {"text": "memória", "type": "OtherScientificTerm"}, {"text": "espaço em disco", "type": "OtherScientificTerm"}], [{"text": "sistema", "type": "Generic"}, {"text": "ferramenta", "type": "Generic"}, {"text": "descoberta de conhecimento linguístico", "type": "Task"}, {"text": "tarefas de PLN", "type": "Task"}]], "relations": [[{"head": "ferramenta de pesquisa", "tail": "n-gramas", "relation": "USED-FOR"}], [], [], [], [{"head": "ferramenta", "tail": "descoberta de conhecimento linguístico", "relation": "USED-FOR"}, {"head": "ferramenta", "tail": "tarefas de PLN", "relation": "USED-FOR"}, {"head": "descoberta de conhecimento linguístico", "tail": "tarefas de PLN", "relation": "CONJUNCTION"}]], "clusters": [["ferramenta de pesquisa", "ferramenta", "Ele", "sistema", "sistema", "ferramenta"]]}
{"doc_id": "J88-3002", "text": "Para que sistemas inteligentes interactivos comuniquem com humanos de uma forma natural, eles têm de ter conhecimento sobre os utilizadores do sistema. Este artigo explora o papel da modelização do utilizador nesses sistemas. Começa com uma caracterização do que é um modelo de utilizador e de como ele pode ser utilizado. Em seguida, são identificados e discutidos os tipos de informação que um modelo de utilizador pode ser obrigado a manter sobre um utilizador. Os próprios modelos de utilizador podem variar bastante, dependendo dos requisitos da situação e da implementação, pelo que são apresentadas várias dimensões ao longo das quais eles podem ser classificados. Dado que adquirir o conhecimento para um modelo de utilizador é um problema fundamental na modelização do utilizador, é dedicada uma secção a este tópico. Seguidamente, os benefícios e os custos de implementar um componente de modelização do utilizador para um sistema são ponderados à luz de vários aspectos dos requisitos de interação que podem ser impostos pelo sistema. Finalmente, é resumido o estado atual da investigação em modelização do utilizador e são avaliados os tópicos de investigação futura que devem ser abordados para se alcançarem sistemas de modelização do utilizador gerais e poderosos.", "ner": [[{"text": "sistemas inteligentes interactivos", "type": "Method"}, {"text": "eles", "type": "Generic"}], [{"text": "modelização do utilizador", "type": "Task"}, {"text": "sistemas", "type": "Method"}], [{"text": "modelo de utilizador", "type": "Method"}, {"text": "ele", "type": "Generic"}], [{"text": "modelo de utilizador", "type": "Method"}], [{"text": "Modelos de utilizador", "type": "Method"}, {"text": "eles", "type": "Generic"}], [{"text": "modelo de utilizador", "type": "Method"}, {"text": "modelização do utilizador", "type": "Task"}], [{"text": "componente de modelização do utilizador", "type": "Method"}, {"text": "sistema", "type": "Generic"}, {"text": "sistema", "type": "Generic"}], [{"text": "modelização do utilizador", "type": "Task"}, {"text": "sistemas de modelização do utilizador", "type": "Method"}]], "relations": [[], [{"head": "modelização do utilizador", "tail": "sistemas", "relation": "PART-OF"}], [], [], [], [{"head": "modelo de utilizador", "tail": "modelização do utilizador", "relation": "USED-FOR"}], [{"head": "componente de modelização do utilizador", "tail": "sistema", "relation": "PART-OF"}], []], "clusters": [["modelo de utilizador", "ele", "modelo de utilizador", "Modelos de utilizador", "eles", "modelo de utilizador", "sistemas de modelização do utilizador"], ["sistemas inteligentes interactivos", "eles", "sistemas"], ["modelização do utilizador", "modelização do utilizador", "modelização do utilizador"], ["sistema", "sistema"]]}
{"doc_id": "N04-4028", "text": "Técnicas de extração de informação criam automaticamente bases de dados estruturadas a partir de fontes de dados não estruturadas , como a Web ou documentos de agências noticiosas . Apesar dos sucessos destes sistemas , a exatidão será sempre imperfeita . Por muitas razões , é altamente desejável estimar com precisão a confiança que o sistema tem na correção de cada campo extraído . O sistema de extração de informação que avaliamos baseia-se num campo aleatório condicional em cadeia linear -LRB- CRF -RRB- , um modelo probabilístico que tem apresentado bons resultados em tarefas de extração de informação devido à sua capacidade de capturar características arbitrárias e sobrepostas da entrada num modelo de Markov . Implementamos várias técnicas para estimar a confiança tanto de campos extraídos como de registos multi-campo completos , obtendo uma precisão média de 98 % na recuperação de campos corretos e 87 % para registos multi-campo .", "ner": [[{"text": "Técnicas de extração de informação", "type": "Method"}, {"text": "bases de dados estruturadas", "type": "Material"}, {"text": "fontes de dados não estruturadas", "type": "Material"}, {"text": "Web", "type": "Material"}, {"text": "documentos de agências noticiosas", "type": "Material"}], [{"text": "sistemas", "type": "Generic"}, {"text": "exatidão", "type": "Metric"}], [{"text": "sistema", "type": "Generic"}], [{"text": "sistema de extração de informação", "type": "Method"}, {"text": "campo aleatório condicional em cadeia linear -LRB- CRF -RRB-", "type": "Method"}, {"text": "modelo probabilístico", "type": "Method"}, {"text": "tarefas de extração de informação", "type": "Task"}, {"text": "características arbitrárias e sobrepostas", "type": "OtherScientificTerm"}, {"text": "entrada", "type": "Generic"}, {"text": "modelo de Markov", "type": "Method"}], [{"text": "técnicas", "type": "Generic"}, {"text": "campos extraídos", "type": "Generic"}, {"text": "registos multi-campo", "type": "Material"}, {"text": "precisão média", "type": "Metric"}, {"text": "registos multi-campo", "type": "Material"}]], "relations": [[{"head": "Técnicas de extração de informação", "tail": "bases de dados estruturadas", "relation": "USED-FOR"}, {"head": "fontes de dados não estruturadas", "tail": "Técnicas de extração de informação", "relation": "USED-FOR"}, {"head": "Web", "tail": "fontes de dados não estruturadas", "relation": "HYPONYM-OF"}, {"head": "Web", "tail": "documentos de agências noticiosas", "relation": "CONJUNCTION"}, {"head": "documentos de agências noticiosas", "tail": "fontes de dados não estruturadas", "relation": "HYPONYM-OF"}], [{"head": "exatidão", "tail": "sistemas", "relation": "EVALUATE-FOR"}], [], [{"head": "campo aleatório condicional em cadeia linear -LRB- CRF -RRB-", "tail": "sistema de extração de informação", "relation": "USED-FOR"}, {"head": "campo aleatório condicional em cadeia linear -LRB- CRF -RRB-", "tail": "modelo probabilístico", "relation": "HYPONYM-OF"}, {"head": "modelo probabilístico", "tail": "tarefas de extração de informação", "relation": "USED-FOR"}, {"head": "modelo probabilístico", "tail": "características arbitrárias e sobrepostas", "relation": "USED-FOR"}, {"head": "características arbitrárias e sobrepostas", "tail": "entrada", "relation": "FEATURE-OF"}, {"head": "características arbitrárias e sobrepostas", "tail": "modelo de Markov", "relation": "PART-OF"}], [{"head": "campos extraídos", "tail": "registos multi-campo", "relation": "CONJUNCTION"}, {"head": "precisão média", "tail": "técnicas", "relation": "EVALUATE-FOR"}]], "clusters": [["Técnicas de extração de informação", "sistemas", "sistema", "sistema de extração de informação"], ["registos multi-campo", "registos multi-campo"]]}
{"doc_id": "H05-1005", "text": "Neste artigo, utilizamos a redundância de informação em dados de entrada multilingues para corrigir erros na tradução automática e assim melhorar a qualidade de resumos multilingues. Consideramos o caso da sumarização multi-documento, em que os documentos de entrada estão em árabe e o resumo de saída está em inglês. Tipicamente, a informação que chega a um resumo aparece em muitas formas léxico-sintácticas diferentes nos documentos de entrada. Além disso, a utilização de múltiplos sistemas de tradução automática proporciona ainda mais redundância, gerando diferentes formas de realizar essa informação em inglês. Demonstramos como erros nas traduções automáticas dos documentos em árabe de entrada podem ser corrigidos através da identificação e geração a partir de tal redundância, com foco em sintagmas nominais.", "ner": [[{"text": "redundância de informação em dados de entrada multilingues", "type": "OtherScientificTerm"}, {"text": "tradução automática", "type": "Task"}, {"text": "resumos multilingues", "type": "Task"}], [{"text": "sumarização multi-documento", "type": "Task"}, {"text": "árabe", "type": "Material"}, {"text": "inglês", "type": "Material"}], [{"text": "formas léxico-sintácticas", "type": "OtherScientificTerm"}], [{"text": "sistemas de tradução automática", "type": "Method"}, {"text": "inglês", "type": "Material"}], [{"text": "traduções automáticas", "type": "Task"}, {"text": "documentos em árabe", "type": "Material"}]], "relations": [[{"head": "redundância de informação em dados de entrada multilingues", "tail": "tradução automática", "relation": "USED-FOR"}, {"head": "redundância de informação em dados de entrada multilingues", "tail": "resumos multilingues", "relation": "USED-FOR"}], [], [], [], [{"head": "documentos em árabe", "tail": "traduções automáticas", "relation": "USED-FOR"}]], "clusters": [["sistemas de tradução automática", "traduções automáticas"]]}
{"doc_id": "ICCV_2015_392_abs", "text": "Neste artigo, propomos uma nova abordagem para gerar propostas de objetos orientados -LRB- OOPs -RRB- para reduzir o erro de deteção causado por várias orientações do objeto. Para este fim, propomos localizar eficientemente regiões de objetos de acordo com a probabilidade de objeto ao nível de píxel, em vez de medir a objetualidade a partir de um conjunto de janelas amostradas. Formulamos o problema de geração de propostas como um modelo probabilístico generativo, de modo que propostas de objetos com diferentes formas -LRB- i.e., tamanhos e orientações -RRB- possam ser produzidas localizando os máximos locais de verosimilhança. A nova abordagem tem três principais vantagens. Primeiro, esta ajuda o detetor de objetos a lidar com objetos com diferentes orientações. Segundo, como as formas das propostas podem variar para se ajustarem aos objetos, as propostas resultantes são mais justas do que as janelas de amostragem com tamanhos fixos. Terceiro, esta evita a amostragem massiva de janelas, reduzindo assim o número de propostas enquanto mantém uma elevada revocação. Experiências no conjunto de dados PASCAL VOC 2007 mostram que o OOP proposto supera os métodos rápidos de última geração. Outras experiências mostram que a propriedade invariante à rotação ajuda um detetor de objetos específico de classe a alcançar um melhor desempenho do que os métodos de geração de propostas de última geração, quer em cenários de rotação de objetos quer em cenários gerais. Gerar OOPs é muito rápido e demora apenas 0,5 s por imagem.", "ner": [[{"text": "abordagem", "type": "Generic"}, {"text": "propostas de objetos orientados -LRB- OOPs -RRB-", "type": "Task"}, {"text": "erro de deteção", "type": "Metric"}, {"text": "orientações do objeto", "type": "OtherScientificTerm"}], [{"text": "regiões de objetos", "type": "OtherScientificTerm"}, {"text": "probabilidade de objeto ao nível de píxel", "type": "OtherScientificTerm"}, {"text": "objetualidade", "type": "OtherScientificTerm"}], [{"text": "problema de geração de propostas", "type": "Task"}, {"text": "modelo probabilístico generativo", "type": "Method"}, {"text": "propostas de objetos", "type": "OtherScientificTerm"}, {"text": "formas", "type": "OtherScientificTerm"}, {"text": "tamanhos", "type": "OtherScientificTerm"}, {"text": "orientações", "type": "OtherScientificTerm"}, {"text": "máximos locais de verosimilhança", "type": "OtherScientificTerm"}], [{"text": "abordagem", "type": "Generic"}], [{"text": "esta", "type": "Generic"}, {"text": "detetor de objetos", "type": "Method"}, {"text": "orientações", "type": "OtherScientificTerm"}], [{"text": "formas das propostas", "type": "OtherScientificTerm"}, {"text": "janelas de amostragem", "type": "OtherScientificTerm"}], [{"text": "esta", "type": "Generic"}, {"text": "amostragem massiva de janelas", "type": "Method"}, {"text": "número de propostas", "type": "OtherScientificTerm"}, {"text": "revocação", "type": "Metric"}], [{"text": "conjunto de dados PASCAL VOC 2007", "type": "Material"}, {"text": "OOP", "type": "Method"}, {"text": "métodos rápidos de última geração", "type": "Generic"}], [{"text": "propriedade invariante à rotação", "type": "OtherScientificTerm"}, {"text": "detetor de objetos específico de classe", "type": "Method"}, {"text": "métodos de geração de propostas", "type": "Method"}, {"text": "cenários de rotação de objetos", "type": "Material"}, {"text": "cenários gerais", "type": "Material"}], [{"text": "OOPs", "type": "Task"}]], "relations": [[{"head": "abordagem", "tail": "propostas de objetos orientados -LRB- OOPs -RRB-", "relation": "USED-FOR"}, {"head": "erro de deteção", "tail": "propostas de objetos orientados -LRB- OOPs -RRB-", "relation": "EVALUATE-FOR"}], [{"head": "probabilidade de objeto ao nível de píxel", "tail": "regiões de objetos", "relation": "USED-FOR"}, {"head": "probabilidade de objeto ao nível de píxel", "tail": "objetualidade", "relation": "COMPARE"}], [{"head": "modelo probabilístico generativo", "tail": "problema de geração de propostas", "relation": "USED-FOR"}, {"head": "formas", "tail": "propostas de objetos", "relation": "FEATURE-OF"}, {"head": "tamanhos", "tail": "formas", "relation": "HYPONYM-OF"}, {"head": "tamanhos", "tail": "orientações", "relation": "CONJUNCTION"}, {"head": "orientações", "tail": "formas", "relation": "HYPONYM-OF"}, {"head": "máximos locais de verosimilhança", "tail": "propostas de objetos", "relation": "USED-FOR"}], [], [{"head": "detetor de objetos", "tail": "orientações", "relation": "USED-FOR"}], [], [{"head": "esta", "tail": "número de propostas", "relation": "USED-FOR"}, {"head": "revocação", "tail": "esta", "relation": "EVALUATE-FOR"}], [{"head": "conjunto de dados PASCAL VOC 2007", "tail": "OOP", "relation": "EVALUATE-FOR"}, {"head": "OOP", "tail": "métodos rápidos de última geração", "relation": "COMPARE"}], [{"head": "propriedade invariante à rotação", "tail": "detetor de objetos específico de classe", "relation": "USED-FOR"}, {"head": "detetor de objetos específico de classe", "tail": "métodos de geração de propostas", "relation": "COMPARE"}, {"head": "cenários de rotação de objetos", "tail": "detetor de objetos específico de classe", "relation": "EVALUATE-FOR"}, {"head": "cenários de rotação de objetos", "tail": "métodos de geração de propostas", "relation": "EVALUATE-FOR"}, {"head": "cenários de rotação de objetos", "tail": "cenários gerais", "relation": "CONJUNCTION"}, {"head": "cenários gerais", "tail": "detetor de objetos específico de classe", "relation": "EVALUATE-FOR"}, {"head": "cenários gerais", "tail": "métodos de geração de propostas", "relation": "EVALUATE-FOR"}], []], "clusters": [["abordagem", "modelo probabilístico generativo", "abordagem", "esta", "esta"], ["OOP", "OOPs"]]}
{"doc_id": "H92-1017", "text": "Este artigo descreve três capacidades relativamente independentes de domínio recentemente adicionadas ao sistema Paramax de compreensão de linguagem falada: raciocínio não monotónico, resolução implícita de referências e paráfrase de consultas a bases de dados. Além disso, discutimos os resultados dos testes de referência ATIS de fevereiro de 1992. Descrevemos uma variação da métrica de avaliação padrão que fornece uma medida de progresso mais rigorosamente controlada. Finalmente, descrevemos brevemente uma experiência que realizámos na extensão da arquitetura de integração fala/linguagem n-best para melhorar a precisão de OCR.", "ner": [[{"text": "capacidades relativamente independentes de domínio", "type": "Generic"}, {"text": "sistema Paramax de compreensão de linguagem falada", "type": "Method"}, {"text": "raciocínio não monotónico", "type": "Task"}, {"text": "resolução implícita de referências", "type": "Task"}, {"text": "paráfrase de consultas a bases de dados", "type": "Task"}], [{"text": "testes de referência ATIS de fevereiro de 1992", "type": "Material"}], [], [{"text": "arquitetura de integração fala/linguagem n-best", "type": "Method"}, {"text": "precisão de OCR", "type": "Metric"}]], "relations": [[{"head": "capacidades relativamente independentes de domínio", "tail": "sistema Paramax de compreensão de linguagem falada", "relation": "PART-OF"}, {"head": "raciocínio não monotónico", "tail": "capacidades relativamente independentes de domínio", "relation": "HYPONYM-OF"}, {"head": "resolução implícita de referências", "tail": "capacidades relativamente independentes de domínio", "relation": "HYPONYM-OF"}, {"head": "paráfrase de consultas a bases de dados", "tail": "capacidades relativamente independentes de domínio", "relation": "HYPONYM-OF"}], [], [], [{"head": "precisão de OCR", "tail": "arquitetura de integração fala/linguagem n-best", "relation": "EVALUATE-FOR"}]], "clusters": []}
{"doc_id": "CVPR_2016_416_abs", "text": "Investigamos o problema da recuperação de imagens baseada em esboços de grão fino -LRB- SBIR -RRB- , em que esboços humanos desenhados à mão livre são usados como consultas para realizar a recuperação de imagens ao nível de instância . Esta é uma tarefa extremamente desafiante porque -LRB- i -RRB- as comparações visuais não só precisam de ser de grão fino como também executadas entre domínios , -LRB- ii -RRB- os esboços desenhados à mão livre -LRB- com o dedo -RRB- são altamente abstractos , tornando a correspondência de grão fino mais difícil , e , mais importante , -LRB- iii -RRB- os conjuntos de dados anotados de esboços-fotografias entre domínios necessários para o treino são escassos , desafiando muitas técnicas de aprendizagem automática de última geração . Neste artigo , pela primeira vez , abordamos todos estes desafios , dando um passo em direcção às capacidades que sustentariam uma aplicação comercial de recuperação de imagens baseada em esboços . Introduzimos uma nova base de dados de 1.432 pares de esboços-fotografias de duas categorias com 32.000 anotações de ranking de triplos de grão fino . Desenvolvemos depois um modelo profundo de ranking de triplos para SBIR ao nível de instância com uma nova estratégia de pré-treino faseado e aumento de dados para atenuar o problema de dados de treino de grão fino insuficientes . São realizadas experiências extensivas para contribuir com uma variedade de ideias sobre os desafios da suficiência de dados e da prevenção de sobreajuste ao treinar redes profundas para tarefas de ranking de grão fino entre domínios .", "ner": [[{"text": "recuperação de imagens baseada em esboços de grão fino -LRB- SBIR -RRB-", "type": "Task"}, {"text": "esboços humanos desenhados à mão livre", "type": "OtherScientificTerm"}, {"text": "recuperação de imagens ao nível de instância", "type": "Task"}], [{"text": "comparações visuais", "type": "OtherScientificTerm"}, {"text": "esboços desenhados à mão livre -LRB- com o dedo -RRB-", "type": "OtherScientificTerm"}, {"text": "correspondência de grão fino", "type": "Task"}, {"text": "conjuntos de dados anotados de esboços-fotografias entre domínios", "type": "Material"}, {"text": "técnicas de aprendizagem automática", "type": "Method"}], [{"text": "aplicação comercial de recuperação de imagens baseada em esboços", "type": "Task"}], [{"text": "anotações de ranking de triplos de grão fino", "type": "OtherScientificTerm"}], [{"text": "modelo profundo de ranking de triplos", "type": "Method"}, {"text": "SBIR ao nível de instância", "type": "Task"}, {"text": "aumento de dados", "type": "Method"}, {"text": "estratégia de pré-treino faseado", "type": "Method"}, {"text": "dados de treino de grão fino insuficientes", "type": "Material"}], [{"text": "suficiência de dados", "type": "OtherScientificTerm"}, {"text": "prevenção de sobreajuste", "type": "OtherScientificTerm"}, {"text": "redes profundas", "type": "Method"}, {"text": "tarefas de ranking de grão fino entre domínios", "type": "Task"}]], "relations": [[{"head": "esboços humanos desenhados à mão livre", "tail": "recuperação de imagens ao nível de instância", "relation": "USED-FOR"}], [{"head": "conjuntos de dados anotados de esboços-fotografias entre domínios", "tail": "técnicas de aprendizagem automática", "relation": "USED-FOR"}], [], [], [{"head": "modelo profundo de ranking de triplos", "tail": "SBIR ao nível de instância", "relation": "USED-FOR"}, {"head": "modelo profundo de ranking de triplos", "tail": "dados de treino de grão fino insuficientes", "relation": "USED-FOR"}, {"head": "aumento de dados", "tail": "modelo profundo de ranking de triplos", "relation": "USED-FOR"}, {"head": "aumento de dados", "tail": "estratégia de pré-treino faseado", "relation": "CONJUNCTION"}, {"head": "estratégia de pré-treino faseado", "tail": "modelo profundo de ranking de triplos", "relation": "USED-FOR"}], [{"head": "suficiência de dados", "tail": "prevenção de sobreajuste", "relation": "CONJUNCTION"}, {"head": "redes profundas", "tail": "tarefas de ranking de grão fino entre domínios", "relation": "USED-FOR"}]], "clusters": []}
{"doc_id": "CVPR_2015_303_abs", "text": "Neste artigo, temos como objetivo gerar propostas de ação genéricas em vídeos não restringidos. Cada proposta de ação corresponde a uma série temporal de caixas delimitadoras espaciais, isto é, um tubo de vídeo espaço-temporal, que tem um bom potencial para localizar uma ação humana. Assumindo que cada ação é realizada por um humano com movimento significativo, pistas de aparência e de movimento são utilizadas para medir a ação-ness dos tubos de vídeo. Depois de selecionar esses caminhos espaço-temporais com pontuações de ação-ness elevadas, a nossa geração de propostas de ação é formulada como um problema de cobertura máxima de conjuntos, em que é realizada uma pesquisa gananciosa para selecionar um conjunto de propostas de ação que possa maximizar a pontuação de ação-ness global. Em comparação com abordagens de propostas de ação existentes, as nossas propostas de ação não dependem da segmentação de vídeo e podem ser geradas quase em tempo real. Resultados experimentais em dois conjuntos de dados desafiantes, MSRII e UCF 101, validam o desempenho superior das nossas propostas de ação, bem como resultados competitivos em deteção e pesquisa de ações.", "ner": [[{"text": "propostas de ação genéricas", "type": "OtherScientificTerm"}, {"text": "vídeos não restringidos", "type": "Material"}], [{"text": "proposta de ação", "type": "OtherScientificTerm"}, {"text": "série temporal de caixas delimitadoras espaciais", "type": "OtherScientificTerm"}, {"text": "tubo de vídeo espaço-temporal", "type": "OtherScientificTerm"}, {"text": "ação humana", "type": "OtherScientificTerm"}], [{"text": "pistas de aparência e de movimento", "type": "OtherScientificTerm"}, {"text": "ação-ness", "type": "Metric"}, {"text": "tubos de vídeo", "type": "Material"}], [{"text": "pontuações de ação-ness", "type": "Metric"}, {"text": "geração de propostas de ação", "type": "Task"}, {"text": "problema de cobertura máxima de conjuntos", "type": "Task"}, {"text": "pesquisa gananciosa", "type": "Method"}, {"text": "propostas de ação", "type": "OtherScientificTerm"}, {"text": "pontuação de ação-ness", "type": "Metric"}], [{"text": "abordagens de propostas de ação", "type": "Method"}, {"text": "propostas de ação", "type": "OtherScientificTerm"}, {"text": "segmentação de vídeo", "type": "Method"}], [{"text": "conjuntos de dados", "type": "Generic"}, {"text": "MSRII", "type": "Material"}, {"text": "UCF 101", "type": "Material"}, {"text": "propostas de ação", "type": "OtherScientificTerm"}, {"text": "deteção e pesquisa de ações", "type": "Task"}]], "relations": [[{"head": "vídeos não restringidos", "tail": "propostas de ação genéricas", "relation": "USED-FOR"}], [{"head": "tubo de vídeo espaço-temporal", "tail": "série temporal de caixas delimitadoras espaciais", "relation": "HYPONYM-OF"}, {"head": "tubo de vídeo espaço-temporal", "tail": "ação humana", "relation": "USED-FOR"}], [{"head": "pistas de aparência e de movimento", "tail": "ação-ness", "relation": "USED-FOR"}, {"head": "ação-ness", "tail": "tubos de vídeo", "relation": "EVALUATE-FOR"}], [{"head": "problema de cobertura máxima de conjuntos", "tail": "geração de propostas de ação", "relation": "USED-FOR"}, {"head": "pesquisa gananciosa", "tail": "propostas de ação", "relation": "USED-FOR"}, {"head": "pontuação de ação-ness", "tail": "propostas de ação", "relation": "EVALUATE-FOR"}], [{"head": "abordagens de propostas de ação", "tail": "propostas de ação", "relation": "COMPARE"}], [{"head": "conjuntos de dados", "tail": "propostas de ação", "relation": "EVALUATE-FOR"}, {"head": "MSRII", "tail": "conjuntos de dados", "relation": "HYPONYM-OF"}, {"head": "MSRII", "tail": "UCF 101", "relation": "CONJUNCTION"}, {"head": "UCF 101", "tail": "conjuntos de dados", "relation": "HYPONYM-OF"}, {"head": "deteção e pesquisa de ações", "tail": "propostas de ação", "relation": "EVALUATE-FOR"}]], "clusters": [["propostas de ação", "propostas de ação"]]}
{"doc_id": "J81-1002", "text": "Este artigo relata investigação recente sobre métodos para criar texto em linguagem natural. Foi criado um novo paradigma de processamento chamado Fragment-and-Compose e nele foi implementado um sistema experimental. O conhecimento a ser expresso em texto é primeiro dividido em pequenas unidades proposicionais, que são depois compostas em combinações apropriadas e convertidas em texto. O SLC -LRB- Sistema de Fornecimento de Conhecimento -RRB-, que incorpora este paradigma, tem partes distintas dedicadas à criação das unidades proposicionais, à organização do texto, à prevenção de redundância excessiva, à criação de combinações de unidades, à avaliação dessas combinações como frases potenciais, à seleção da melhor entre combinações concorrentes e à criação do texto final. Descrevem-se o paradigma Fragment-and-Compose e os métodos computacionais do SLC.", "ner": [[{"text": "métodos", "type": "Generic"}, {"text": "criar texto em linguagem natural", "type": "Task"}], [{"text": "paradigma de processamento", "type": "Generic"}, {"text": "Fragment-and-Compose", "type": "Method"}], [], [{"text": "SLC -LRB- Sistema de Fornecimento de Conhecimento -RRB-", "type": "Method"}, {"text": "paradigma", "type": "Generic"}], [{"text": "paradigma Fragment-and-Compose", "type": "Method"}, {"text": "métodos computacionais", "type": "Generic"}, {"text": "SLC", "type": "Method"}]], "relations": [[{"head": "métodos", "tail": "criar texto em linguagem natural", "relation": "USED-FOR"}], [], [], [{"head": "paradigma", "tail": "SLC -LRB- Sistema de Fornecimento de Conhecimento -RRB-", "relation": "PART-OF"}], [{"head": "métodos computacionais", "tail": "SLC", "relation": "USED-FOR"}]], "clusters": [["SLC -LRB- Sistema de Fornecimento de Conhecimento -RRB-", "SLC"], ["métodos", "paradigma de processamento", "Fragment-and-Compose", "paradigma", "paradigma Fragment-and-Compose"]]}
{"doc_id": "E99-1034", "text": "Este artigo explora a questão da utilização de diferentes similaridades de coocorrência entre termos para separar termos de consulta que são úteis para a recuperação daqueles que são prejudiciais. A hipótese em exame é que os termos úteis tendem a ser mais semelhantes entre si do que a outros termos de consulta. Experiências preliminares com similaridades calculadas usando coocorrência de primeira e segunda ordem parecem confirmar a hipótese. As similaridades entre termos podem então ser usadas para determinar quais termos de consulta são úteis e melhor refletem a necessidade de informação do utilizador. Uma aplicação possível seria utilizar esta fonte de evidência para ajustar os pesos dos termos de consulta.", "ner": [[{"text": "similaridades de coocorrência", "type": "OtherScientificTerm"}, {"text": "termos de consulta", "type": "Generic"}, {"text": "recuperação", "type": "Task"}, {"text": "daqueles", "type": "Generic"}], [{"text": "termos úteis", "type": "Generic"}, {"text": "termos de consulta", "type": "Generic"}], [{"text": "similaridades", "type": "Generic"}, {"text": "coocorrência de primeira e segunda ordem", "type": "OtherScientificTerm"}], [{"text": "similaridades entre termos", "type": "OtherScientificTerm"}], []], "relations": [[{"head": "similaridades de coocorrência", "tail": "termos de consulta", "relation": "USED-FOR"}, {"head": "termos de consulta", "tail": "recuperação", "relation": "USED-FOR"}, {"head": "daqueles", "tail": "termos de consulta", "relation": "COMPARE"}], [{"head": "termos úteis", "tail": "termos de consulta", "relation": "COMPARE"}], [{"head": "coocorrência de primeira e segunda ordem", "tail": "similaridades", "relation": "USED-FOR"}], [], []], "clusters": [["similaridades", "similaridades entre termos"]]}
{"doc_id": "N03-1017", "text": "Propomos um novo modelo de tradução baseado em expressões e um algoritmo de descodificação que nos permite avaliar e comparar vários modelos de tradução baseados em expressões propostos anteriormente. No nosso enquadramento, realizamos um grande número de experiências para compreender melhor e explicar por que motivo os modelos baseados em expressões superam os modelos baseados em palavras. Os nossos resultados empíricos, que se verificam para todos os pares de línguas examinados, sugerem que os níveis mais elevados de desempenho podem ser obtidos por meios relativamente simples: aprendizagem heurística de traduções de expressões a partir de alinhamentos baseados em palavras e ponderação lexical de traduções de expressões. Surpreendentemente, aprender expressões com mais de três palavras e aprender expressões a partir de modelos de alinhamento ao nível da palavra de elevada precisão não tem um impacto forte no desempenho. Aprender apenas expressões motivadas sintaticamente degrada o desempenho dos nossos sistemas.", "ner": [[{"text": "modelo de tradução baseado em expressões", "type": "Method"}, {"text": "algoritmo de descodificação", "type": "Method"}, {"text": "modelos de tradução baseados em expressões", "type": "Method"}], [{"text": "enquadramento", "type": "Generic"}, {"text": "modelos baseados em expressões", "type": "Method"}, {"text": "modelos baseados em palavras", "type": "Method"}], [{"text": "meios", "type": "Generic"}, {"text": "aprendizagem heurística de traduções de expressões", "type": "Method"}, {"text": "alinhamentos baseados em palavras", "type": "Method"}, {"text": "ponderação lexical de traduções de expressões", "type": "Method"}], [{"text": "modelos de alinhamento ao nível da palavra de elevada precisão", "type": "Method"}], [{"text": "sistemas", "type": "Generic"}]], "relations": [[{"head": "modelo de tradução baseado em expressões", "tail": "algoritmo de descodificação", "relation": "CONJUNCTION"}], [{"head": "modelos baseados em expressões", "tail": "modelos baseados em palavras", "relation": "COMPARE"}], [{"head": "aprendizagem heurística de traduções de expressões", "tail": "meios", "relation": "HYPONYM-OF"}, {"head": "alinhamentos baseados em palavras", "tail": "aprendizagem heurística de traduções de expressões", "relation": "USED-FOR"}, {"head": "ponderação lexical de traduções de expressões", "tail": "meios", "relation": "HYPONYM-OF"}], [], []], "clusters": [["modelo de tradução baseado em expressões", "enquadramento", "sistemas"], ["modelos de tradução baseados em expressões", "modelos baseados em expressões"]]}
{"doc_id": "CVPR_2011_293_abs", "text": "Sabe-se que a cor é altamente discriminativa para muitas tarefas de reconhecimento de objetos, mas é difícil de inferir a partir de imagens não controladas em que o iluminante não é conhecido. Métodos tradicionais para constância de cor podem melhorar as estimativas de refletância da superfície a partir de tais imagens não calibradas, mas a sua saída depende significativamente da cena de fundo. Em muitas aplicações de reconhecimento e recuperação, temos acesso a conjuntos de imagens que contêm múltiplas vistas do mesmo objeto em diferentes ambientes; mostramos neste artigo que correspondências entre essas imagens fornecem restrições importantes que podem melhorar a constância de cor. Introduzimos o problema de constância de cor multi‑vista e apresentamos um método para recuperar estimativas da refletância subjacente da superfície com base na estimativa conjunta destas propriedades de superfície e dos iluminantes presentes em múltiplas imagens. O método pode explorar correspondências de imagem obtidas por várias técnicas de alinhamento, e mostramos exemplos baseados em correspondência de características de regiões locais. Os nossos resultados mostram que restrições multi‑vista podem melhorar significativamente as estimativas tanto dos iluminantes da cena como da cor do objeto (refletância da superfície) quando comparadas com um método básico de vista única.", "ner": [[{"text": "tarefas de reconhecimento de objetos", "type": "Task"}, {"text": "imagens não controladas", "type": "Material"}, {"text": "iluminante", "type": "OtherScientificTerm"}], [{"text": "métodos", "type": "Generic"}, {"text": "constância de cor", "type": "Task"}, {"text": "estimativas de refletância da superfície", "type": "Method"}, {"text": "imagens não calibradas", "type": "Material"}, {"text": "cena de fundo", "type": "OtherScientificTerm"}], [{"text": "aplicações de reconhecimento e recuperação", "type": "Task"}, {"text": "constância de cor", "type": "Task"}], [{"text": "problema de constância de cor multi‑vista", "type": "Task"}, {"text": "método", "type": "Generic"}, {"text": "estimativas da refletância subjacente da superfície", "type": "Task"}, {"text": "propriedades de superfície", "type": "OtherScientificTerm"}, {"text": "iluminantes", "type": "OtherScientificTerm"}], [{"text": "método", "type": "Generic"}, {"text": "correspondências de imagem", "type": "OtherScientificTerm"}, {"text": "técnicas de alinhamento", "type": "Method"}, {"text": "correspondência de características de regiões locais", "type": "OtherScientificTerm"}], [{"text": "restrições multi‑vista", "type": "OtherScientificTerm"}, {"text": "estimativas tanto dos iluminantes da cena como da cor do objeto (refletância da superfície)", "type": "Task"}, {"text": "método básico de vista única", "type": "Method"}]], "relations": [[], [{"head": "métodos", "tail": "constância de cor", "relation": "USED-FOR"}, {"head": "métodos", "tail": "estimativas de refletância da superfície", "relation": "USED-FOR"}, {"head": "imagens não calibradas", "tail": "estimativas de refletância da superfície", "relation": "USED-FOR"}], [], [{"head": "método", "tail": "estimativas da refletância subjacente da superfície", "relation": "USED-FOR"}], [{"head": "método", "tail": "correspondências de imagem", "relation": "USED-FOR"}, {"head": "técnicas de alinhamento", "tail": "correspondências de imagem", "relation": "USED-FOR"}], [{"head": "restrições multi‑vista", "tail": "estimativas tanto dos iluminantes da cena como da cor do objeto (refletância da superfície)", "relation": "USED-FOR"}, {"head": "método básico de vista única", "tail": "restrições multi‑vista", "relation": "COMPARE"}]], "clusters": [["método", "método"], ["constância de cor", "constância de cor"]]}
{"doc_id": "P05-3001", "text": "Descrevemos um sistema de diálogo que trabalha com o seu interlocutor para identificar objetos. As nossas contribuições incluem uma arquitetura concisa e modular com processos reversíveis de compreensão e geração, um modelo de estado de informação de referência e ligações flexíveis entre semântica e resolução colaborativa de problemas.", "ner": [[{"text": "sistema de diálogo", "type": "Method"}], [{"text": "arquitetura concisa e modular", "type": "Method"}, {"text": "compreensão", "type": "Task"}, {"text": "geração", "type": "Task"}, {"text": "modelo de estado de informação de referência", "type": "Method"}, {"text": "semântica", "type": "OtherScientificTerm"}, {"text": "resolução colaborativa de problemas", "type": "Task"}]], "relations": [[], [{"head": "arquitetura concisa e modular", "tail": "compreensão", "relation": "USED-FOR"}, {"head": "arquitetura concisa e modular", "tail": "geração", "relation": "USED-FOR"}, {"head": "compreensão", "tail": "geração", "relation": "CONJUNCTION"}]], "clusters": []}