TY  - CHAP
A1  - Tahmasebi, Nina
A1  - Gossen, Gerhard
A1  - Kanhabua, Nattiya
A1  - Holzmann, Helge
A1  - Risse, Thomas
A2  - Kay, Martin
A2  - Boitet, Christian
T1  - NEER: An unsupervised method for named entity evolution recognition
T1  - NEER: Eine nichtüberwachte Methode zur Erkennung von Namensevolution
T2  - Martin Kay ; Christian Boitet (Hrsg.): Proceedings of COLING 2012, Mumbai, India
N2  - High impact events, political changes and new technologies are reflected in our language and lead to constant evolution of terms, expressions and names. Not knowing about names used in the past for referring to a named entity can severely decrease the performance of many computational linguistic algorithms. We propose NEER, an unsupervised method for named entity evolution recognition independent of external knowledge sources. We find time periods with high likelihood of evolution. By analyzing only these time periods using a sliding window co-occurrence method we capture evolving terms in the same context. We thus avoid comparing terms from widely different periods in time and overcome a severe limitation of existing methods for named entity evolution, as shown by the high recall of 90% on the New York Times corpus. We compare several relatedness measures for filtering to improve precision. Furthermore, using machine learning with minimal supervision improves precision to 94%.
N2  - Wichtige Ereignisse, politische Veränderungen und neue Technologien spiegeln sich in unserer Sprache wieder und führen zu einer ständigen Evolution von Begriffen, Ausdrücken und Namen. Mangelndes Wissen über frühere Namen einer Entität kann die Leistungsfähigkeit vieler computerlinguistischer Methoden deutlich verringern. In diesem Papier präsentieren wir unsere nichtüberwachte Methode namens NEER zur Erkennung von Namensevolution, die unabhängig von externen Datenquellen arbeitet. Indem wir Zeiträume mit erhöhter Evolutionswahrscheinlichkeit mit Hilfe einer Kookkurrenzmethode basierend auf Sliding Windows-Verfahren untersuchen, erfassen wir evolvierende Terme im selben Kontext. Dadurch vermeiden wir es, Terme aus weit auseinander liegenden Zeiträumen zu vergleichen und umgehen damit eine schwerwiegende Beschränkung vorhandener Methoden. Dieses zeigt sich an einer gemessenen Sensitivität von 90% auf dem Korpus der New York Times. Um die Genauigkeit zu erhöhen, vergleichen wir mehrere Ähnlichkeitsmaße zur Filterung. Mit Hilfe von maschinellem Lernen mit minimaler Überwachung verbessern wir die Genauigkeit auf 94%.
KW  - Temporal Named Entity Evolution
KW  - Named Entity Changes
KW  - Machine Learning
KW  - Zeitliche Namensevolution
KW  - Namensänderungen
KW  - Maschinelles Lernen
Y1  - 2012
UR  - http://publikationen.ub.uni-frankfurt.de/frontdoor/index/index/docId/54248
UR  - https://nbn-resolving.org/urn:nbn:de:hebis:30:3-542487
UR  - https://www.aclweb.org/anthology/C12-1156/
N1  - ACL materials are Copyright © 1963–2020 ACL; other materials are copyrighted by their respective copyright holders. Materials prior to 2016 here are licensed under the Creative Commons Attribution-NonCommercial-ShareAlike 3.0 International License. Permission is granted to make copies for the purposes of teaching and research. Materials published in or after 2016 are licensed on a Creative Commons Attribution 4.0 International License.
IS  - C12-1156
SP  - 2553
EP  - 2568
PB  - The COLING 2012 Organizing Committee
CY  - Mumbai, India
ER  -