-
Holland, M.: Erstes wissenschaftliches Buch eines Algorithmus' veröffentlicht (2019)
0.03
0.029098257 = product of:
0.043647386 = sum of:
0.031532075 = weight(_text_:im in 5227) [ClassicSimilarity], result of:
0.031532075 = score(doc=5227,freq=2.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.2186231 = fieldWeight in 5227, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.0546875 = fieldNorm(doc=5227)
0.01211531 = product of:
0.03634593 = sum of:
0.03634593 = weight(_text_:online in 5227) [ClassicSimilarity], result of:
0.03634593 = score(doc=5227,freq=2.0), product of:
0.1548489 = queryWeight, product of:
3.0349014 = idf(docFreq=5778, maxDocs=44218)
0.051022716 = queryNorm
0.23471867 = fieldWeight in 5227, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.0349014 = idf(docFreq=5778, maxDocs=44218)
0.0546875 = fieldNorm(doc=5227)
0.33333334 = coord(1/3)
0.6666667 = coord(2/3)
- Abstract
- Der Wissenschaftsverlag Springer Nature hat nach eigenen Angaben das erste Buch veröffentlicht, das von einem Algorithmus verfasst wurde. Bei Springer Nature ist das nach Angaben des Wissenschaftsverlags erste maschinengenerierte Buch erschienen: "Lithium-Ion Batteries - A Machine-Generated Summary of Current Research" biete einen Überblick über die neuesten Forschungspublikationen über Lithium-Ionen-Batterien, erklärte die Goethe-Universität Frankfurt am Main. Dort wurde im Bereich Angewandte Computerlinguistik unter der Leitung von Christian Chiarcos jenes Verfahren entwickelt, das Textinhalte automatisch analysiert und relevante Publikationen auswählen kann. Es heißt "Beta Writer" und steht als Autor über dem Buch.
- Series
- Heise Online: News
-
Rötzer, F.: KI-Programm besser als Menschen im Verständnis natürlicher Sprache (2018)
0.02
0.023132622 = product of:
0.034698933 = sum of:
0.025481766 = weight(_text_:im in 4217) [ClassicSimilarity], result of:
0.025481766 = score(doc=4217,freq=4.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.17667414 = fieldWeight in 4217, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.03125 = fieldNorm(doc=4217)
0.009217165 = product of:
0.027651496 = sum of:
0.027651496 = weight(_text_:22 in 4217) [ClassicSimilarity], result of:
0.027651496 = score(doc=4217,freq=2.0), product of:
0.17867287 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.051022716 = queryNorm
0.15476047 = fieldWeight in 4217, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.03125 = fieldNorm(doc=4217)
0.33333334 = coord(1/3)
0.6666667 = coord(2/3)
- Date
- 22. 1.2018 11:32:44
- Source
- https://www.heise.de/tp/features/KI-Programm-besser-als-Menschen-im-Verstaendnis-natuerlicher-Sprache-3941786.html?view=print
-
Renker, L.: Exploration von Textkorpora : Topic Models als Grundlage der Interaktion (2015)
0.02
0.020746566 = product of:
0.031119848 = sum of:
0.022522911 = weight(_text_:im in 2380) [ClassicSimilarity], result of:
0.022522911 = score(doc=2380,freq=2.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.15615936 = fieldWeight in 2380, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.0390625 = fieldNorm(doc=2380)
0.008596936 = product of:
0.025790809 = sum of:
0.025790809 = weight(_text_:retrieval in 2380) [ClassicSimilarity], result of:
0.025790809 = score(doc=2380,freq=2.0), product of:
0.15433937 = queryWeight, product of:
3.024915 = idf(docFreq=5836, maxDocs=44218)
0.051022716 = queryNorm
0.16710453 = fieldWeight in 2380, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.024915 = idf(docFreq=5836, maxDocs=44218)
0.0390625 = fieldNorm(doc=2380)
0.33333334 = coord(1/3)
0.6666667 = coord(2/3)
- Footnote
- Masterthesis zur Erlangung des akademischen Grades Master of Science (M.Sc.) vorgelegt an der Fachhochschule Köln / Fakultät für Informatik und Ingenieurswissenschaften im Studiengang Medieninformatik.
- Theme
- Semantisches Umfeld in Indexierung u. Retrieval
-
Sünkler, S.; Kerkmann, F.; Schultheiß, S.: Ok Google . the end of search as we know it : sprachgesteuerte Websuche im Test (2018)
0.02
0.018205054 = product of:
0.054615162 = sum of:
0.054615162 = weight(_text_:im in 5626) [ClassicSimilarity], result of:
0.054615162 = score(doc=5626,freq=6.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.37866634 = fieldWeight in 5626, product of:
2.4494898 = tf(freq=6.0), with freq of:
6.0 = termFreq=6.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.0546875 = fieldNorm(doc=5626)
0.33333334 = coord(1/3)
- Abstract
- Sprachsteuerungssysteme, die den Nutzer auf Zuruf unterstützen, werden im Zuge der Verbreitung von Smartphones und Lautsprechersystemen wie Amazon Echo oder Google Home zunehmend populär. Eine der zentralen Anwendungen dabei stellt die Suche in Websuchmaschinen dar. Wie aber funktioniert "googlen", wenn der Nutzer seine Suchanfrage nicht schreibt, sondern spricht? Dieser Frage ist ein Projektteam der HAW Hamburg nachgegangen und hat im Auftrag der Deutschen Telekom untersucht, wie effektiv, effizient und zufriedenstellend Google Now, Apple Siri, Microsoft Cortana sowie das Amazon Fire OS arbeiten. Ermittelt wurden Stärken und Schwächen der Systeme sowie Erfolgskriterien für eine hohe Gebrauchstauglichkeit. Diese Erkenntnisse mündeten in dem Prototyp einer optimalen Voice Web Search.
-
Heid, U.: Computerlinguistik zwischen Informationswissenschaft und multilingualer Kommunikation (2010)
0.02
0.016987845 = product of:
0.050963532 = sum of:
0.050963532 = weight(_text_:im in 4018) [ClassicSimilarity], result of:
0.050963532 = score(doc=4018,freq=4.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.35334828 = fieldWeight in 4018, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.0625 = fieldNorm(doc=4018)
0.33333334 = coord(1/3)
- Abstract
- Dieser Beitrag widmet sich den Möglichkeiten der Interaktion zwischen Informationswissenschaft und Computerlinguistik. Dazu werden relevante Aspekte computerlinguistischer Forschung präsentiert, und ihr Potential für die Interaktion mit informationswissenschaftlichen Fragestellungen und Produkten wird erläutert. Im dritten Teil werden anhand der spezifischen Hildesheimer Situation Vorschläge für eine solche Interaktion diskutiert, und zwar im Dreieck: Informationswissenschaft, Computerlinguistik und Multilinguale Kommunikation.
-
Bredack, J.: Automatische Extraktion fachterminologischer Mehrwortbegriffe : ein Verfahrensvergleich (2016)
0.01
0.01300361 = product of:
0.03901083 = sum of:
0.03901083 = weight(_text_:im in 3194) [ClassicSimilarity], result of:
0.03901083 = score(doc=3194,freq=6.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.27047595 = fieldWeight in 3194, product of:
2.4494898 = tf(freq=6.0), with freq of:
6.0 = termFreq=6.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.0390625 = fieldNorm(doc=3194)
0.33333334 = coord(1/3)
- Abstract
- In dieser Untersuchung wurden zwei Systeme eingesetzt, um MWT aus einer Dokumentkollektion mit fachsprachlichem Bezug (Volltexte des ACL Anthology Reference Corpus) automatisch zu extrahieren. Das thematische Spektrum umfasste alle Bereiche der natürlichen Sprachverarbeitung, im Speziellen die CL als interdisziplinäre Wissenschaft. Ziel war es MWT zu extrahieren, die als potentielle Indexterme im IR Verwendung finden können. Diese sollten auf Konzepte, Methoden, Verfahren und Algorithmen in der CL und angrenzenden Teilgebieten, wie Linguistik und Informatik hinweisen bzw. benennen.
Als Extraktionssysteme wurden der TreeTagger und die Indexierungssoftware Lingo verwendet. Der TreeTagger basiert auf einem statistischen Tagging- und Chunking- Algorithmus, mit dessen Hilfe NPs automatisch identifiziert und extrahiert werden. Er kann für verschiedene Anwendungsszenarien der natürlichen Sprachverarbeitung eingesetzt werden, in erster Linie als POS-Tagger für unterschiedliche Sprachen. Das Indexierungssystem Lingo arbeitet im Gegensatz zum TreeTagger mit elektronischen Wörterbüchern und einem musterbasierten Abgleich. Lingo ist ein auf automatische Indexierung ausgerichtetes System, was eine Vielzahl von Modulen mitliefert, die individuell auf eine bestimmte Aufgabenstellung angepasst und aufeinander abgestimmt werden können. Die unterschiedlichen Verarbeitungsweisen haben sich in den Ergebnismengen beider Systeme deutlich gezeigt. Die gering ausfallenden Übereinstimmungen der Ergebnismengen verdeutlichen die abweichende Funktionsweise und konnte mit einer qualitativen Analyse beispielhaft beschrieben werden. In der vorliegenden Arbeit kann abschließend nicht geklärt werden, welches der beiden Systeme bevorzugt für die Generierung von Indextermen eingesetzt werden sollte.
-
Lobin, H: Computerlinguistik und Texttechnologie (2010)
0.01
0.012740883 = product of:
0.03822265 = sum of:
0.03822265 = weight(_text_:im in 564) [ClassicSimilarity], result of:
0.03822265 = score(doc=564,freq=4.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.26501122 = fieldWeight in 564, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.046875 = fieldNorm(doc=564)
0.33333334 = coord(1/3)
- Abstract
- Computerlinguistik (die Verarbeitung von Sprache mit dem Computer) und Texttechnologie (die automatisierte Handhabung elektronischer Texte) haben im letzten Jahrzehnt unterschiedliche Richtungen eingeschlagen. Beide Disziplinen speisen sich jedoch aus der gleichen Quelle: der formalen Grammatik. Deshalb ist eine gemeinsame Darstellung sinnvoll. Der Bezug auf die gemeinsamen Grundlagen und die kontrastierende Gegenüberstellung einzelner Teilbereiche fördern das Verständnis der jeweils anderen Disziplin und eröffnen interessante Querbezüge. Erstmals wird die Verknüpfung von Computerlinguistik und Texttechnologie mit dieser Einführung in knapper Form systematisch vollzogen, was sie insbesondere für Module im Bachelor-Studium geeignet macht.
-
Scherer Auberson, K.: Counteracting concept drift in natural language classifiers : proposal for an automated method (2018)
0.01
0.012740883 = product of:
0.03822265 = sum of:
0.03822265 = weight(_text_:im in 2849) [ClassicSimilarity], result of:
0.03822265 = score(doc=2849,freq=4.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.26501122 = fieldWeight in 2849, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.046875 = fieldNorm(doc=2849)
0.33333334 = coord(1/3)
- Abstract
- Natural Language Classifier helfen Unternehmen zunehmend dabei die Flut von Textdaten zu überwinden. Aber diese Classifier, einmal trainiert, verlieren mit der Zeit ihre Nützlichkeit. Sie bleiben statisch, aber die zugrundeliegende Domäne der Textdaten verändert sich: Ihre Genauigkeit nimmt aufgrund eines Phänomens ab, das als Konzeptdrift bekannt ist. Die Frage ist ob Konzeptdrift durch die Ausgabe eines Classifiers zuverlässig erkannt werden kann, und falls ja: ist es möglich dem durch nachtrainieren des Classifiers entgegenzuwirken. Es wird eine System-Implementierung mittels Proof-of-Concept vorgestellt, bei der das Konfidenzmass des Classifiers zur Erkennung von Konzeptdrift verwendet wird. Der Classifier wird dann iterativ neu trainiert, indem er Stichproben mit niedrigem Konfidenzmass auswählt, sie korrigiert und im Trainingsset der nächsten Iteration verwendet. Die Leistung des Classifiers wird über die Zeit gemessen, und die Leistung des Systems beobachtet. Basierend darauf werden schließlich Empfehlungen gegeben, die sich bei der Implementierung solcher Systeme als nützlich erweisen können.
- Content
- Diese Publikation entstand im Rahmen einer Thesis zum Master of Science FHO in Business Administration, Major Information and Data Management.
-
Geißler, S.: Maschinelles Lernen und NLP : Reif für die industrielle Anwendung! (2019)
0.01
0.012740883 = product of:
0.03822265 = sum of:
0.03822265 = weight(_text_:im in 3547) [ClassicSimilarity], result of:
0.03822265 = score(doc=3547,freq=4.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.26501122 = fieldWeight in 3547, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.046875 = fieldNorm(doc=3547)
0.33333334 = coord(1/3)
- Abstract
- Anwendungen von maschinellen Lernverfahren (ML) haben in jüngster Zeit aufsehenerregende Durchbrüche bei einer ganzen Reihe von Aufgaben in der maschinellen Sprachverarbeitung (NLP) erzielt. Der Fokus vieler Arbeiten liegt hierbei in der Entwicklung immer besserer Modelle, während der Anteil der Aufgaben in praktischen Projekten, der sich nicht mit Modellbildung, sondern mit Themen wie Datenbereitstellung sowie Evaluierung, Wartung und Deployment von Modellen beschäftigt, oftmals noch nicht ausreichend Beachtung erfährt. Im Ergebnis fehlen gerade Unternehmen, die nicht die Möglichkeit haben, eigene Plattformen für den Einsatz von ML und NLP zu entwerfen, oft geeignete Werkzeuge und Best Practices. Es ist zeichnet sich ab, dass in den kommenden Monaten eine gerade diesen praktischen Fragen zugewandte Ingenieurssicht auf ML und ihren Einsatz im Unternehmen an Bedeutung gewinnen wird.
-
Ludwig, B.; Reischer, J.: Informationslinguistik in Regensburg (2012)
0.01
0.01201222 = product of:
0.03603666 = sum of:
0.03603666 = weight(_text_:im in 555) [ClassicSimilarity], result of:
0.03603666 = score(doc=555,freq=2.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.24985497 = fieldWeight in 555, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.0625 = fieldNorm(doc=555)
0.33333334 = coord(1/3)
- Abstract
- In ihrem Beitrag stellen die Autoren die Informationslinguistik als Teildisziplin der Informationswissenschaft vor, grenzen sie gegen benachbarte Fächer Theoretische Linguistik, Computerlinguistik und Maschinelle Sprachverarbeitung ab, zeigen aber zugleich auch Gemeinsamkeiten und Überschneidungsbereiche auf. Anwendungsbereiche, Verfahren und Produkte der Informationslinguistik werden in einem kurzen Überblick eingeführt. Einige davon, die im Zentrum der Forschung an der Universität Regensburg stehen, werden unter Bezugnahme auf aktuelle Arbeiten und Forschungsprojekte näher erläutert.
-
Baierer, K.; Zumstein, P.: Verbesserung der OCR in digitalen Sammlungen von Bibliotheken (2016)
0.01
0.01201222 = product of:
0.03603666 = sum of:
0.03603666 = weight(_text_:im in 2818) [ClassicSimilarity], result of:
0.03603666 = score(doc=2818,freq=2.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.24985497 = fieldWeight in 2818, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.0625 = fieldNorm(doc=2818)
0.33333334 = coord(1/3)
- Abstract
- Möglichkeiten zur Verbesserung der automatischen Texterkennung (OCR) in digitalen Sammlungen insbesondere durch computerlinguistische Methoden werden beschrieben und bisherige PostOCR-Verfahren analysiert. Im Gegensatz zu diesen Möglichkeiten aus der Forschung oder aus einzelnen Projekten unterscheidet sich die momentane Anwendung von OCR in der Bibliothekspraxis wesentlich und nutzt das Potential nur teilweise aus.
-
Franke-Maier, M.: Computerlinguistik und Bibliotheken : Editorial (2016)
0.01
0.010617403 = product of:
0.031852208 = sum of:
0.031852208 = weight(_text_:im in 3206) [ClassicSimilarity], result of:
0.031852208 = score(doc=3206,freq=4.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.22084267 = fieldWeight in 3206, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.0390625 = fieldNorm(doc=3206)
0.33333334 = coord(1/3)
- Abstract
- Vor 50 Jahren, im Februar 1966, wies Floyd M. Cammack auf den Zusammenhang von "Linguistics and Libraries" hin. Er ging dabei von dem Eintrag für "Linguistics" in den Library of Congress Subject Headings (LCSH) von 1957 aus, der als Verweis "See Language and Languages; Philology; Philology, Comparative" enthielt. Acht Jahre später kamen unter dem Schlagwort "Language and Languages" Ergänzungen wie "language data processing", "automatic indexing", "machine translation" und "psycholinguistics" hinzu. Für Cammack zeigt sich hier ein Netz komplexer Wechselbeziehungen, die unter dem Begriff "Linguistics" zusammengefasst werden sollten. Dieses System habe wichtigen Einfluss auf alle, die mit dem Sammeln, Organisieren, Speichern und Wiederauffinden von Informationen befasst seien. (Cammack 1966:73). Hier liegt - im übertragenen Sinne - ein Heft vor Ihnen, in dem es um computerlinguistische Verfahren in Bibliotheken geht. Letztlich geht es um eine Versachlichung der Diskussion, um den Stellenwert der Inhaltserschliessung und die Rekalibrierung ihrer Wertschätzung in Zeiten von Mega-Indizes und Big Data. Der derzeitige Widerspruch zwischen dem Wunsch nach relevanter Treffermenge in Rechercheoberflächen vs. der Erfahrung des Relevanz-Rankings ist zu lösen. Explizit auch die Frage, wie oft wir von letzterem enttäuscht wurden und was zu tun ist, um das Verhältnis von recall und precision wieder in ein angebrachtes Gleichgewicht zu bringen. Unsere Nutzerinnen und Nutzer werden es uns danken.
-
Strube, M.: Kreativ durch Analogien (2011)
0.01
0.010510692 = product of:
0.031532075 = sum of:
0.031532075 = weight(_text_:im in 4805) [ClassicSimilarity], result of:
0.031532075 = score(doc=4805,freq=2.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.2186231 = fieldWeight in 4805, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.0546875 = fieldNorm(doc=4805)
0.33333334 = coord(1/3)
- Content
- "Die Computerlinguistik vereinigt Elemente von Informatik und Linguistik; sie verwendet darüber hinaus Methoden aus weiteren Gebieten wie Mathematik, Psychologie, Statistik und künstliche Intelligenz. Der Reiz und die Herausforderung einer solchen interdisziplinären Wissenschaft liegen darin, Analogien zwischen Konzepten aus weit entfernten Teilgebieten zu erkennen und zu nutzen. Paradebeispiel dafür ist einer der entscheidenden Durchbrüche, welche die Computerlinguistik prägten. Es geht um das »Parsing«: Ein Computerprogramm, genauer gesagt ein Compiler, nimmt Zeichen für Zeichen den Input des Benutzers entgegen, der in diesem Fall seinerseits aus dem Text eines Computerprogramms besteht, und ermittelt dessen Struktur. Im Prinzip dasselbe tut ein Mensch, der einen gesprochenen Satz hört und versteht."
-
Rötzer, F.: Kann KI mit KI generierte Texte erkennen? (2019)
0.01
0.010510692 = product of:
0.031532075 = sum of:
0.031532075 = weight(_text_:im in 3977) [ClassicSimilarity], result of:
0.031532075 = score(doc=3977,freq=2.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.2186231 = fieldWeight in 3977, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.0546875 = fieldNorm(doc=3977)
0.33333334 = coord(1/3)
- Abstract
- OpenAI hat einen Algorithmus zur Textgenerierung angeblich nicht vollständig veröffentlicht, weil er so gut sei und Missbrauch und Täuschung ermöglicht. Das u.a. von Elon Musk und Peter Thiel gegründete KI-Unternehmen OpenAI hatte im Februar erklärt, man habe den angeblich am weitesten fortgeschrittenen Algorithmus zur Sprachverarbeitung entwickelt. Der Algorithmus wurde lediglich anhand von 40 Gigabyte an Texten oder an 8 Millionen Webseiten trainiert, das nächste Wort in einem vorgegebenen Textausschnitt vorherzusagen. Damit könne man zusammenhängende, sinnvolle Texte erzeugen, die vielen Anforderungen genügen, zudem könne damit rudimentär Leseverständnis, Antworten auf Fragen, Zusammenfassungen und Übersetzungen erzeugt werden, ohne dies trainiert zu haben.
-
Menge-Sonnentag, R.: Google veröffentlicht einen Parser für natürliche Sprache (2016)
0.01
0.010402888 = product of:
0.031208664 = sum of:
0.031208664 = weight(_text_:im in 2941) [ClassicSimilarity], result of:
0.031208664 = score(doc=2941,freq=6.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.21638076 = fieldWeight in 2941, product of:
2.4494898 = tf(freq=6.0), with freq of:
6.0 = termFreq=6.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.03125 = fieldNorm(doc=2941)
0.33333334 = coord(1/3)
- Content
- "Syntaktische Beziehungen Der Parser teilt den Wörtern eine syntaktische Funktion zu und untersucht die syntaktischen Beziehungen zwischen den Einzelteilen. Den englischen Beispielsatz aus dem Blog-Beitrag "Alice saw Bob" analysiert er folgendermaßen: "Alice" und "Bob" sind Substantive, und "saw" ist ein Verb. Letzteres ist gleichzeitig die Wurzel (ROOT), von der die restlichen Beziehungen ausgehen. Alice ist das zugehörige Subjekt (nsubj) und Bob das Objekt (dobj). Längere Sätze werden leicht mehrdeutig. Beispielsweise ist im Satz "Alice sah Bob mit dem Fernglas" nicht erkennbar, wer von den beiden das Fernglas in der Hand hält. Rein syntaktisch ist auch der Satz "Peter schneidet das Brot mit Sonnenblumenkernen" mehrdeutig. Das menschliche Gehirn erkennt die richtige Bedeutung recht zuverlässig, aber für maschinelle Parser stellen sie eine Herausforderung dar.
SyntaxNet nutzt zur Entscheidung neuronale Netze und versucht die Abhängigkeiten richtig zuzuordnen. Damit "lernt" der Parser, dass es schwierig ist, Sonnenblumenkerne zum Schneiden einzusetzen, und sie somit wohl eher Bestandteil des Brots als ein Werkzeug sind. Die Analyse beschränkt sich jedoch auf den Satz selbst. Semantische Zusammenhänge berücksichtigt das Modell nicht. So lösen sich manche Mehrdeutigkeiten durch den Kontext auf: Wenn Alice im obigen Beispiel das Fernglas beim Verlassen des Hauses eingepackt hat, wird sie es vermutlich benutzen. Trefferquote Mensch vs. Maschine Laut dem Blog-Beitrag kommt Parsey McParseface auf eine Genauigkeit von gut 94 Prozent für Sätze aus dem Penn Treebank Project. Die menschliche Quote soll laut Linguisten bei 96 bis 97 Prozent liegen. Allerdings weist der Beitrag auch darauf hin, dass es sich bei den Testsätzen um wohlgeformte Texte handelt. Im Test mit Googles WebTreebank erreicht der Parser eine Genauigkeit von knapp 90 Prozent."
-
Endres-Niggemeyer, B.: Thinkie: Lautes Denken mit Spracherkennung (mobil) (2013)
0.01
0.009009165 = product of:
0.027027493 = sum of:
0.027027493 = weight(_text_:im in 1145) [ClassicSimilarity], result of:
0.027027493 = score(doc=1145,freq=2.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.18739122 = fieldWeight in 1145, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.046875 = fieldNorm(doc=1145)
0.33333334 = coord(1/3)
- Abstract
- Lautes Denken ist eine bewährte Methode zum Erforschen kognitiver Prozesse. Es wird in vielen Disziplinen benutzt, z. B. um aufzudecken, welche Erfahrungen Benutzer bei der Interaktion mit Computerschnittstellen machen. Nach einer kurzen Erklärung des Lauten Denkens wird die App Thinkie vorgestellt. Thinkie ist eine mobile Lösung für das Laute Denken auf iPhone und iPad. Die Testperson nimmt auf dem iPhone den Ton auf. Die Spracherkennungssoftware Siri (http://www.apple.com/de/ios/siri/) transkribiert ihn. Parallel wird auf dem iPad oder einem anderen Gerät gefilmt. Auf dem iPad kann man - mit Video im Blick - das Transkript aufarbeiten und interpretieren. Die Textdateien transportiert Thinkie über eine Cloud-Kollektion, die Filme werden mit iTunes übertragen. Thinkie ist noch nicht tauglich für den praktischen Gebrauch. Noch sind die Sequenzen zu kurz, die Siri verarbeiten kann. Das wird sich ändern.
-
¬Die Bibel als Stilkompass (2019)
0.01
0.007507637 = product of:
0.022522911 = sum of:
0.022522911 = weight(_text_:im in 5331) [ClassicSimilarity], result of:
0.022522911 = score(doc=5331,freq=2.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.15615936 = fieldWeight in 5331, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.0390625 = fieldNorm(doc=5331)
0.33333334 = coord(1/3)
- Content
- "Die Heilige Schrift gibt es nicht nur in mehreren hundert Sprachen, sondern oft innerhalb eines Sprachraums auch in mehreren Varianten. Britische Leser konnen unter anderem zwischen der bewusst sehr einfach geschriebenen Bible in Basic English und der linguistisch komplexen King James Version aus dem 17. Jahrhundert wahlen. Die Fassungen unterscheiden sich in Satzlänge, Wortwahl sowie Förmlichkeit und sprechen so Menschen aus verschiedenen Kulturen und mit unterschiedlichem Bildungsstand an. Ein Team um Keith Carlson vom Dartmouth College will die insgesamt 34 englischsprachigen Versionen der Bibel nun dazu nutzen, um Computern unterschiedliche Stilformen beizubringen Bisher übersetzen entsprechende Programme zwar Fremdsprachen, zum Teil mit beeindruckender Genauigkeit. Oft scheitern sie aber, wenn sie einen Text zielsicher stilistisch verändern sollen, vor allem wenn es dabei um mehr als ein einzelnes Merkmal wie beispielsweise die Komplexität geht. Die Bibel eigne sich mit ihren rund 31 000 Versen wie kein anderes Werk für das Training von Übersetzungsprogrammen, argumentiert das Team um Carlson. Schließlich seien alle Fassungen sehr gewissenhaft von Menschen übersetzt und außerdem Vers für Vers durchnummeriert worden. Das erleichtere einer Maschine die Zuordnung und sei bei anderen umfangreichen Schriftquellen wie dem Werk von William Shakespeare oder der Wikipedia nicht zwangsläufig der Fall. Als erste Demonstration haben die Forscher zwei Algorithmen, von denen einer auf neuronalen Netzen basierte, mit acht frei im Internet verfügbaren Bibelversionen trainiert. Anschließend testeten sie, wie gut die beiden Programme Verse der Vorlagen in einen gewünschten Stil übertrugen, ohne dass die Software auf die anvisierte Fassung der Bibel zugreifen konnte. Insgesamt seien die automatischen Übersetzer dem Ziel schon recht nahegekommen, berichten die Forscher. Sie sehen ihre Arbeit aber erst als Startpunkt bei der Entwicklung einer künstlichen Intelligenz, die souverän zwischen verschiedenen Sprachstilen wechseln kann."
-
Terminologie : Epochen - Schwerpunkte - Umsetzungen : zum 25-jährigen Bestehen des Rats für Deutschsprachige Terminologie (2019)
0.01
0.007507637 = product of:
0.022522911 = sum of:
0.022522911 = weight(_text_:im in 5602) [ClassicSimilarity], result of:
0.022522911 = score(doc=5602,freq=2.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.15615936 = fieldWeight in 5602, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.0390625 = fieldNorm(doc=5602)
0.33333334 = coord(1/3)
- Abstract
- Alle, die sich mit fachsprachlichen Texten beschäftigen, beschäftigen sich automatisch auch mit Terminologie: Beim Lesen von Fachtexten nehmen sie die darin enthaltene Terminologie auf, beim Verfassen von Fachtexten verwenden oder produzieren sie Terminologie, beim Fachübersetzen übertragen sie Terminologie in andere Sprachen. Im Laufe der Zeit haben sich Methoden und Verfahren entwickelt, wie man professionell und effizient mit Terminologie arbeitet. Die Auseinandersetzung mit den Grundsätzen der Terminologiearbeit hat sich zu einer wissenschaftlichen Disziplin entwickelt. Der Rat für Deutschsprachige Terminologie (RaDT) wurde 1994 als Initiative der UNESCO-Kommissionen Deutschlands, Österreichs und der Schweiz gegründet, um terminologische Aktivitäten zu fördern. Zu seinem 25-jährigen Bestehen erscheint nun dieser Sammelband, der einen Überblick über das vielfältige Schaffen und das gesamte Themenspektrum der RaDT-Mitglieder bietet. Um die verschiedenen Perspektiven innerhalb der RaDT-Gemeinschaft angemessen wiederzugeben, umfasst der Band vier Themenbereiche: 1. Vielfalt an Epochen 2. Vielfalt an Schwerpunkten 3. Vielfalt an Umsetzungen (in öffentlichen Institutionen) 4. Vielfalt an Umsetzungen (in der Privatwirtschaft) Dieser Sammelband richtet sich an alle, die sich mit Terminologie, Terminologiewissenschaft oder Terminologiearbeit befassen, insbesondere in Unternehmensbereichen wie Sprachmanagement, Terminologiemanagement, Corporate Language, Wissensmanagement, sowie an Studierende und Wissenschaftler in den entsprechenden Disziplinen.
-
RWI/PH: Auf der Suche nach dem entscheidenden Wort : die Häufung bestimmter Wörter innerhalb eines Textes macht diese zu Schlüsselwörtern (2012)
0.01
0.0063704415 = product of:
0.019111324 = sum of:
0.019111324 = weight(_text_:im in 331) [ClassicSimilarity], result of:
0.019111324 = score(doc=331,freq=4.0), product of:
0.1442303 = queryWeight, product of:
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.051022716 = queryNorm
0.13250561 = fieldWeight in 331, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
2.8267863 = idf(docFreq=7115, maxDocs=44218)
0.0234375 = fieldNorm(doc=331)
0.33333334 = coord(1/3)
- Abstract
- Der Mensch kann komplexe Sachverhalte in eine eindimensionale Abfolge von Buchstaben umwandeln und niederschreiben. Dabei dienen Schlüsselwörter dazu, den Inhalt des Textes zu vermitteln. Wie Buchstaben und Wörtern mit dem Thema eines Textes zusammenhängen, haben Eduardo Altmann und seine Kollegen vom Max-Planck-Institut für die Physik komplexer Systeme und der Universität Bologna mit Hilfe von statistischen Methoden untersucht. Dabei haben sie herausgefunden, dass Schlüsselwörter nicht dadurch gekennzeichnet sind, dass sie im ganzen Text besonders häufig vorkommen, sondern nur an bestimmten Stellen vermehrt zu finden sind. Außerdem gibt es Beziehungen zwischen weit entfernten Textabschnitten, in der Form, dass dieselben Wörter und Buchstaben bevorzugt verwendet werden.
- Content
- Schlüsselwörter häufen sich in einzelnen Textpassagen Dabei haben sie die Langzeitkorrelation sowohl zwischen einzelnen Buchstaben, als auch innerhalb höherer sprachlicher Ebenen wie Wörtern gefunden. Innerhalb einzelner Ebenen bleibt die Korrelation dabei erhalten, wenn man verschiedene Texte betrachtet. "Viel interessanter ist es für uns zu überprüfen, wie die Korrelation sich zwischen den Ebenen ändert", sagt Altmann. Die Langzeitkorrelation erlaubt Rückschlüsse, inwieweit einzelne Wörter mit einem Thema in Verbindungen stehen. "Auch die Verbindung zwischen einem Wort und den Buchstaben, aus denen es sich zusammensetzt, lässt sich so analysieren", so Altmann. Darüber hinaus untersuchten die Wissenschaftler auch die sogenannte "Burstiness", die beschreibt, ob ein Zeichenmuster in einer Textpassage vermehrt zu finden ist. Sie zeigt also beispielsweise an, ob ein Wort in einem bestimmten Abschnitt gehäuft vorkommt. Je häufiger ein bestimmtes Wort in einer Passage verwendet wird, desto wahrscheinlicher ist es, dass diese repräsentativ für ein bestimmtes Thema ist. Die Wissenschaftler zeigten, dass bestimmte Wörter zwar im ganzen Text immer wieder vorkommen, aber nicht in einem bestimmten Abschnitt verstärkt zu finden sind. Diese Wörter weisen zwar eine Langzeitkorrelation auf, stehen aber nicht in einer engen Verbindung mit dem Thema. "Das beste Beispiel dafür sind Artikel. Sie kommen in jedem Text sehr oft vor, sind aber nicht entscheidend um ein bestimmtes Thema zu vermitteln", so Altmann.
-
Lezius, W.: Morphy - Morphologie und Tagging für das Deutsche (2013)
0.01
0.006144777 = product of:
0.01843433 = sum of:
0.01843433 = product of:
0.055302992 = sum of:
0.055302992 = weight(_text_:22 in 1490) [ClassicSimilarity], result of:
0.055302992 = score(doc=1490,freq=2.0), product of:
0.17867287 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.051022716 = queryNorm
0.30952093 = fieldWeight in 1490, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0625 = fieldNorm(doc=1490)
0.33333334 = coord(1/3)
0.33333334 = coord(1/3)
- Date
- 22. 3.2015 9:30:24
