Search (137 results, page 1 of 7)

Hotho, A.; Bloehdorn, S.: Data Mining 2004 : Text classification by boosting weak learners based on terms and concepts (2004) 0.58

0.5805126 = product of:
  0.9030196 = sum of:
    0.050942488 = product of:
      0.15282746 = sum of:
        0.15282746 = weight(_text_:3a in 562) [ClassicSimilarity], result of:
          0.15282746 = score(doc=562,freq=2.0), product of:
            0.27192625 = queryWeight, product of:
              8.478011 = idf(docFreq=24, maxDocs=44218)
              0.0320743 = queryNorm
            0.56201804 = fieldWeight in 562, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              8.478011 = idf(docFreq=24, maxDocs=44218)
              0.046875 = fieldNorm(doc=562)
      0.33333334 = coord(1/3)
    0.15282746 = weight(_text_:2f in 562) [ClassicSimilarity], result of:
      0.15282746 = score(doc=562,freq=2.0), product of:
        0.27192625 = queryWeight, product of:
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.0320743 = queryNorm
        0.56201804 = fieldWeight in 562, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.046875 = fieldNorm(doc=562)
    0.15282746 = weight(_text_:2f in 562) [ClassicSimilarity], result of:
      0.15282746 = score(doc=562,freq=2.0), product of:
        0.27192625 = queryWeight, product of:
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.0320743 = queryNorm
        0.56201804 = fieldWeight in 562, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.046875 = fieldNorm(doc=562)
    0.15282746 = weight(_text_:2f in 562) [ClassicSimilarity], result of:
      0.15282746 = score(doc=562,freq=2.0), product of:
        0.27192625 = queryWeight, product of:
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.0320743 = queryNorm
        0.56201804 = fieldWeight in 562, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.046875 = fieldNorm(doc=562)
    0.052257393 = weight(_text_:source in 562) [ClassicSimilarity], result of:
      0.052257393 = score(doc=562,freq=2.0), product of:
        0.15900996 = queryWeight, product of:
          4.9575505 = idf(docFreq=844, maxDocs=44218)
          0.0320743 = queryNorm
        0.32864225 = fieldWeight in 562, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.9575505 = idf(docFreq=844, maxDocs=44218)
          0.046875 = fieldNorm(doc=562)
    0.15282746 = weight(_text_:2f in 562) [ClassicSimilarity], result of:
      0.15282746 = score(doc=562,freq=2.0), product of:
        0.27192625 = queryWeight, product of:
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.0320743 = queryNorm
        0.56201804 = fieldWeight in 562, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.046875 = fieldNorm(doc=562)
    0.02264558 = weight(_text_:web in 562) [ClassicSimilarity], result of:
      0.02264558 = score(doc=562,freq=2.0), product of:
        0.10467481 = queryWeight, product of:
          3.2635105 = idf(docFreq=4597, maxDocs=44218)
          0.0320743 = queryNorm
        0.21634221 = fieldWeight in 562, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          3.2635105 = idf(docFreq=4597, maxDocs=44218)
          0.046875 = fieldNorm(doc=562)
    0.15282746 = weight(_text_:2f in 562) [ClassicSimilarity], result of:
      0.15282746 = score(doc=562,freq=2.0), product of:
        0.27192625 = queryWeight, product of:
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.0320743 = queryNorm
        0.56201804 = fieldWeight in 562, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.046875 = fieldNorm(doc=562)
    0.013036874 = product of:
      0.026073748 = sum of:
        0.026073748 = weight(_text_:22 in 562) [ClassicSimilarity], result of:
          0.026073748 = score(doc=562,freq=2.0), product of:
            0.11231873 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0320743 = queryNorm
            0.23214069 = fieldWeight in 562, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.046875 = fieldNorm(doc=562)
      0.5 = coord(1/2)
  0.64285713 = coord(9/14)

Content: Vgl.: http://www.google.de/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&ved=0CEAQFjAA&url=http%3A%2F%2Fciteseerx.ist.psu.edu%2Fviewdoc%2Fdownload%3Fdoi%3D10.1.1.91.4940%26rep%3Drep1%26type%3Dpdf&ei=dOXrUMeIDYHDtQahsIGACg&usg=AFQjCNHFWVh6gNPvnOrOS9R3rkrXCNVD-A&sig2=5I2F5evRfMnsttSgFF9g7Q&bvm=bv.1357316858,d.Yms.
Date: 8. 1.2013 10:22:32

Huo, W.: Automatic multi-word term extraction and its application to Web-page summarization (2012) 0.41

0.41123265 = product of:
  0.8224653 = sum of:
    0.15282746 = weight(_text_:2f in 563) [ClassicSimilarity], result of:
      0.15282746 = score(doc=563,freq=2.0), product of:
        0.27192625 = queryWeight, product of:
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.0320743 = queryNorm
        0.56201804 = fieldWeight in 563, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.046875 = fieldNorm(doc=563)
    0.15282746 = weight(_text_:2f in 563) [ClassicSimilarity], result of:
      0.15282746 = score(doc=563,freq=2.0), product of:
        0.27192625 = queryWeight, product of:
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.0320743 = queryNorm
        0.56201804 = fieldWeight in 563, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.046875 = fieldNorm(doc=563)
    0.15282746 = weight(_text_:2f in 563) [ClassicSimilarity], result of:
      0.15282746 = score(doc=563,freq=2.0), product of:
        0.27192625 = queryWeight, product of:
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.0320743 = queryNorm
        0.56201804 = fieldWeight in 563, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.046875 = fieldNorm(doc=563)
    0.15282746 = weight(_text_:2f in 563) [ClassicSimilarity], result of:
      0.15282746 = score(doc=563,freq=2.0), product of:
        0.27192625 = queryWeight, product of:
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.0320743 = queryNorm
        0.56201804 = fieldWeight in 563, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.046875 = fieldNorm(doc=563)
    0.04529116 = weight(_text_:web in 563) [ClassicSimilarity], result of:
      0.04529116 = score(doc=563,freq=8.0), product of:
        0.10467481 = queryWeight, product of:
          3.2635105 = idf(docFreq=4597, maxDocs=44218)
          0.0320743 = queryNorm
        0.43268442 = fieldWeight in 563, product of:
          2.828427 = tf(freq=8.0), with freq of:
            8.0 = termFreq=8.0
          3.2635105 = idf(docFreq=4597, maxDocs=44218)
          0.046875 = fieldNorm(doc=563)
    0.15282746 = weight(_text_:2f in 563) [ClassicSimilarity], result of:
      0.15282746 = score(doc=563,freq=2.0), product of:
        0.27192625 = queryWeight, product of:
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.0320743 = queryNorm
        0.56201804 = fieldWeight in 563, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.046875 = fieldNorm(doc=563)
    0.013036874 = product of:
      0.026073748 = sum of:
        0.026073748 = weight(_text_:22 in 563) [ClassicSimilarity], result of:
          0.026073748 = score(doc=563,freq=2.0), product of:
            0.11231873 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0320743 = queryNorm
            0.23214069 = fieldWeight in 563, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.046875 = fieldNorm(doc=563)
      0.5 = coord(1/2)
  0.5 = coord(7/14)

Abstract: In this thesis we propose three new word association measures for multi-word term extraction. We combine these association measures with LocalMaxs algorithm in our extraction model and compare the results of different multi-word term extraction methods. Our approach is language and domain independent and requires no training data. It can be applied to such tasks as text summarization, information retrieval, and document classification. We further explore the potential of using multi-word terms as an effective representation for general web-page summarization. We extract multi-word terms from human written summaries in a large collection of web-pages, and generate the summaries by aligning document words with these multi-word terms. Our system applies machine translation technology to learn the aligning process from a training set and focuses on selecting high quality multi-word terms from human written summaries to generate suitable results for web-page summarization.
Content: A Thesis presented to The University of Guelph In partial fulfilment of requirements for the degree of Master of Science in Computer Science. Vgl. Unter: http://www.inf.ufrgs.br%2F~ceramisch%2Fdownload_files%2Fpublications%2F2009%2Fp01.pdf.
Date: 10. 1.2013 19:22:47

Noever, D.; Ciolino, M.: ¬The Turing deception (2022) 0.35

0.3493199 = product of:
  0.81507975 = sum of:
    0.050942488 = product of:
      0.15282746 = sum of:
        0.15282746 = weight(_text_:3a in 862) [ClassicSimilarity], result of:
          0.15282746 = score(doc=862,freq=2.0), product of:
            0.27192625 = queryWeight, product of:
              8.478011 = idf(docFreq=24, maxDocs=44218)
              0.0320743 = queryNorm
            0.56201804 = fieldWeight in 862, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              8.478011 = idf(docFreq=24, maxDocs=44218)
              0.046875 = fieldNorm(doc=862)
      0.33333334 = coord(1/3)
    0.15282746 = weight(_text_:2f in 862) [ClassicSimilarity], result of:
      0.15282746 = score(doc=862,freq=2.0), product of:
        0.27192625 = queryWeight, product of:
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.0320743 = queryNorm
        0.56201804 = fieldWeight in 862, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.046875 = fieldNorm(doc=862)
    0.15282746 = weight(_text_:2f in 862) [ClassicSimilarity], result of:
      0.15282746 = score(doc=862,freq=2.0), product of:
        0.27192625 = queryWeight, product of:
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.0320743 = queryNorm
        0.56201804 = fieldWeight in 862, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.046875 = fieldNorm(doc=862)
    0.15282746 = weight(_text_:2f in 862) [ClassicSimilarity], result of:
      0.15282746 = score(doc=862,freq=2.0), product of:
        0.27192625 = queryWeight, product of:
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.0320743 = queryNorm
        0.56201804 = fieldWeight in 862, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.046875 = fieldNorm(doc=862)
    0.15282746 = weight(_text_:2f in 862) [ClassicSimilarity], result of:
      0.15282746 = score(doc=862,freq=2.0), product of:
        0.27192625 = queryWeight, product of:
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.0320743 = queryNorm
        0.56201804 = fieldWeight in 862, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.046875 = fieldNorm(doc=862)
    0.15282746 = weight(_text_:2f in 862) [ClassicSimilarity], result of:
      0.15282746 = score(doc=862,freq=2.0), product of:
        0.27192625 = queryWeight, product of:
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.0320743 = queryNorm
        0.56201804 = fieldWeight in 862, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.046875 = fieldNorm(doc=862)
  0.42857143 = coord(6/14)

Source: https%3A%2F%2Farxiv.org%2Fabs%2F2212.06721&usg=AOvVaw3i_9pZm9y_dQWoHi6uv0EN

Schürmann, H.: Software scannt Radio- und Fernsehsendungen : Recherche in Nachrichtenarchiven erleichtert (2001) 0.02
```
0.018600121 = product of:
  0.08680056 = sum of:
    0.038856663 = weight(_text_:medien in 5759) [ClassicSimilarity], result of:
      0.038856663 = score(doc=5759,freq=4.0), product of:
        0.15096188 = queryWeight, product of:
          4.7066307 = idf(docFreq=1085, maxDocs=44218)
          0.0320743 = queryNorm
        0.25739387 = fieldWeight in 5759, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          4.7066307 = idf(docFreq=1085, maxDocs=44218)
          0.02734375 = fieldNorm(doc=5759)
    0.040339053 = weight(_text_:benutzer in 5759) [ClassicSimilarity], result of:
      0.040339053 = score(doc=5759,freq=2.0), product of:
        0.18291734 = queryWeight, product of:
          5.7029257 = idf(docFreq=400, maxDocs=44218)
          0.0320743 = queryNorm
        0.22053158 = fieldWeight in 5759, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          5.7029257 = idf(docFreq=400, maxDocs=44218)
          0.02734375 = fieldNorm(doc=5759)
    0.0076048435 = product of:
      0.015209687 = sum of:
        0.015209687 = weight(_text_:22 in 5759) [ClassicSimilarity], result of:
          0.015209687 = score(doc=5759,freq=2.0), product of:
            0.11231873 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0320743 = queryNorm
            0.1354154 = fieldWeight in 5759, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02734375 = fieldNorm(doc=5759)
      0.5 = coord(1/2)
  0.21428572 = coord(3/14)
```
Content

Um Firmen und Agenturen die Beobachtungen von Medien zu erleichtern, entwickeln Forscher an der Duisburger Hochschule zurzeit ein System zur automatischen Themenerkennung in Rundfunk und Fernsehen. Das so genannte Alert-System soll dem Nutzer helfen, die für ihn relevanten Sprachinformationen aus Nachrichtensendungen herauszufiltem und weiterzuverarbeiten. Durch die automatische Analyse durch den Computer können mehrere Programme rund um die Uhr beobachtet werden. Noch erfolgt die Informationsgewinnung aus TV- und Radiosendungen auf klassischem Wege: Ein Mensch sieht, hört, liest und wertet aus. Das ist enorm zeitaufwendig und für eine Firma, die beispielsweise die Konkurrenz beobachten oder ihre Medienpräsenz dokumentieren lassen möchte, auch sehr teuer. Diese Arbeit ließe sich mit einem Spracherkenner automatisieren, sagten sich die Duisburger Forscher. Sie arbeiten nun zusammen mit Partnern aus Deutschland, Frankreich und Portugal in einem europaweiten Projekt an der Entwicklung einer entsprechenden Technologie (http://alert.uni-duisburg.de). An dem Projekt sind auch zwei Medienbeobachtungsuntemehmen beteiligt, die Oberserver Argus Media GmbH aus Baden-Baden und das französische Unternehmen Secodip. Unsere Arbeit würde schon dadurch erleichtert, wenn Informationen, die über unsere Kunden in den Medien erscheinen, vorselektiert würden", beschreibt Simone Holderbach, Leiterin der Produktentwicklung bei Oberserver, ihr Interesse an der Technik. Und wie funktioniert Alert? Das Spracherkennungssystem wird darauf getrimmt, Nachrichtensendungen in Radio und Fernsehen zu überwachen: Alles, was gesagt wird - sei es vom Nachrichtensprecher, Reporter oder Interviewten -, wird durch die automatische Spracherkennung in Text umgewandelt. Dabei werden Themen und Schlüsselwörter erkannt und gespeichert. Diese werden mit den Suchbegriffen des Nutzers verglichen. Gefundene Übereinstimmungen werden angezeigt und dem Benutzer automatisch mitgeteilt. Konventionelle Spracherkennungstechnik sei für die Medienbeobachtung nicht einsetzbar, da diese für einen anderen Zweck entwickelt worden sei, betont Prof. Gerhard Rigoll, Leiter des Fachgebiets Technische Informatik an der Duisburger Hochschule. Für die Umwandlung von Sprache in Text wurde die Alert-Software gründlich trainiert. Aus Zeitungstexten, Audio- und Video-Material wurden bislang rund 3 50 Millionen Wörter verarbeitet. Das System arbeitet in drei Sprachen. Doch so ganz fehlerfrei sei der automatisch gewonnene Text nicht, räumt Rigoll ein. Zurzeit liegt die Erkennungsrate bei 40 bis 70 Prozent. Und das wird sich in absehbarer Zeit auch nicht ändern." Musiküberlagerungen oder starke Hintergrundgeräusche bei Reportagen führen zu Ungenauigkeiten bei der Textumwandlung. Deshalb haben die, Duisburger Wissenschaftler Methoden entwickelt, die über die herkömmliche Suche nach Schlüsselwörtern hinausgehen und eine inhaltsorientierte Zuordnung ermöglichen. Dadurch erhält der Nutzer dann auch solche Nachrichten, die zwar zum Thema passen, in denen das Stichwort aber gar nicht auftaucht", bringt Rigoll den Vorteil der Technik auf den Punkt. Wird beispielsweise "Ölpreis" als Suchbegriff eingegeben, werden auch solche Nachrichten angezeigt, in denen Olkonzerne und Energieagenturen eine Rolle spielen. Rigoll: Das Alert-System liest sozusagen zwischen den Zeilen!' Das Forschungsprojekt wurde vor einem Jahr gestartet und läuft noch bis Mitte 2002. Wer sich über den Stand der Technik informieren möchte, kann dies in dieser Woche auf der Industriemesse in Hannover. Das Alert-System wird auf dem Gemeinschaftsstand "Forschungsland NRW" in Halle 18, Stand M12, präsentiert

Source

Handelsblatt. Nr.79 vom 24.4.2001, S.22
Doszkocs, T.E.; Zamora, A.: Dictionary services and spelling aids for Web searching (2004) 0.02
```
0.017996069 = product of:
  0.083981656 = sum of:
    0.035931468 = weight(_text_:open in 2541) [ClassicSimilarity], result of:
      0.035931468 = score(doc=2541,freq=2.0), product of:
        0.14443703 = queryWeight, product of:
          4.5032015 = idf(docFreq=1330, maxDocs=44218)
          0.0320743 = queryNorm
        0.24876907 = fieldWeight in 2541, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.5032015 = idf(docFreq=1330, maxDocs=44218)
          0.0390625 = fieldNorm(doc=2541)
    0.03268608 = weight(_text_:web in 2541) [ClassicSimilarity], result of:
      0.03268608 = score(doc=2541,freq=6.0), product of:
        0.10467481 = queryWeight, product of:
          3.2635105 = idf(docFreq=4597, maxDocs=44218)
          0.0320743 = queryNorm
        0.3122631 = fieldWeight in 2541, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          3.2635105 = idf(docFreq=4597, maxDocs=44218)
          0.0390625 = fieldNorm(doc=2541)
    0.015364104 = product of:
      0.030728208 = sum of:
        0.030728208 = weight(_text_:22 in 2541) [ClassicSimilarity], result of:
          0.030728208 = score(doc=2541,freq=4.0), product of:
            0.11231873 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0320743 = queryNorm
            0.27358043 = fieldWeight in 2541, product of:
              2.0 = tf(freq=4.0), with freq of:
                4.0 = termFreq=4.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0390625 = fieldNorm(doc=2541)
      0.5 = coord(1/2)
  0.21428572 = coord(3/14)
```
Abstract

The Specialized Information Services Division (SIS) of the National Library of Medicine (NLM) provides Web access to more than a dozen scientific databases on toxicology and the environment on TOXNET . Search queries on TOXNET often include misspelled or variant English words, medical and scientific jargon and chemical names. Following the example of search engines like Google and ClinicalTrials.gov, we set out to develop a spelling "suggestion" system for increased recall and precision in TOXNET searching. This paper describes development of dictionary technology that can be used in a variety of applications such as orthographic verification, writing aid, natural language processing, and information storage and retrieval. The design of the technology allows building complex applications using the components developed in the earlier phases of the work in a modular fashion without extensive rewriting of computer code. Since many of the potential applications envisioned for this work have on-line or web-based interfaces, the dictionaries and other computer components must have fast response, and must be adaptable to open-ended database vocabularies, including chemical nomenclature. The dictionary vocabulary for this work was derived from SIS and other databases and specialized resources, such as NLM's Unified Medical Language Systems (UMLS) . The resulting technology, A-Z Dictionary (AZdict), has three major constituents: 1) the vocabulary list, 2) the word attributes that define part of speech and morphological relationships between words in the list, and 3) a set of programs that implements the retrieval of words and their attributes, and determines similarity between words (ChemSpell). These three components can be used in various applications such as spelling verification, spelling aid, part-of-speech tagging, paraphrasing, and many other natural language processing functions.

Date

14. 8.2004 17:22:56

Source

Online. 28(2004) no.3, S.22-29
Airio, E.: Who benefits from CLIR in web retrieval? (2008) 0.02
```
0.016160918 = product of:
  0.11312642 = sum of:
    0.07390312 = weight(_text_:source in 2342) [ClassicSimilarity], result of:
      0.07390312 = score(doc=2342,freq=4.0), product of:
        0.15900996 = queryWeight, product of:
          4.9575505 = idf(docFreq=844, maxDocs=44218)
          0.0320743 = queryNorm
        0.46477038 = fieldWeight in 2342, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          4.9575505 = idf(docFreq=844, maxDocs=44218)
          0.046875 = fieldNorm(doc=2342)
    0.0392233 = weight(_text_:web in 2342) [ClassicSimilarity], result of:
      0.0392233 = score(doc=2342,freq=6.0), product of:
        0.10467481 = queryWeight, product of:
          3.2635105 = idf(docFreq=4597, maxDocs=44218)
          0.0320743 = queryNorm
        0.37471575 = fieldWeight in 2342, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          3.2635105 = idf(docFreq=4597, maxDocs=44218)
          0.046875 = fieldNorm(doc=2342)
  0.14285715 = coord(2/14)
```
Abstract

Purpose - The aim of the current paper is to test whether query translation is beneficial in web retrieval. Design/methodology/approach - The language pairs were Finnish-Swedish, English-German and Finnish-French. A total of 12-18 participants were recruited for each language pair. Each participant performed four retrieval tasks. The author's aim was to compare the performance of the translated queries with that of the target language queries. Thus, the author asked participants to formulate a source language query and a target language query for each task. The source language queries were translated into the target language utilizing a dictionary-based system. In English-German, also machine translation was utilized. The author used Google as the search engine. Findings - The results differed depending on the language pair. The author concluded that the dictionary coverage had an effect on the results. On average, the results of query-translation were better than in the traditional laboratory tests. Originality/value - This research shows that query translation in web is beneficial especially for users with moderate and non-active language skills. This is valuable information for developers of cross-language information retrieval systems.

Collard, J.; Paiva, V. de; Fong, B.; Subrahmanian, E.: Extracting mathematical concepts from text (2022) 0.02

0.01579297 = product of:
  0.110550776 = sum of:
    0.05030405 = weight(_text_:open in 668) [ClassicSimilarity], result of:
      0.05030405 = score(doc=668,freq=2.0), product of:
        0.14443703 = queryWeight, product of:
          4.5032015 = idf(docFreq=1330, maxDocs=44218)
          0.0320743 = queryNorm
        0.3482767 = fieldWeight in 668, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.5032015 = idf(docFreq=1330, maxDocs=44218)
          0.0546875 = fieldNorm(doc=668)
    0.06024672 = product of:
      0.12049344 = sum of:
        0.12049344 = weight(_text_:wiki in 668) [ClassicSimilarity], result of:
          0.12049344 = score(doc=668,freq=2.0), product of:
            0.22354181 = queryWeight, product of:
              6.9694996 = idf(docFreq=112, maxDocs=44218)
              0.0320743 = queryNorm
            0.5390197 = fieldWeight in 668, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              6.9694996 = idf(docFreq=112, maxDocs=44218)
              0.0546875 = fieldNorm(doc=668)
      0.5 = coord(1/2)
  0.14285715 = coord(2/14)

Abstract: We investigate different systems for extracting mathematical entities from English texts in the mathematical field of category theory as a first step for constructing a mathematical knowledge graph. We consider four different term extractors and compare their results. This small experiment showcases some of the issues with the construction and evaluation of terms extracted from noisy domain text. We also make available two open corpora in research mathematics, in particular in category theory: a small corpus of 755 abstracts from the journal TAC (3188 sentences), and a larger corpus from the nLab community wiki (15,000 sentences).

Erbach, G.: Sprachdialogsysteme für Telefondienste : Stand der Technik und zukünftige Entwicklungen (2000) 0.01
```
0.013839767 = product of:
  0.096878365 = sum of:
    0.039251152 = weight(_text_:medien in 5556) [ClassicSimilarity], result of:
      0.039251152 = score(doc=5556,freq=2.0), product of:
        0.15096188 = queryWeight, product of:
          4.7066307 = idf(docFreq=1085, maxDocs=44218)
          0.0320743 = queryNorm
        0.26000705 = fieldWeight in 5556, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.7066307 = idf(docFreq=1085, maxDocs=44218)
          0.0390625 = fieldNorm(doc=5556)
    0.057627216 = weight(_text_:benutzer in 5556) [ClassicSimilarity], result of:
      0.057627216 = score(doc=5556,freq=2.0), product of:
        0.18291734 = queryWeight, product of:
          5.7029257 = idf(docFreq=400, maxDocs=44218)
          0.0320743 = queryNorm
        0.31504512 = fieldWeight in 5556, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          5.7029257 = idf(docFreq=400, maxDocs=44218)
          0.0390625 = fieldNorm(doc=5556)
  0.14285715 = coord(2/14)
```
Abstract

Trotz des ungebrernsten Wachstums des Internet wird das Telefon auch weiterhin eines der wichtigsten Medien für die Kommunikation zwischen Unternehmen und ihren Kunden bleiben. Die Bedeutung der gesprochenen Sprache wird durch die rasante Verbreitung von Mobiltelefonen noch verstärkt. Fast alle großen Unternehmen betreiben oder beauftragen Call Centers, um ihren Kunden telefonisch zu Diensten zu stehen. Oft sind Call Centers mit sogenannten IVR-Systemen (Interactive Voice Response) ausgestattet, die dem Benutzer eine eingeschränkte Menüauswahl über die Telefontasten oder eine rudimentäre Spracheingabe bieten. Diese Art der Eingabe wird aber bei mehr als fünf Wahlmöglichkeiten als lästig empfunden. Hier bietet sich ein großes Potenzial für automatische Spracherkennung und Sprachdialogsysteme. In diesem Artikel werden die technischen Grundlagen sowie die derzeitigen Möglichkeiten und Grenzen der automatischen Spracherkennungstechnologie dargestellt. Wir berichten über Erfahrungen mit einem System für telefonische Posttarifauskünfte, das am Forschungszentrum Telekommunikation Wien (FTW) in Zusammenarbeit mit Philips Speech Processing und der Österreichischen Post AG realisiert und erprobt wurde. Der Stand der Technik in Sprachausgabe und Sprechererkennung wird kurz dargestellt. Zum Abschluss wird ein Ausblick auf die Rolle von Sprachdialogen in zukünftigen mobilen Multirnedia-Anwendungen gegeben
Albrecht, I.: GPT-3: die Zukunft studentischer Hausarbeiten oder eine Bedrohung der wissenschaftlichen Integrität? (2023) 0.01
```
0.013625022 = product of:
  0.09537515 = sum of:
    0.043117758 = weight(_text_:open in 881) [ClassicSimilarity], result of:
      0.043117758 = score(doc=881,freq=2.0), product of:
        0.14443703 = queryWeight, product of:
          4.5032015 = idf(docFreq=1330, maxDocs=44218)
          0.0320743 = queryNorm
        0.2985229 = fieldWeight in 881, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.5032015 = idf(docFreq=1330, maxDocs=44218)
          0.046875 = fieldNorm(doc=881)
    0.052257393 = weight(_text_:source in 881) [ClassicSimilarity], result of:
      0.052257393 = score(doc=881,freq=2.0), product of:
        0.15900996 = queryWeight, product of:
          4.9575505 = idf(docFreq=844, maxDocs=44218)
          0.0320743 = queryNorm
        0.32864225 = fieldWeight in 881, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.9575505 = idf(docFreq=844, maxDocs=44218)
          0.046875 = fieldNorm(doc=881)
  0.14285715 = coord(2/14)
```
Abstract

Mit dem Fortschritt künstlicher Intelligenzen sind auch progressive Sprachverarbeitungsmodelle auf den Markt gekommen. GPT-3 war nach seiner Veröffentlichung das leistungsstärkste Modell seiner Zeit. Das Programm generiert Texte, die oft nicht von menschlich verfassten Inhalten zu unterscheiden sind. GPT-3s Größe und Komplexität ermöglichen es, dass es wissenschaftliche Artikel eigenständig schreiben und ausgeben kann, die laut Studien und Untersuchungen zum Bestehen von Universitätskursen ausreichen. Mit der Entwicklung solcher Künstlichen Intelligenzen, insbesondere auf Open Source-Basis, könnten Studierende in Zukunft studentische Hausarbeiten von Textgeneratoren schreiben lassen. Diese Arbeit beschäftigt sich einerseits mit dem Modell GPT-3 und seinen Fähigkeiten sowie Risiken. Andererseits wird die Frage thematisiert, wie Hochschulen und Universitäten in Zukunft mit maschinell verfassten Arbeiten umgehen können.
Bernhard, U.; Mistrik, I.: Rechnergestützte Übersetzung : Einführung und Technik (1998) 0.01
```
0.013114034 = product of:
  0.09179824 = sum of:
    0.06915266 = weight(_text_:benutzer in 5343) [ClassicSimilarity], result of:
      0.06915266 = score(doc=5343,freq=2.0), product of:
        0.18291734 = queryWeight, product of:
          5.7029257 = idf(docFreq=400, maxDocs=44218)
          0.0320743 = queryNorm
        0.37805414 = fieldWeight in 5343, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          5.7029257 = idf(docFreq=400, maxDocs=44218)
          0.046875 = fieldNorm(doc=5343)
    0.02264558 = weight(_text_:web in 5343) [ClassicSimilarity], result of:
      0.02264558 = score(doc=5343,freq=2.0), product of:
        0.10467481 = queryWeight, product of:
          3.2635105 = idf(docFreq=4597, maxDocs=44218)
          0.0320743 = queryNorm
        0.21634221 = fieldWeight in 5343, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          3.2635105 = idf(docFreq=4597, maxDocs=44218)
          0.046875 = fieldNorm(doc=5343)
  0.14285715 = coord(2/14)
```
Abstract

Softwaresysteme zur maschinellen und maschinengestützten Übersetzung natürlicher Sprachen erfuhren in den letzten 2 bis 3 Jahren eine erstaunliche Entwicklung. Fortschritte in der Datenbanktechnik, neue leistungsfähigere computerlinguistische Ansätze und eine grundlegende Verbesserung des Preis / Leistungsverhältnisses bei Ein- und Mehrplatz-Hard- und Software machen heute bisher noch nie dagewesene Lösungen möglich, die zu einem Bruchteil der früheren Kosten angeschafft und betrieben werden können. Als Folge diese Entwicklung drängte eine Vielzahl neuer Produkte auf den Übersetzungssoftware-Markt, was - obwohl generell zu begrüßen - für potentielle neue Benutzer die Auswahl des für ihre Anwendungsumgebung geeigneten Produkts erschwert. Vor diesem Hintergrund stellt der vorliegende Artikel die Technik der maschinellen und maschinengestützten Übersetzung dar. Es werden Richtlinien vorgestellt, die potentiellen neuen Benutzern der MÜ-Technik die Auswahl eines geeigneten Werkzeugs erleichtern sollen. Im Anhang werden einige Übersetzungssoftware-Produkte kurz vorgestellt

Object

Globalink Web Translator

Linguistik und neue Medien (1998) 0.01

0.012538322 = product of:
  0.1755365 = sum of:
    0.1755365 = weight(_text_:medien in 5770) [ClassicSimilarity], result of:
      0.1755365 = score(doc=5770,freq=10.0), product of:
        0.15096188 = queryWeight, product of:
          4.7066307 = idf(docFreq=1085, maxDocs=44218)
          0.0320743 = queryNorm
        1.162787 = fieldWeight in 5770, product of:
          3.1622777 = tf(freq=10.0), with freq of:
            10.0 = termFreq=10.0
          4.7066307 = idf(docFreq=1085, maxDocs=44218)
          0.078125 = fieldNorm(doc=5770)
  0.071428575 = coord(1/14)

RSWK: Lexikographie / Neue Medien / Kongress / Leipzig <1997> (2134)
Syntaktische Analyse / Neue Medien / Kongress / Leipzig <1997> (2134)
Subject: Lexikographie / Neue Medien / Kongress / Leipzig <1997> (2134)
Syntaktische Analyse / Neue Medien / Kongress / Leipzig <1997> (2134)

Schneider, R.: Web 3.0 ante portas? : Integration von Social Web und Semantic Web (2008) 0.01

0.012158576 = product of:
  0.08511003 = sum of:
    0.06990034 = weight(_text_:web in 4184) [ClassicSimilarity], result of:
      0.06990034 = score(doc=4184,freq=14.0), product of:
        0.10467481 = queryWeight, product of:
          3.2635105 = idf(docFreq=4597, maxDocs=44218)
          0.0320743 = queryNorm
        0.6677857 = fieldWeight in 4184, product of:
          3.7416575 = tf(freq=14.0), with freq of:
            14.0 = termFreq=14.0
          3.2635105 = idf(docFreq=4597, maxDocs=44218)
          0.0546875 = fieldNorm(doc=4184)
    0.015209687 = product of:
      0.030419374 = sum of:
        0.030419374 = weight(_text_:22 in 4184) [ClassicSimilarity], result of:
          0.030419374 = score(doc=4184,freq=2.0), product of:
            0.11231873 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0320743 = queryNorm
            0.2708308 = fieldWeight in 4184, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0546875 = fieldNorm(doc=4184)
      0.5 = coord(1/2)
  0.14285715 = coord(2/14)

Abstract: Das Medium Internet ist im Wandel, und mit ihm ändern sich seine Publikations- und Rezeptionsbedingungen. Welche Chancen bieten die momentan parallel diskutierten Zukunftsentwürfe von Social Web und Semantic Web? Zur Beantwortung dieser Frage beschäftigt sich der Beitrag mit den Grundlagen beider Modelle unter den Aspekten Anwendungsbezug und Technologie, beleuchtet darüber hinaus jedoch auch deren Unzulänglichkeiten sowie den Mehrwert einer mediengerechten Kombination. Am Beispiel des grammatischen Online-Informationssystems grammis wird eine Strategie zur integrativen Nutzung der jeweiligen Stärken skizziert.
Date: 22. 1.2011 10:38:28
Source: Kommunikation, Partizipation und Wirkungen im Social Web, Band 1. Hrsg.: A. Zerfaß u.a
Theme: Semantic Web

Bager, J.: ¬Die Text-KI ChatGPT schreibt Fachtexte, Prosa, Gedichte und Programmcode (2023) 0.01

0.011454906 = product of:
  0.08018434 = sum of:
    0.062801845 = weight(_text_:medien in 835) [ClassicSimilarity], result of:
      0.062801845 = score(doc=835,freq=2.0), product of:
        0.15096188 = queryWeight, product of:
          4.7066307 = idf(docFreq=1085, maxDocs=44218)
          0.0320743 = queryNorm
        0.4160113 = fieldWeight in 835, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.7066307 = idf(docFreq=1085, maxDocs=44218)
          0.0625 = fieldNorm(doc=835)
    0.017382499 = product of:
      0.034764998 = sum of:
        0.034764998 = weight(_text_:22 in 835) [ClassicSimilarity], result of:
          0.034764998 = score(doc=835,freq=2.0), product of:
            0.11231873 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0320743 = queryNorm
            0.30952093 = fieldWeight in 835, 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=835)
      0.5 = coord(1/2)
  0.14285715 = coord(2/14)

Abstract: Das Forschungsunternehmen OpenAI hat ein neues Sprachmodell vorgestellt: ChatGPT. Es hat einen regelrechten Hype ausgelöst: Viele Nutzer haben Beispiele in den sozialen Medien gepostet, die die vielfältigen Fähigkeiten demonstrieren. Das darf aber nicht darüber hinwegtäuschen, dass auch ChatGPT einige gefährliche Schwächen hat, die für Sprachmodelle typisch sind.
Date: 29.12.2022 18:22:55

Reyes Ayala, B.; Knudson, R.; Chen, J.; Cao, G.; Wang, X.: Metadata records machine translation combining multi-engine outputs with limited parallel data (2018) 0.01
```
0.011354187 = product of:
  0.0794793 = sum of:
    0.035931468 = weight(_text_:open in 4010) [ClassicSimilarity], result of:
      0.035931468 = score(doc=4010,freq=2.0), product of:
        0.14443703 = queryWeight, product of:
          4.5032015 = idf(docFreq=1330, maxDocs=44218)
          0.0320743 = queryNorm
        0.24876907 = fieldWeight in 4010, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.5032015 = idf(docFreq=1330, maxDocs=44218)
          0.0390625 = fieldNorm(doc=4010)
    0.04354783 = weight(_text_:source in 4010) [ClassicSimilarity], result of:
      0.04354783 = score(doc=4010,freq=2.0), product of:
        0.15900996 = queryWeight, product of:
          4.9575505 = idf(docFreq=844, maxDocs=44218)
          0.0320743 = queryNorm
        0.27386856 = fieldWeight in 4010, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.9575505 = idf(docFreq=844, maxDocs=44218)
          0.0390625 = fieldNorm(doc=4010)
  0.14285715 = coord(2/14)
```
Abstract

One way to facilitate Multilingual Information Access (MLIA) for digital libraries is to generate multilingual metadata records by applying Machine Translation (MT) techniques. Current online MT services are available and affordable, but are not always effective for creating multilingual metadata records. In this study, we implemented 3 different MT strategies and evaluated their performance when translating English metadata records to Chinese and Spanish. These strategies included combining MT results from 3 online MT systems (Google, Bing, and Yahoo!) with and without additional linguistic resources, such as manually-generated parallel corpora, and metadata records in the two target languages obtained from international partners. The open-source statistical MT platform Moses was applied to design and implement the three translation strategies. Human evaluation of the MT results using adequacy and fluency demonstrated that two of the strategies produced higher quality translations than individual online MT systems for both languages. Especially, adding small, manually-generated parallel corpora of metadata records significantly improved translation performance. Our study suggested an effective and efficient MT approach for providing multilingual services for digital collections.

Abdelali, A.: Localization in modern standard Arabic (2004) 0.01

0.010700425 = product of:
  0.074902974 = sum of:
    0.052257393 = weight(_text_:source in 2066) [ClassicSimilarity], result of:
      0.052257393 = score(doc=2066,freq=2.0), product of:
        0.15900996 = queryWeight, product of:
          4.9575505 = idf(docFreq=844, maxDocs=44218)
          0.0320743 = queryNorm
        0.32864225 = fieldWeight in 2066, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.9575505 = idf(docFreq=844, maxDocs=44218)
          0.046875 = fieldNorm(doc=2066)
    0.02264558 = weight(_text_:web in 2066) [ClassicSimilarity], result of:
      0.02264558 = score(doc=2066,freq=2.0), product of:
        0.10467481 = queryWeight, product of:
          3.2635105 = idf(docFreq=4597, maxDocs=44218)
          0.0320743 = queryNorm
        0.21634221 = fieldWeight in 2066, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          3.2635105 = idf(docFreq=4597, maxDocs=44218)
          0.046875 = fieldNorm(doc=2066)
  0.14285715 = coord(2/14)

Abstract: Modern Standard Arabic (MSA) is the official language used in all Arabic countries. In this paper we describe an investigation of the uniformity of MSA across different countries. Many studies have been carried out locally or regionally an Arabic and its dialects. Here we look an a more global scale by studying language variations between countries. The source material used in this investigation was derived from national newspapers available an the Web, which provided samples of common media usage in each country. This corpus has been used to investigate the lexical characteristics of Modern Standard Arabic as found in 10 different Arabic speaking countries. We describe our collection methods, the types of lexical analysis performed, and the results of our investigations. With respect to newspaper articles, MSA seems to be very uniform across all the countries included in the study, but we have detected various types of differences, with implications for computational processing of MSA.

Zhang, C.; Zeng, D.; Li, J.; Wang, F.-Y.; Zuo, W.: Sentiment analysis of Chinese documents : from sentence to document level (2009) 0.01
```
0.010700425 = product of:
  0.074902974 = sum of:
    0.052257393 = weight(_text_:source in 3296) [ClassicSimilarity], result of:
      0.052257393 = score(doc=3296,freq=2.0), product of:
        0.15900996 = queryWeight, product of:
          4.9575505 = idf(docFreq=844, maxDocs=44218)
          0.0320743 = queryNorm
        0.32864225 = fieldWeight in 3296, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.9575505 = idf(docFreq=844, maxDocs=44218)
          0.046875 = fieldNorm(doc=3296)
    0.02264558 = weight(_text_:web in 3296) [ClassicSimilarity], result of:
      0.02264558 = score(doc=3296,freq=2.0), product of:
        0.10467481 = queryWeight, product of:
          3.2635105 = idf(docFreq=4597, maxDocs=44218)
          0.0320743 = queryNorm
        0.21634221 = fieldWeight in 3296, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          3.2635105 = idf(docFreq=4597, maxDocs=44218)
          0.046875 = fieldNorm(doc=3296)
  0.14285715 = coord(2/14)
```
Abstract

User-generated content on the Web has become an extremely valuable source for mining and analyzing user opinions on any topic. Recent years have seen an increasing body of work investigating methods to recognize favorable and unfavorable sentiments toward specific subjects from online text. However, most of these efforts focus on English and there have been very few studies on sentiment analysis of Chinese content. This paper aims to address the unique challenges posed by Chinese sentiment analysis. We propose a rule-based approach including two phases: (1) determining each sentence's sentiment based on word dependency, and (2) aggregating sentences to predict the document sentiment. We report the results of an experimental study comparing our approach with three machine learning-based approaches using two sets of Chinese articles. These results illustrate the effectiveness of our proposed method and its advantages against learning-based approaches.

Way, E.C.: Knowledge representation and metaphor (oder: meaning) (1994) 0.01

0.0106961215 = product of:
  0.074872844 = sum of:
    0.057490345 = weight(_text_:open in 771) [ClassicSimilarity], result of:
      0.057490345 = score(doc=771,freq=2.0), product of:
        0.14443703 = queryWeight, product of:
          4.5032015 = idf(docFreq=1330, maxDocs=44218)
          0.0320743 = queryNorm
        0.39803052 = fieldWeight in 771, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.5032015 = idf(docFreq=1330, maxDocs=44218)
          0.0625 = fieldNorm(doc=771)
    0.017382499 = product of:
      0.034764998 = sum of:
        0.034764998 = weight(_text_:22 in 771) [ClassicSimilarity], result of:
          0.034764998 = score(doc=771,freq=2.0), product of:
            0.11231873 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0320743 = queryNorm
            0.30952093 = fieldWeight in 771, 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=771)
      0.5 = coord(1/2)
  0.14285715 = coord(2/14)

Content: Enthält folgende 9 Kapitel: The literal and the metaphoric; Views of metaphor; Knowledge representation; Representation schemes and conceptual graphs; The dynamic type hierarchy theory of metaphor; Computational approaches to metaphor; Thenature and structure of semantic hierarchies; Language games, open texture and family resemblance; Programming the dynamic type hierarchy; Subject index
Footnote: Bereits 1991 bei Kluwer publiziert // Rez. in: Knowledge organization 22(1995) no.1, S.48-49 (O. Sechser)

Sienel, J.; Weiss, M.; Laube, M.: Sprachtechnologien für die Informationsgesellschaft des 21. Jahrhunderts (2000) 0.01
```
0.009784469 = product of:
  0.06849128 = sum of:
    0.057627216 = weight(_text_:benutzer in 5557) [ClassicSimilarity], result of:
      0.057627216 = score(doc=5557,freq=2.0), product of:
        0.18291734 = queryWeight, product of:
          5.7029257 = idf(docFreq=400, maxDocs=44218)
          0.0320743 = queryNorm
        0.31504512 = fieldWeight in 5557, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          5.7029257 = idf(docFreq=400, maxDocs=44218)
          0.0390625 = fieldNorm(doc=5557)
    0.010864062 = product of:
      0.021728124 = sum of:
        0.021728124 = weight(_text_:22 in 5557) [ClassicSimilarity], result of:
          0.021728124 = score(doc=5557,freq=2.0), product of:
            0.11231873 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0320743 = queryNorm
            0.19345059 = fieldWeight in 5557, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0390625 = fieldNorm(doc=5557)
      0.5 = coord(1/2)
  0.14285715 = coord(2/14)
```
Abstract

In den vergangenen Jahren hat sich die Entwicklung, Sprache als Schnittstelle zwischen Mensch und Maschine einzusetzen, zunehmend an Bedeutung gewonnen. Die steigende Verarbeitungsgeschwindigkeit der Prozessoren ermöglicht es heute, selbst sehr komplexe Aufgaben wie Diktiersysteme auf handelsüblichen PCs verfügbar zu machen. Ebenso haben sich Verfahren weiterentwickelt und die Erkennungsleistung konnte gesteigert werden. Insbesondere im mobilen Umfeld wird sich Sprache als notwendig erweisen, um den Widerspruch, immer komplexere Funktionalität in immer kleineren und leichteren Terminals unterzubringen, aufzulösen. In diesem Umfeld können auch andere Modalitäten, wie Handschrift oder Gestik, integriert werden. Eine der Hauptanwendungen in mobiler Umgebung wird der Zugriff auf das Internet werden: um schnell und umfassend zu den benötigten Information zu gelangen, können intelligente Agenten eine mögliche Hilfe darstellen. Sie sind in Lage, die Informationen bezüglich ihrer Relevanz für den Nutzer zu beurteilen und fassen die Inhalte zusammen, die sich auf den kleinen Displays, oder akustisch wiedergeben lassen. Ist das gefundene Dokument in einer dein Benutzer fremden Sprache verfaßt, kann es automatisch übersetzt werden. Natürlich werden die benötigten Technologien nicht alle in einem Endgerät untergebracht werden können, deshalb wird bereits heute in Standardisierungsgremien untersucht, wie verteilte Architekturen helfen können, den Zugriff auf Informationen immer, überall und jedem verfügbaren Endgerät zugänglich zu machen. Das vom BMWi geförderte Projekt "Mobiler Multimedia-Arbeitsplatz der Zukunft" will diesen Ansatz verfolgen. Dabei werden auch die sozialen und arbeitsrechtlichen Aspekte untersucht

Date

26.12.2000 13:22:17
Melzer, C.: ¬Der Maschine anpassen : PC-Spracherkennung - Programme sind mittlerweile alltagsreif (2005) 0.01
```
0.009236125 = product of:
  0.064652875 = sum of:
    0.05704803 = weight(_text_:benutzer in 4044) [ClassicSimilarity], result of:
      0.05704803 = score(doc=4044,freq=4.0), product of:
        0.18291734 = queryWeight, product of:
          5.7029257 = idf(docFreq=400, maxDocs=44218)
          0.0320743 = queryNorm
        0.31187874 = fieldWeight in 4044, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          5.7029257 = idf(docFreq=400, maxDocs=44218)
          0.02734375 = fieldNorm(doc=4044)
    0.0076048435 = product of:
      0.015209687 = sum of:
        0.015209687 = weight(_text_:22 in 4044) [ClassicSimilarity], result of:
          0.015209687 = score(doc=4044,freq=2.0), product of:
            0.11231873 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0320743 = queryNorm
            0.1354154 = fieldWeight in 4044, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02734375 = fieldNorm(doc=4044)
      0.5 = coord(1/2)
  0.14285715 = coord(2/14)
```
Content

"Der Spracherkennung am Computer schien vor wenigen Jahren die Zukunft zu gehören. Geradezu euphorisch waren viele Computernutzer, als sich auf den Bildschirmen die ersten gesprochenen Sätze als Text darstellten. Doch die Spracherkennung erwies sich als anfällig, die Nachbearbeitung nahm manchmal mehr Zeit in Anspruch als gespart wurde. Dabei ist die Kommunikation des Menschen mit der Maschine über die Tastatur eigentlich höchst kompliziert - selbst geübte Schreiber sprechen schneller als sie tippen. Deshalb hat sich inzwischen viel getan: Im Preis und in der Genauigkeit sind viele Spracherkennungsprogramme heute alltagsreif. Die besten Systeme kosten aber noch immer mehrere hundert Euro, die günstigsten weisen Lücken auf. Letztlich gilt: Respektable Ergebnisse sind erreichbar, wenn sich der Mensch der Maschine anpasst. Die Stiftung Warentest in Berlin hat die sechs gängigsten Systeme auf den Prüfstand gestellt. Die ersten Ergebnisse waren ernüchternd: Das deutlich gesprochene "Johann Wolfgang von Goethe" wurde als "Juan Wolf kann Mohnblüte", "Jaun Wolfgang von Göbel" oder "Johann-Wolfgang Wohngüte" geschrieben. Grundsätzlich gilt: Bei einem einfachen Basiswortschatz sind die Ergebnisse genau, sobald es etwas spezieller wird, wird die Software erfinderisch. "Zweiter Weltkrieg" kann dann zu "Zeit für Geld kriegt" werden. Doch ebenso wie der Nutzer lernt auch das System. Bei der Software ist Lernfähigkeit Standard. Ohnehin muss der Benutzer das System einrichten, indem er vorgegebene Texte liest. Dabei wird das Programm der Stimme und der Sprechgeschwindigkeit angepasst. Hier gilt, dass der Anwender deutlich, aber ganz normal vorlesen sollte. Wer akzentuiert und übertrieben betont, wird später mit ungenauen Ausgaben bestraft. Erkennt das System auch nach dem Training einzelne Wörter nicht, können sie nachträglich eingefügt werden. Gleiches gilt für kompliziertere Orts- oder Eigennamen. Wie gut das funktioniert, beweist ein Gegentest: Liest ein anderer den selben Text vor, sinkt das Erkennungsniveau rapide. Die beste Lernfähigkeit attestierten die Warentester dem System "Voice Pro 10" von linguatec. Das war das mit Abstand vielseitigste, mit fast 200 Euro jedoch auch das teuerste Programm.
Billiger geht es mit "Via Voice Standard" von IBM. Die Software kostet etwa 50 Euro, hat aber erhebliche Schwächen in der Lernfähigkeit: Sie schneidet jedoch immer noch besser ab als das gut drei Mal so teure "Voice Office Premium 10"; das im Test der sechs Programme als einziges nur ein "Befriedigend" bekam. "Man liest über Spracherkennung nicht mehr so viel" weil es funktioniert", glaubt Dorothee Wiegand von der in Hannover erscheinenden Computerzeitschrift "c't". Die Technik" etwa "Dragon Naturally Speaking" von ScanSoft, sei ausgereift, "Spracherkennung ist vor allem Statistik, die Auswertung unendlicher Wortmöglichkeiten. Eigentlich war eher die Hardware das Problem", sagt Wiegand. Da jetzt selbst einfache Heimcomputer schnell und leistungsfähig seien, hätten die Entwickler viel mehr Möglichkeiten."Aber selbst ältere Computer kommen mit den Systemen klar. Sie brauchen nur etwas länger! "Jedes Byte macht die Spracherkennung etwas schneller, ungenauer ist sie sonst aber nicht", bestätigt Kristina Henry von linguatec in München. Auch für die Produkte des Herstellers gelte jedoch, dass "üben und deutlich sprechen wichtiger sind als jede Hardware". Selbst Stimmen von Diktiergeräten würden klar, erkannt, versichert Henry: "Wir wollen einen Schritt weiter gehen und das Diktieren von unterwegs möglich machen." Der Benutzer könnte dann eine Nummer anwählen, etwa im Auto einen Text aufsprechen und ihn zu Hause "getippt" vorfinden. Grundsätzlich passt die Spracherkennungssoftware inzwischen auch auf den privaten Computer. Klar ist aber, dass selbst der bestgesprochene Text nachbearbeitet werden muss. Zudem ist vom Nutzer Geduld gefragt: Ebenso wie sein System lernt, muss der Mensch sich in Aussprache und Geschwindigkeit dem System anpassen. Dann sind die Ergebnisse allerdings beachtlich - und "Sexterminvereinbarung" statt "zwecks Terminvereinbarung" gehört der Vergangenheit an."

Date

3. 5.1997 8:44:22

Menge-Sonnentag, R.: Google veröffentlicht einen Parser für natürliche Sprache (2016) 0.01

0.009083348 = product of:
  0.06358343 = sum of:
    0.028745173 = weight(_text_:open in 2941) [ClassicSimilarity], result of:
      0.028745173 = score(doc=2941,freq=2.0), product of:
        0.14443703 = queryWeight, product of:
          4.5032015 = idf(docFreq=1330, maxDocs=44218)
          0.0320743 = queryNorm
        0.19901526 = fieldWeight in 2941, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.5032015 = idf(docFreq=1330, maxDocs=44218)
          0.03125 = fieldNorm(doc=2941)
    0.034838263 = weight(_text_:source in 2941) [ClassicSimilarity], result of:
      0.034838263 = score(doc=2941,freq=2.0), product of:
        0.15900996 = queryWeight, product of:
          4.9575505 = idf(docFreq=844, maxDocs=44218)
          0.0320743 = queryNorm
        0.21909484 = fieldWeight in 2941, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.9575505 = idf(docFreq=844, maxDocs=44218)
          0.03125 = fieldNorm(doc=2941)
  0.14285715 = coord(2/14)

Abstract: SyntaxNet zerlegt Sätze in ihre grammatikalischen Bestandteile und bestimmt die syntaktischen Beziehungen der Wörter untereinander. Das Framework ist Open Source und als TensorFlow Model implementiert. Ein Parser für natürliche Sprache ist eine Software, die Sätze in ihre grammatikalischen Bestandteile zerlegt. Diese Zerlegung ist notwendig, damit Computer Befehle verstehen oder Texte übersetzen können. Die digitalen Helfer wie Microsofts Cortana, Apples Siri und Google Now verwenden Parser, um Sätze wie "Stell den Wecker auf 5 Uhr!" richtig umzusetzen. SyntaxNet ist ein solcher Parser, den Google als TensorFlow Model veröffentlicht hat. Entwickler können eigene Modelle erstellen, und SnytaxNet bringt einen vortrainierten Parser für die englische Sprache mit, den seine Macher Parsey McParseface genannt haben.

Search (137 results, page 1 of 7)

Authors

Years

Languages

Types

Themes

Subjects

Classifications