| Title: | Czech Historical Named Entity Corpus v 1.0 |
| Other Titles: | Český historický korpus pojmenovaných entit v 1.0 |
| Authors: | Hubková, Helena Král, Pavel Pettersson, Eva |
| Citation: | HUBKOVÁ, H. KRÁL, P. PETTERSSON, E. Czech Historical Named Entity Corpus v 1.0. In: Proceedings of the 12th Language Resources and Evaluation Conference. Paris: European Language Resources Association (ELRA), 2020. s. 4458-4465. ISBN 979-10-95546-34-4. |
| Issue Date: | 2020 |
| Publisher: | European Language Resources Association (ELRA) |
| Document type: | konferenční příspěvek conferenceObject |
| URI: | 2-s2.0-85096550154 http://hdl.handle.net/11025/43136 |
| ISBN: | 979-10-95546-34-4 |
| Keywords: | historická čeština;historický korpus pojmenovaných enti;LSTM;rozpoznávání pojmenovaných entit;neuronové sítě |
| Keywords in different language: | Historical Czech;Historical Named Entity Corpus;LSTM;Named Entity Recognition;Neural Networks |
| Abstract: | Vzhledem k tomu, že počet digitalizovaných archivních dokumentů roste velmi rychle, rozpoznávání pojmenovaných entit (NER) v historických dokumentech se stalo velmi důležitým pro extrakci informací a dolování dat. K této úloze je zapotřebí anotovaný korpus, který pro češtinu dosud chyběl. V tomto článku představujeme novou anotovanou datovou kolekci pro historické NER, která složena z českých historických periodik. Tato sada je volně k dispozici pro výzkumné účely na adrese http://chnec.kiv.zcu.cz/. Definovali jsme relevantní typy pojmenovaných entit a vytvořili anotační příručku. Dále jsme provedli několik experimentů s využitím rekurentních neuronových sítí, abychom ukázali základní výsledky na této datové sadě. Experimentovali jsme s náhodně inicializovanými a statickými i dynamickými fastText slovními vektory. Dosáhli jsme F1 skóre 0,73 s obousměrným LSTM modelem a statickými fastText slovními vektory. |
| Abstract in different language: | As the number of digitized archival documents increases very rapidly, named entity recognition (NER) in historical documents has become very important for information extraction and data mining. For this task an annotated corpus is needed, which has up to now been missing for Czech. In this paper we present a new annotated data collection for historical NER, composed of Czech historical newspapers. This corpus is freely available for research purposes at http://chnec.kiv.zcu.cz/. For this corpus, we have defined relevant domain-specific named entity types and created an annotation manual for corpus labelling. We further conducted some experiments on this corpus using recurrent neural networks in order to show baseline results on this dataset. We experimented with randomly initialized embeddings and static and dynamic fastText word embeddings. We achieved 0.73 F1 score with a bidirectional LSTM model using static fastText embeddings. |
| Rights: | Plný text je přístupný v rámci univerzity přihlášeným uživatelům. © ELRA |
| Appears in Collections: | Konferenční příspěvky / Conference Papers (KIV) OBD |
Files in This Item:
| File | Size | Format | |
|---|---|---|---|
| Hubková 2020.lrec-1.549.pdf | 476,55 kB | Adobe PDF | View/Open Request a copy |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/43136Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.