掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：INCOMA Ltd.  

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/ranlp/2021

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：Association for Computational Linguistics  

DOI： 10.18653/v1/2021.eacl-main.4

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/eacl/2021

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：INCOMA Ltd.  

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/ranlp/2021

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：INCOMA Ltd.  

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/ranlp/2021

記述言語：日本語   出版者・発行元：一般社団法人 人工知能学会  

DOI： 10.1527/tjsai.35-6_b-k46

CiNii Research

researchmap

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：Association for Computational Linguistics  

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/ijcnlp/2020

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：Association for Computational Linguistics  

DOI： 10.18653/v1/p19-1099

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/acl/2019-1

記述言語：日本語   出版者・発行元：一般社団法人 言語処理学会  

本論文では，言い換えが複数存在する化合物名称の固有表現抽出 (NER) の精度を向上するため，NERモデルと化合物名を含む文の言い換えモデルを同時に学習するマルチタスク学習を提案する．提案手法では，long short-term memory (LSTM) に基づくエンコーダーおよび単語・文字 embedding パラメータを，NER モデルと言い換えモデルで共有することで，NER モデルにおいて，化合物名の言い換えを捉えることができるようにする．化合物名抽出タスク BioCreative IV CHEMDNER トラックで評価した結果，本言い換え学習が精度改善に貢献することが確認された．

DOI： 10.18653/v1/D19-1648

CiNii Research

researchmap

その他リンク： https://dblp.uni-trier.de/db/conf/emnlp/emnlp2019-1.html#WatanabeTNMI19

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：INCOMA Ltd.  

DOI： 10.26615/978-954-452-056-4_093

researchmap

その他リンク： https://dblp.uni-trier.de/db/conf/ranlp/ranlp2019.html#MoritaI19

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：Association for Computational Linguistics  

DOI： 10.18653/v1/k18-1052

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/conll/2018

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：Association for Computational Linguistics  

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/coling/2018d

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：European Language Resources Association (ELRA)  

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/lrec/2018

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：Springer  

DOI： 10.1007/978-3-030-03520-4_7

researchmap

その他リンク： https://dblp.uni-trier.de/db/conf/airs/airs2018.html#MakinoNYISI18

掲載種別：研究論文（学術雑誌）  

DOI： 10.1145/3218820

researchmap

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：INCOMA Ltd.  

DOI： 10.26615/978-954-452-049-6_097

researchmap

その他リンク： https://dblp.uni-trier.de/db/conf/ranlp/ranlp2017.html#TokunagaNI17

掲載種別：研究論文（国際会議プロシーディングス）  

DOI： 10.1007/978-3-319-57529-2_21

researchmap

その他リンク： https://dblp.uni-trier.de/db/conf/pakdd/pakdd2017-2.html#Iwakura17

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：Springer  

DOI： 10.1007/978-3-319-70145-5_2

researchmap

その他リンク： https://dblp.uni-trier.de/db/conf/airs/airs2017.html#MakinoI17

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：Springer  

DOI： 10.1007/978-3-319-42911-3_53

researchmap

その他リンク： https://dblp.uni-trier.de/db/conf/pricai/pricai2016.html#YoshikawaI16

記述言語：日本語   出版者・発行元：一般社団法人 言語処理学会  

本論文では，ユーザからの自然文による問い合わせを対応する Frequently Asked Question (FAQ) に分類する文書分類器を用いた FAQ 検索手法を提案する．本文書分類器は，問い合わせ中の単語を手掛かりに，対応する FAQ を判別する．しかし，FAQ の多くは冗長性がないため，FAQ を学習データとして文書分類器を作成する方法では，ユーザからの多様な問い合わせに対応するのが難しい．そこで，この問題に対処するために，蓄積されたユーザからの問い合わせ履歴から学習データを自動生成し，文書分類器を作成する．さらに，FAQ および文書分類用に自動生成した学習データを用いて，通常使われる表層的な手がかりに加えて，本文書分類器の出力を考慮するランキングモデルを学習する．ある企業のコールセンターの 4,738 件の FAQ および問い合わせ履歴 54 万件を用いて本手法を評価した．その結果，提案手法が，pseudo-relevance feedback および，統計的機械翻訳のアライメント手法を用いて得られる語彙知識によるクエリ拡張手法と比較し，高いランキング性能を示した．

DOI： 10.1007/978-3-319-42911-3_25

CiNii Research

researchmap

その他リンク： https://dblp.uni-trier.de/db/conf/pricai/pricai2016.html#MakinoNI16

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：The COLING 2016 Organizing Committee  

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/acl-alr/2016

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

本稿では,BCCWJ の複数ジャンルの文書を対象とした固有表現タグ付きコーパスを紹介する.本コーパスは,BCCWJ のコアデータに含まれる Yahoo! 知恵袋,白書,Yahoo! ブログ,書籍,雑誌,新聞の 6 分野,136 文書から構成されており,IREX で定義された 8 種類の固有表現タグが合計 2,464 表現に付与されている.

DOI： 10.18653/v1/W16-2706

CiNii Research

researchmap

その他リンク： https://dblp.uni-trier.de/db/conf/aclnews/aclnews2016.html#IwakuraKT16

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：The Association for Computer Linguistics  

DOI： 10.18653/v1/w16-1708

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/acllaw/2016

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：Springer  

DOI： 10.1007/978-3-319-13560-1_62

researchmap

その他リンク： https://dblp.uni-trier.de/db/conf/pricai/pricai2014.html#IwakuraSO14

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：National Institute of Informatics (NII)  

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/ntcir/2013

掲載種別：研究論文（学術雑誌）  

DOI： 10.1145/2499955.2499958

researchmap

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：IEEE Computer Society  

DOI： 10.1109/IV.2013.69

researchmap

その他リンク： https://dblp.uni-trier.de/db/conf/iv/iv2013.html#OkuboIM13

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：ACL  

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/conll/2013

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：RANLP 2013 Organising Committee / ACL  

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/ranlp/2013

記述言語：日本語   掲載種別：研究論文（学術雑誌）   出版者・発行元：情報処理学会  

本稿では，品詞タグ付け，Text Chunkingといった系列ラベリングにおける高速化手法を提案する．まず，系列ラベリング向けの規則表現方法を提案する．通常の系列ラベリング問題では，判別対象の単語から得られる素性に加えて，その前後の単語から得られる素性を用いる．そのため，判別対象の単語からの相対位置により，各単語から得られる素性が，異なる素性として，複数回処理されるという問題がある．本稿では，この相対位置による違いを吸収可能な規則表現方法による判別方法を提案する．また，素性の組合せを規則として学習するBoostingアルゴリズムにおいて，素性の組合せ生成を制御する手法を提案する．素性の組合せを考慮することで，精度改善に貢献するが，処理速度が低下するという問題がある．本手法では，組合せに考慮される素性とされない素性の2種類に分けることで，組合せ生成を調整し，高速化を行う．本手法を，英語品詞タグ付け，Text Chunkingで評価した結果，精度を保持したまま，速度改善が得られることを確認した．
This paper proposes two techniques to improve processing speed for sequential labeling problems such as part-of-speech (POS) tagging, text chunking, and so on. The first technique is a rule representation. Usual parsers for sequential labeling decide the class of each word by using the features generated from the word and its surrounding words. As a result, each word is evaluated a number of times. We propose a rule representation that allow us to avoid unnecessary such evaluation. The other is a boosting-based algorithm learning rules represented by combination of features. Although combination of features contributes accuracy, there is a problem that considering combination degrades processing speed. To avoid time-consuming evaluation of combination, we specify features never considered for combination. We evaluate our methods with English POS tagging and text chunking. The experimental results show that the processing time obtained with our methods is shorter than the processing time of taggers and chunkers without our techniques while maintaining competitive accuracy.

CiNii Research

researchmap

その他リンク： http://id.ndl.go.jp/bib/024148834

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：The Association for Computer Linguistics  

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/ijcnlp/2011

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：RANLP 2011 Organising Committee  

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/ranlp/2011

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：Springer  

DOI： 10.1007/978-3-642-12116-6_18

researchmap

その他リンク： https://dblp.uni-trier.de/db/conf/cicling/cicling2010.html#Iwakura10

記述言語：日本語   出版者・発行元：一般社団法人 電気学会  

DOI： 10.1541/ieejeiss.130.83

CiNii Research

researchmap

その他リンク： http://id.ndl.go.jp/bib/10539443

記述言語：日本語   掲載種別：研究論文（学術雑誌）   出版者・発行元：情報処理学会  

本稿では，Boostingに基づく規則学習の高速化手法を提案する．Boostingとは，学習事例の重みを変化させることで，複数の弱仮説を作成し，それらを組み合わせて，最終的な仮説を作成する手法である．Boostingに基づく学習アルゴリズムは，自然言語処理，OCRなどの様々なタスクにおいて高い精度を出せることが示されている．しかし，自然言語処理タスクのように，数十万の異なる素性および学習事例から構成される学習データを扱う場合においては，学習時間が問題となる．本稿では，素性の組合せを規則として学習するBoostingに基づく学習アルゴリズムの高速化のための手法を提案する．まず，素性の組合せで表現される規則候補の生成において，重複なくかつ枝刈りに適した生成方法を提案する．次に，各Boostingラウンドにおいて素性の部分集合から生成される候補を対象に規則を学習する方法を提案する．自然言語処理タスクであるEnglish Syntactic Chunkingおよび日本語係り受け解析において本手法の評価を行った．その結果，本手法により，精度を保持したまま，100倍以上の学習時間の改善が行えることを示せた．
This paper proposes techniques to improve training speed of boosting-based algorithms for learning rules represented by combination of features. Boosting is a method to crate a final hypothesis by repeatedly generating a weak hypothesis in each training iteration with a given weak learner. Boosting-based algorithms are successfully applied to several tasks such as Natural Language Processing, OCR, and so on. However, learning on the training data consisting of large number of samples and features requires long training time. We propose two techniques for improving training time of boosting based algorithms. The first one is generating candidate rules suited for pruning. The other is limiting search space by distributing features to buckets. Our algorithms repeatedly select a bucket and find a rule from candidate rules generated from the selected bucket. We evaluate our methods with English syntactic chunking and Japanese Dependency Parsing. The experimental results show that our methods improve training time by over 100 times while maintaining competitive accuracy obtained with boosting algorithms without our techniques.

CiNii Research

researchmap

その他リンク： http://id.ndl.go.jp/bib/024206504

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：RANLP 2009 Organising Committee / ACL  

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/ranlp/2009

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：Springer  

DOI： 10.1007/978-3-642-02556-3_39

researchmap

その他リンク： https://dblp.uni-trier.de/db/conf/hci/hci2009-8.html#AndoSIO09

掲載種別：研究論文（学術雑誌）  

DOI： 10.17562/pb-40-5

researchmap

記述言語：日本語   掲載種別：研究論文（学術雑誌）   出版者・発行元：情報処理学会  

本論文では，日本語固有表現抽出における精度改善のための手法を提案する．日本語の固有表現抽出においては，単語の明確な境界がないために，単語認識を行った後に抽出を行う方法が幅広く用いられている．しかし，この方法では，単語の一部だけが固有表現を構成しうるという問題が生じる．この問題に対し，本論文では，単語単位の固有表現抽出の後に，文字単位の固有表現抽出を行う2段階の抽出手法を提案する．続いて，従来の固有表現抽出で幅広く利用されてきた，人手で作成された固有名詞辞書やシソーラスの代わりに，複数の固有表現抽出器でラベルなしデータを解析した結果から各単語がなりうる固有表現クラスや各単語と共起する固有表現クラスなどを獲得し，固有表現抽出の手がかりとして利用する方法を提案する．本手法を，IREXの固有表現抽出タスクにおいて評価を行った．その結果，単語単位と文字単位の抽出の組合せおよび，ラベルなしデータの利用が，日本語固有表現抽出の精度改善につながることが示せた．
This paper proposes two methods for improving the performance of Japanese Named Entity (NE) extraction. The first one is the combination of wordunit and character-unit extraction. Most Japanese NE extractors use words segmented by a Japanese morphological analyzer because Japanese language has no word boundary marker. However, word unit is not always consistent with NE unit. To solve this problem, we propose to combine word-unit and character-unit extraction. The other is feature argumentation techniques by using extraction results of NE from unlabeled data with NE extractors. Our method collects the candidate NE classes of each word and the NE classes of its surrounding words from unlabeled data. We use these collected information of each word as features. We apply our NE extraction methods to IREX Japanese NE extraction task. The results show that our methods contribute improved accuracy.

CiNii Research

researchmap

その他リンク： http://id.ndl.go.jp/bib/024268976

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：ACL  

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/conll/2008

記述言語：英語   掲載種別：研究論文（学術雑誌）  

Scopus

researchmap

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：Springer  

DOI： 10.1007/978-3-540-73354-6_5

researchmap

その他リンク： https://dblp.uni-trier.de/db/conf/hci/hci2007-9.html#IwakuraO07

記述言語：英語   掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：Association for Computational Linguistics (ACL)  

Scopus

researchmap

掲載種別：研究論文（国際会議プロシーディングス）   出版者・発行元：Springer  

DOI： 10.1007/978-3-540-74827-4_154

researchmap

その他リンク： https://dblp.uni-trier.de/db/conf/kes/kes2007-2.html#IwakuraUO07

掲載種別：研究論文（国際会議プロシーディングス）  

DOI： 10.3115/1118984.1118986

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/acl-iwp/2003

掲載種別：研究論文（国際会議プロシーディングス）  

researchmap

その他リンク： https://dblp.uni-trier.de/rec/conf/nlprs/2001

DOI： 10.48550/arXiv.2409.06216

researchmap

J-GLOBAL

researchmap

DOI： 10.48550/arXiv.2304.10813

researchmap

DOI： 10.48550/arXiv.2304.10808

researchmap

J-GLOBAL

researchmap

記述言語：日本語   出版者・発行元：一般社団法人 言語処理学会  

DOI： 10.5715/jnlp.27.969

CiNii Research

researchmap

その他リンク： http://id.ndl.go.jp/bib/031204649

記述言語：日本語   出版者・発行元：一般社団法人 人工知能学会  

本論文は化学化合物抽出におけるサブワード系列の有効性を調査する．5種類のサブワード分割方法(SYMBOL,SP,BPE,BPE-DICT,BPE-PMI)を用いて調査を行った．この内，BPE-DICTとBPE-PMIは今回新たに提案する手法であり，BPE-DICTとは辞書制約付きのBPE，BPE-PMIとは通常のBPEが語の出現頻度を用いる箇所をPointwise Mutual Information(PMI)に置き換えたBPEである．実験結果よりサブワード系列が抽出性能を向上させることを示した．本論文で行った全ての実験結果ではBPE-DICTのF値86.74が最も良い結果となった．

DOI： 10.11517/pjsai.jsai2019.0_1n4j903

CiNii Research

researchmap

記述言語：日本語   出版者・発行元：一般社団法人 人工知能学会  

本稿では、化学分野の文書から化合物名を抽出するためのBiLSTM-CRFモデルを提案する。提案するモデルは、文脈情報を持った複数のサブワードLSTMを入力層に連結したものである。複数のサブワード系列を入力に加えることで、長い文脈情報や未知語に対して十分な特徴を得ることができる。 モデルの有効性を調べるためにCHEMDNERタスクに基づいて実験を行った。 結果として、抽出精度は通常のBiLSTM‐CRFモデルより優れており、未知語に対する実験結果は提案した方法がより良くはたらくことを示した。

DOI： 10.11517/pjsai.jsai2019.0_1n4j902

CiNii Research

researchmap

記述言語：日本語   出版者・発行元：一般社団法人 人工知能学会  

本研究では，化学文書中の専門用語の自動抽出に自己学習を取り入れる手法を提案する．我々は CHEMDNER コーパスを使い，ニューラルネットワークをベースとする化学文書中の専門用語抽出のモデルを訓練した．訓練済みのモデルは自動的に訓練データを作成するために，正解タグがついていない MEDLINE コーパスにアノテーションをするのに使用した．そして，最終的なモデルを獲得するために，人手でタグ付けが行われた CHEMDNER コーパスと自動タグ付けを行った MEDLINE コーパスの両方を用いて訓練を行った．訓練データとしてタグがついていない MEDLINE コーパスを用いた評価は，化学文書中の専門用語抽出における自己学習の有効性を示した．

DOI： 10.11517/pjsai.jsai2019.0_1n4j901

CiNii Research

researchmap

記述言語：日本語   出版者・発行元：国立国語研究所  

会議名: 言語資源活用ワークショップ2016, 開催地: 国立国語研究所, 会期: 2017年3月7日-8日, 主催: 国立国語研究所 コーパス開発センター
本稿では, 非専門家による固有表現抽出のタスクとしてのアノテーションを題材に, ふたつの手法について比較を行った. ひとつは既存の固有表現抽出器によるアノテーション結果に対し, 人手で修正を行う手法であり, もうひとつは人手で一からアノテーションを行う手法である. 実験には現代日本語書き言葉均衡コーパス(BCCWJ) を利用し, 手法ごとに1 テキストに対し2 人の非専門家を割り当てて, アノテーションを行った. 評価には, アノテーションにかかる時間, 一致率, Gold Standard との比較による正解率, それぞれの手法で作成されたコーパスを訓練事例とした場合の正解率を利用し, ジャンルごと, 及び, 全ジャンルのマイクロ平均とマクロ平均を算出した. 本実験の結果から, 全ジャンルのマイクロ平均とマクロ平均で比較した場合には既存のアノテーション結果を用いた手法の方が良い結果となるが, 既存の固有表現抽出器の訓練事例から離れたジャンルで同様に比較した場合には人手でアノテーションを行う手法の方が良い結果となることが明らかになった.
source:http://pj.ninjal.ac.jp/corpus_center/lrw2016.html
identifier:茨城大学
identifier:茨城大学
identifier:富士通研究所
identifier:茨城大学
identifier:茨城大学

DOI： 10.15084/00001494

CiNii Research

researchmap

記述言語：日本語  

本稿では，固有表現抽出タスクおよび抽出手法の概要を紹介した後，固有表現抽出のエラー分析結果を基に洗い出した課題について述べる．

CiNii Research

researchmap

記述言語：日本語   出版者・発行元：一般社団法人 人工知能学会  

DOI： 10.11517/jjsai.29.5_439

CiNii Research

researchmap

その他リンク： http://id.nii.ac.jp/1004/00001617/

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

本稿では,構造学習手法に対する Boosting 手法を提案する.Boosting 学習手法は,学習事例の重みを変化させることで,与えられた弱学習器を使って,複数のモデルを学習し,それらを結合したモデルを構築し,判別を行なう.しかし,通常の Boosting 手法は,正例と負例が与えられる場合を想定しているため,明示的に負例が与えられない構造学習に適用するのは難しい.そこで,入力の正しい構造と,入力に対する最も高いスコアを持つ誤った構造を用いた Boosting 学習手法を提案する.また,Boosting の弱学習器となる構造学習手法において,Boosting によって決められる学習事例の重みを学習時の各事例の学習率としての利用する方法を提案する.本 Boosting 手法を,Semi-Markov Perceptron の学習手法に適用し,Noun Phrase Chunking,Text Chunking,Extended Named Entity Recognition で評価を行なった.その結果,本手法は,semi-Markov perceptron, semi-Markov CRF より高い精度を残せることが示せた.

CiNii Research

researchmap

記述言語：日本語   出版者・発行元：The Japanese Society for Artificial Intelligence  

DOI： 10.11517/jjsai.27.1_89

CiNii Research

researchmap

記述言語：日本語  

本研究では，センサーや統計等を通じては獲得できない社会的事象の抽出と活用の可能性調査を目的として，犯罪情報を対象に Twitter 投稿の分析をおこなった．分析を通じ，(1) Twitter 上の犯罪関連投稿には，投稿者自身の犯罪の目撃や被害に関する投稿，公共・公的機関が発表した情報等を引用した投稿，ニュース記事の引用という3種類が存在すること，(2) それらの間で記述されている犯罪種別傾向の違いから，Twitter からのみ抽出できる犯罪情報が存在していること，が分かった．また，犯罪関連投稿を自動抽出する実験結果についても報告する．We analyzed criminal Twitter posts. The purpose is to investigate the possibility of extraction of various social phenomena which can not be acquired by a sensor or statistical prediction. Through the analysis, our findings are: (1) There are three types of criminal tweets: user's experience, announce by public institution, and cited news article. (2) By analyzing the difference between these three types of criminal tweets, there may be criminal information existing only on Twitter. We also show the result of an experiment to extract criminal tweets automatically.

CiNii Research

researchmap

記述言語：日本語   出版者・発行元：情報処理学会  

CiNii Research

researchmap

記述言語：日本語   出版者・発行元：一般社団法人情報処理学会  

本論文では, 分類器の出力を混合する手法の一つであるStackingを効率的に学習するための手法を提案する.Stacking学習では, 混合に利用する分類器作成用の学習データと, Stacking用学習データの二種類が必要となる.本手法では, 交差検定の考えを応用して, 分類器作成とテストを繰り返すことで, 分類器作成のための学習データからStacking学習用の学習データを獲得する.CRL固有表現データを学習データとし, IREX一般課題で提案手法を評価した.本手法は, より細かい単位で交差検定を行なってStacking用学習データを獲得することで精度を改善し, F値で85.83という従来手法より良い結果が得られることを確認した.

CiNii Research

researchmap

記述言語：日本語   出版者・発行元：一般社団法人 人工知能学会  

セマンティックWebにおいてはRDFによるメタデータをどう作成するかが課題である．本稿では，機械学習ベースの情報抽出技術による，メールや報告書といったテキストからのエンティティ及び関係情報の抽出手法と，その人脈情報検索への応用について述べる．

DOI： 10.11517/pjsai.jsai04.0.289.0

CiNii Research

researchmap

記述言語：日本語  

CiNii Research

researchmap

記述言語：日本語   出版者・発行元：電子情報通信学会  

CiNii Research

researchmap

出版者・発行元：一般社団法人 人工知能学会  

DOI： 10.11517/pjsai.jsai01.0.8.0

CiNii Research

researchmap

出願人：富士通株式会社

出願番号：特願2018-102745  出願日：2018年5月

公開番号：特開2019-207566  公開日：2019年12月

特許番号/登録番号：特許第7056381号  登録日：2022年4月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2015-238064  出願日：2015年12月

公開番号：特開2017-102871  公開日：2017年6月

特許番号/登録番号：特許第6597250号  登録日：2019年10月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2015-030107  出願日：2015年2月

公開番号：特開2015-099608  公開日：2015年5月

特許番号/登録番号：特許第6135692号  登録日：2017年5月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2014-241717  出願日：2014年11月

公開番号：特開2016-103192  公開日：2016年6月

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2013-194168  出願日：2013年9月

公開番号：特開2015-060432  公開日：2015年3月

特許番号/登録番号：特許第6307822号  登録日：2018年3月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2013-153939  出願日：2013年7月

公開番号：特開2015-026135  公開日：2015年2月

特許番号/登録番号：特許第6136702号  登録日：2017年5月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2013-136647  出願日：2013年6月

公開番号：特開2015-011535  公開日：2015年1月

特許番号/登録番号：特許第6127778号  登録日：2017年4月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2013-111378  出願日：2013年5月

公開番号：特開2013-218717  公開日：2013年10月

特許番号/登録番号：特許第5917440号  登録日：2016年4月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2012-277491  出願日：2012年12月

公開番号：特開2014-120140  公開日：2014年6月

特許番号/登録番号：特許第6015417号  登録日：2016年10月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2012-275336  出願日：2012年12月

公開番号：特開2014-120016  公開日：2014年6月

特許番号/登録番号：特許第6015414号  登録日：2016年10月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2012-269846  出願日：2012年12月

公開番号：特開2013-069330  公開日：2013年4月

特許番号/登録番号：特許第5644847号  登録日：2014年11月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2011-284536  出願日：2011年12月

公開番号：特開2013-134625  公開日：2013年7月

特許番号/登録番号：特許第5776539号  登録日：2015年7月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2011-093856  出願日：2011年4月

公開番号：特開2011-159321  公開日：2011年8月

特許番号/登録番号：特許第4804591号  登録日：2011年8月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2011-067592  出願日：2011年3月

公開番号：特開2011-138546  公開日：2011年7月

特許番号/登録番号：特許第5614351号  登録日：2014年9月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2010-272940  出願日：2010年12月

公開番号：特開2012-123560  公開日：2012年6月

特許番号/登録番号：特許第5750876号  登録日：2015年5月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2010-270601  出願日：2010年12月

公開番号：特開2012-118930  公開日：2012年6月

特許番号/登録番号：特許第5703722号  登録日：2015年3月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2010-149496  出願日：2010年6月

公開番号：特開2012-014363  公開日：2012年1月

特許番号/登録番号：特許第5482512号  登録日：2014年2月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2010-003260  出願日：2010年1月

公開番号：特開2011-141838  公開日：2011年7月

特許番号/登録番号：特許第5381728号  登録日：2013年10月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2009-296732  出願日：2009年12月

公開番号：特開2011-138248  公開日：2011年7月

特許番号/登録番号：特許第5493845号  登録日：2014年3月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2009-269497  出願日：2009年11月

公開番号：特開2011-113333  公開日：2011年6月

特許番号/登録番号：特許第5445071号  登録日：2014年1月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2009-100574  出願日：2009年4月

公開番号：特開2010-250642  公開日：2010年11月

特許番号/登録番号：特許第5458640号  登録日：2014年1月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2011-504649  出願日：2009年3月

特許番号/登録番号：特許第5110201号  登録日：2012年10月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2009-042098  出願日：2009年2月

公開番号：特開2010-198288  公開日：2010年9月

特許番号/登録番号：特許第5245908号  登録日：2013年4月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2008-317790  出願日：2008年12月

公開番号：特開2010-140373  公開日：2010年6月

特許番号/登録番号：特許第5396845号  登録日：2013年11月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2008-232784  出願日：2008年9月

公開番号：特開2010-067011  公開日：2010年3月

特許番号/登録番号：特許第5163379号  登録日：2012年12月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2008-193068  出願日：2008年7月

公開番号：特開2010-033214  公開日：2010年2月

特許番号/登録番号：特許第5206197号  登録日：2013年3月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2008-193067  出願日：2008年7月

公開番号：特開2010-033213  公開日：2010年2月

特許番号/登録番号：特許第5206196号  登録日：2013年3月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2008-169415  出願日：2008年6月

公開番号：特開2010-009414  公開日：2010年1月

特許番号/登録番号：特許第5374938号  登録日：2013年10月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2009-520230  出願日：2007年6月

特許番号/登録番号：特許第4992973号  登録日：2012年5月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2009-515059  出願日：2007年5月

特許番号/登録番号：特許第4957796号  登録日：2012年3月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2007-035434  出願日：2007年2月

公開番号：特開2008-198132  公開日：2008年8月

特許番号/登録番号：特許第5245255号  登録日：2013年4月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2006-182251  出願日：2006年6月

公開番号：特開2008-009918  公開日：2008年1月

特許番号/登録番号：特許第4861078号  登録日：2011年11月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2006-069048  出願日：2006年3月

公開番号：特開2007-249355  公開日：2007年9月

特許番号/登録番号：特許第4753755号  登録日：2011年6月 

J-GLOBAL

researchmap

出願人：富士通株式会社

出願番号：特願2005-009322  出願日：2005年1月

公開番号：特開2006-004399  公開日：2006年1月

特許番号/登録番号：特許第4347226号  登録日：2009年7月 

J-GLOBAL

researchmap