Automatically Ordering Events and Times in Text

این کتاب راهنمای دقیقی برای نظم‌دهی زمانی، بررسی مشکلات باز در زمینه و ارائه راه‌حل‌ها و تجزیه و تحلیل گسترده ارائه می‌دهد. چالش سفارش خودکار رویدادها و زمان ها در متن را برطرف می کند. به کمک TimeML، همچنین مفاهیم مربوط به زمان را با شرایط محاسبه آسان توصیف و ارائه می کند. تعیین ترتیبی که رویدادها و زمان ها روی می دهند برای رایانه ها دشوار است، زیرا زبان مورد استفاده برای بحث در مورد زمان می تواند مبهم و پیچیده باشد. ترسیم این مفاهیم برای یک سیستم محاسباتی، که ایده ذاتی خود را از زمان ندارد، بدون تعجب دشوار است. حل این مشکل سیستم‌های قدرتمندی را قادر می‌سازد که بتوانند برنامه‌ریزی کنند، درباره رویدادها استدلال کنند، و داستان‌هایی را به دلخواه خود بسازند، و همچنین روایت‌های پیچیده‌ای را که انسان‌ها به‌طور طبیعی بیان و درک می‌کنند، درک کنند.

این کتاب یک تئوری و تجزیه و تحلیل مبتنی بر داده از ترتیب زمانی ارائه می‌کند که منجر به شناسایی دقیقاً چه چیزی در مورد کار دشوار است. سپس راه‌حل‌های یادگیری ماشینی را برای مشکلات عمده پیشنهاد و ارزیابی می‌کند.

این یک منبع ارزشمند برای کسانی است که در یادگیری ماشینی برای پردازش زبان طبیعی کار می‌کنند و همچنین برای هر کسی که زمان خود را در زبان مطالعه می‌کند یا درگیر است. در حاشیه نویسی ساختار زمان در اسناد.

The book offers a detailed guide to temporal ordering, exploring open problems in the field and providing solutions and extensive analysis. It addresses the challenge of automatically ordering events and times in text. Aided by TimeML, it also describes and presents concepts relating to time in easy-to-compute terms. Working out the order that events and times happen has proven difficult for computers, since the language used to discuss time can be vague and complex. Mapping out these concepts for a computational system, which does not have its own inherent idea of time, is, unsurprisingly, tough. Solving this problem enables powerful systems that can plan, reason about events, and construct stories of their own accord, as well as understand the complex narratives that humans express and comprehend so naturally.

This book presents a theory and data-driven analysis of temporal ordering, leading to the identification of exactly what is difficult about the task. It then proposes and evaluates machine-learning solutions for the major difficulties.

It is a valuable resource for those working in machine learning for natural language processing as well as anyone studying time in language, or involved in annotating the structure of time in documents.