A Textual Entailment System using Anaphora Resolution.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The note describes the Recognizing Textual Entailment (RTE) system developed at the Computer Science and Engineering Department, Jadavpur University, India. In this competition, we have participated and submitted the results in the RTE-7 Main Task (3 runs), Novelty Task (3 runs) and RTE-7 KBP Validation task (2 unique runs for generic task and 2 unique runs for tailored task). For the RTE7 Main and Novelty Tasks, the systems are based on pre-processing task which includes Anaphora Resolution using JavaRAP tool then the system is the composition of Lexical Entailment module, Syntactic Entailment module, Chunk module and Named Entity module. For the RTE-7 Main task test set, the following micro-average results were obtained for Run 1: F-Score 29.81, Run 2: F-Score 30.47 and Run 3: F-score 29.90. For the RTE-7 Novelty task test set, the following micro-average results were obtained for Run 1: Novelty Evaluation F-Score 86.26 and Justification Evaluation F-Score 20.02, Run 2: Novelty Evaluation F-Score 78.49 and Justification Evaluation F-Score 26.56 and Run 3: Novelty Evaluation F-score 73.94 and Justification Evaluation F-Score 25.55 were obtained. The RTE-7 KBP Validation Task is based on the assumption that extracted slot filler is correct if and only if the supporting document entails a hypothesis created on the basis of the slot filler. In RTE KBP, we participated for generic task and tailored task. For the RTE-7 KBP Validation task test set for Generic Task, micro-average results for Run 1: F-Score 0.148 and Run 2: F-Score 0.1902 were obtained. For RTE-7 KBP test set for Tailored Task, micro-average results for Run 1: F-Score 0.1813, Run 2: F-Score and 0.1834 were obtained.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle