Universitätsbibliothek Erlangen Zur Homepage der Universitätsbibliothek Erlangen
Zur Homepage der Universität Erlangen

Eingang zum Volltext in OPUS


Hinweis zum Urheberrecht

Dissertation zugänglich unter
URN: urn:nbn:de:bvb:29-opus-602
URL: http://www.opus.ub.uni-erlangen.de/opus/volltexte/2004/60/


Information extraction in the practical applications

Informationsextrahierung in den praktischen Anwendungen

Xiao, Luo

pdf-Format:
Dokument 1.pdf (18 KB) Dokument 2.pdf (26 KB) Dokument 3.pdf (84 KB)
Dokument 4.pdf (169 KB) Dokument 5.pdf (181 KB) Dokument 6.pdf (67 KB)
Dokument 7.pdf (412 KB) Dokument 8.pdf (66 KB) Dokument 9.pdf (65 KB)
Dokument 10.pdf (432 KB) Dokument 11.pdf (17 KB) Dokument 12.pdf (6 KB)
Dokument 13.pdf (19 KB) Dokument 14.pdf (10 KB) Dokument 15.pdf (50 KB)
Dokument 16.pdf (13 KB)


SWD-Schlagwörter: Information Extraction
Freie Schlagwörter (Englisch): Machine Learning , Knowledge Acquisition , Internet Applications , Methodology and Design
Fakultät: Technische Fakultät
Fakultät: Technische Fakultät
DDC-Sachgruppe: Informatik
Dokumentart: Dissertation
Hauptberichter: Jablonski, S. (Prof. Dr.)
Sprache: Englisch
Tag der mündlichen Prüfung: 28.07.2003
Erstellungsjahr: 2003
Publikationsdatum: 26.07.2004
Kurzfassung in Englisch: The work focuses on two primary goals. First, we show that an information system, which is used for real world applications and different domains, can be built using some autonomous, corporate components (agents). Such a system has some advanced properties: clear separation to different extraction tasks and steps, portability to multiple application domain, trainability extensibility, etc.. Second, we show that machine learning, and, in particular, learning in different ways and levels can improve the total performance in practical IE systems
Kurzfassung in Deutsch: iese Arbeit hat zwei Hauptziele. Das erste ist zu zeigen, dass Information-Extraction-Systeme, die in den praktischen Anwendungen und unterschiedlichen Domänen angewendet werden, durch einige selbständige und kooperierende Komponenten (Agenten) aufgebaut werden können. Das System has viele Vorteile wie klare Trennung verschiedener Extraktionsaufgaben und –schritte, Portabilität für verschiedene Anwendungsdomäne, Lernfähigkeit usw. Das zweite Ziel ist zu zeigen, dass maschinelles Lernen, vor allem das Lernen mit verschiednen Methoden und Ebenen, die gesamte Performanz der praktischen IE-Systeme verbessern kann.


Home | Suchen | Veröffentlichen
 Sie benötigen weitere Informationen? Fragen Sie uns!


Letzte Änderung: 01.11.10