Key points are not available for this paper at this time.
Da Tweets zu einem umfassenden Repository frischer Informationen geworden sind, hat die semantische Rollenzuweisung (SRL) für Tweets großes Forschungsinteresse geweckt, da sie eine zentrale Rolle in einer Vielzahl von tweetbezogenen Studien spielt, wie z.B. detaillierte Informationsbeschaffung, Sentiment-Analyse und Zusammenfassung. Die Tatsache, dass ein Tweet oft zu kurz und informell ist, um ausreichende Informationen bereitzustellen, stellt jedoch eine große Herausforderung dar. Um diese Herausforderung zu meistern, schlagen wir eine neue Methode vor, um ähnliche Tweets kollektiv zu kennzeichnen. Die zugrunde liegende Idee ist, ähnliche Tweets zu nutzen, um den Mangel an Informationen in einem Tweet auszugleichen. Konkret werden ähnliche Tweets zunächst durch Clustering in Gruppen zusammengefasst. Dann wird für jeden Cluster eine zweistufige Kennzeichnung durchgeführt: Ein Kennzeichner führt SRL durch, um statistische Informationen zu erhalten, wie häufig vorkommende Prädikat/Argument/Rolle-Dreifachkombinationen, aus den hochzuverlässig gekennzeichneten Ergebnissen; in der zweiten Stufe führt ein anderer Kennzeichner SRL mit diesen statistischen Informationen durch, um die Ergebnisse zu verfeinern. Experimentelle Ergebnisse auf einem menschlich annotierten Datensatz zeigen, dass unser Ansatz SRL um 3,1 % F1 erheblich verbessert.
Liu et al. (Sat.) haben diese Frage untersucht.