Czech Historical Named Entity Corpus v 1.0

dc.contributor.authorHubková, Helena
dc.contributor.authorKrál, Pavel
dc.contributor.authorPettersson, Eva
dc.date.accessioned2021-03-29T10:00:20Z
dc.date.available2021-03-29T10:00:20Z
dc.date.issued2020
dc.description.abstractVzhledem k tomu, že počet digitalizovaných archivních dokumentů roste velmi rychle, rozpoznávání pojmenovaných entit (NER) v historických dokumentech se stalo velmi důležitým pro extrakci informací a dolování dat. K této úloze je zapotřebí anotovaný korpus, který pro češtinu dosud chyběl. V tomto článku představujeme novou anotovanou datovou kolekci pro historické NER, která složena z českých historických periodik. Tato sada je volně k dispozici pro výzkumné účely na adrese http://chnec.kiv.zcu.cz/. Definovali jsme relevantní typy pojmenovaných entit a vytvořili anotační příručku. Dále jsme provedli několik experimentů s využitím rekurentních neuronových sítí, abychom ukázali základní výsledky na této datové sadě. Experimentovali jsme s náhodně inicializovanými a statickými i dynamickými fastText slovními vektory. Dosáhli jsme F1 skóre 0,73 s obousměrným LSTM modelem a statickými fastText slovními vektory.cs
dc.description.abstract-translatedAs the number of digitized archival documents increases very rapidly, named entity recognition (NER) in historical documents has become very important for information extraction and data mining. For this task an annotated corpus is needed, which has up to now been missing for Czech. In this paper we present a new annotated data collection for historical NER, composed of Czech historical newspapers. This corpus is freely available for research purposes at http://chnec.kiv.zcu.cz/. For this corpus, we have defined relevant domain-specific named entity types and created an annotation manual for corpus labelling. We further conducted some experiments on this corpus using recurrent neural networks in order to show baseline results on this dataset. We experimented with randomly initialized embeddings and static and dynamic fastText word embeddings. We achieved 0.73 F1 score with a bidirectional LSTM model using static fastText embeddings.en
dc.format8 s.cs
dc.format.mimetypeapplication/pdf
dc.identifier.citationHUBKOVÁ, H. KRÁL, P. PETTERSSON, E. Czech Historical Named Entity Corpus v 1.0. In: Proceedings of the 12th Language Resources and Evaluation Conference. Paris: European Language Resources Association (ELRA), 2020. s. 4458-4465. ISBN 979-10-95546-34-4.cs
dc.identifier.isbn979-10-95546-34-4
dc.identifier.obd43932402
dc.identifier.uri2-s2.0-85096550154
dc.identifier.urihttp://hdl.handle.net/11025/43136
dc.language.isoenen
dc.publisherEuropean Language Resources Association (ELRA)en
dc.relation.ispartofseriesProceedings of the 12th Language Resources and Evaluation Conferenceen
dc.rightsPlný text je přístupný v rámci univerzity přihlášeným uživatelům.cs
dc.rights© ELRAen
dc.rights.accessrestrictedAccessen
dc.subjecthistorická češtinacs
dc.subjecthistorický korpus pojmenovaných entics
dc.subjectLSTMcs
dc.subjectrozpoznávání pojmenovaných entitcs
dc.subjectneuronové sítěcs
dc.subject.translatedHistorical Czechen
dc.subject.translatedHistorical Named Entity Corpusen
dc.subject.translatedLSTMen
dc.subject.translatedNamed Entity Recognitionen
dc.subject.translatedNeural Networksen
dc.titleCzech Historical Named Entity Corpus v 1.0en
dc.title.alternativeČeský historický korpus pojmenovaných entit v 1.0cs
dc.typekonferenční příspěvekcs
dc.typeconferenceObjecten
dc.type.statusPeer-revieweden
dc.type.versionpublishedVersionen

Files

OPEN License Selector