where α, β, γ are model weights and

where α, β, γ are model weights and fm, fc, ft
are the similarity measures based on mentions, context, and temporal information, respectively, be-tween the entity e and the hashtag h. We further constrain that α + β + γ = 1, so that the ranking scores of entities are normalized between 0 and 1,
and that our learning algorithm is more tractable. The algorithm, which automatically learns the parameters without the need of human-labeled data, is explained in detail in Section 5.

Kết quả (Việt) 1:

nơi α, β, γ là trọng lượng mô hình và fm, fc, ftlà các biện pháp tương tự dựa trên đề cập đến, bối cảnh và thông tin thời gian, tương ứng,-tween e thực thể và hashtag h. Chúng tôi tiếp tục cố định rằng α + β + γ = 1, do đó điểm xếp hạng của tổ chức đều được chuẩn hoá giữa 0 và 1,và thuật toán học tập của chúng tôi là hơn nhiều. Thuật toán tự động học các tham số mà không cần có nhãn nhân dữ liệu, được giải thích chi tiết trong phần 5.

Kết quả (Việt) 2:

nơi α, β, γ là trọng lượng mô hình và fm, fc, ft
được các biện pháp tương tự dựa trên đề cập đến, bối cảnh và thông tin về thời gian, tương ứng, được-tween các thực thể e và hashtag h. Chúng tôi tiếp tục hạn chế đó α + β + γ = 1, do đó điểm số xếp hạng của các thực thể được chuẩn hóa giữa 0 và 1,
và rằng thuật toán học của chúng tôi là dễ xử lý hơn. Các thuật toán, mà tự động học các thông số mà không cần các dữ liệu con người có nhãn hiệu, được giải thích chi tiết trong phần 5.