Overview We approach the task in th

Overview We approach the task in three steps. The first step is to identify all entity candidates by checking surface forms of the constituent tweets of the hashtag. In the second step, we compute different similarities between each candidate and the hashtag, based on different types of contexts,which are derived from either side (Wikipedia or
Twitter). Finally, we learn a unified ranking function for each (hashtag, entity) pair and choose the top-k entities with the highest scores. The ranking function is learned through an unsupervised model and needs no human-defined labels.

Kết quả (Việt) 1:

Tổng quan về chúng tôi tiếp cận công việc trong ba bước. Bước đầu tiên là xác định tất cả các ứng cử viên thực thể bằng cách kiểm tra các hình thức bề mặt của tweets hashtag, thành phần. Trong bước thứ hai, chúng tôi tính toán khác nhau điểm tương đồng giữa mỗi ứng cử viên và hashtag, dựa trên các loại khác nhau của bối cảnh, trong đó có nguồn gốc từ hai bên (Wikipedia hoặcTwitter). Cuối cùng, chúng tôi tìm hiểu một chức năng thống nhất thứ hạng cho mỗi (hashtag, thực thể) cặp và chọn các thực thể đầu-k với điểm số cao nhất. Chức năng xếp hạng học được thông qua một mô hình không có giám sát và nhu cầu không xác định nhân nhãn.

Kết quả (Việt) 2:

Tổng quan Chúng tôi tiếp cận các nhiệm vụ trong ba bước. Bước đầu tiên là xác định tất cả các ứng cử viên thực thể bằng cách kiểm tra hình thức bề mặt của tweets cấu thành của hashtag. Trong bước thứ hai, chúng ta tính tương đồng khác nhau giữa mỗi ứng cử viên và các hashtag, dựa trên các loại khác nhau của các bối cảnh, trong đó có nguồn gốc từ một trong hai phía (Wikipedia hay
Twitter). Cuối cùng, chúng ta học một chức năng xếp hạng thống nhất cho mỗi (hashtag, thực thể) cặp và chọn các thực thể đầu-k với số điểm cao nhất. Các chức năng xếp hạng được học thông qua một mô hình không có giám sát và không cần nhãn con người được xác định.