Baseline We compare IPL with other

Baseline We compare IPL with other entity annotation methods. Our first group of baselines includes entity linking systems in domains of general text, Wikiminer (Milne and Witten, 2008), and short text, Tagme (Ferragina and Scaiella,2012). For each method, we use the default parameter settings, apply them for the individual tweets,
and take the average of the annotation confidence scores as the prominence ranking function. The second group of baselines includes systems specifically designed for microblogs. For the contentbased methods, we compare against Meij et al.(2012), which uses a supervised method to rank entities with respect to tweets. We train the model using the same training data as in the original paper.For the graph-based method, we compare against KAURI (Shen et al., 2013), a method which uses user interest propagation to optimize the entity linking scores. To tune the parameters, we pick
up four hashtags from different clusters, randomly sample 50 tweets for each, and manually annotate the tweets. For all baselines, we obtained the implementation from the authors. The exception is Meij method, where we implemented ourselves,
but we clarified with the authors via emails on several settings. In addition, we also compare three variants of our method, using only local functions for entity ranking (referred to as M , C, and T for mention, context, and time, respectively)

Kết quả (Việt) 2:

Baseline Chúng tôi so sánh với các phương pháp IPL thực thể chú thích khác. Nhóm đầu tiên của chúng tôi về đường cơ sở bao gồm các hệ thống thực thể liên kết trong lĩnh vực văn bản nói chung, Wikiminer (Milne và Witten, 2008), và văn bản ngắn, Tagme (Ferragina và Scaiella, 2012). Đối với mỗi phương pháp, chúng tôi sử dụng các thiết lập thông số mặc định, áp dụng chúng cho các tweets cá nhân,
và lấy trung bình của điểm số niềm tin chú thích như chức năng xếp hạng nổi tiếng. Nhóm thứ hai của đường cơ sở bao gồm các hệ thống được thiết kế đặc biệt cho các microblog. Đối với các phương pháp contentbased, chúng tôi so sánh với Meij et al. (2012), trong đó sử dụng một phương pháp giám sát để xếp hạng các đơn vị liên quan đến tweets với. Chúng tôi đào tạo các mô hình sử dụng các dữ liệu huấn luyện tương tự như trong bản gốc paper.For phương pháp dựa trên đồ thị, chúng tôi so sánh với Kauri (Shen et al., 2013), một phương pháp trong đó sử dụng tuyên truyền lợi của người dùng để tối ưu hóa các thực thể liên kết các điểm số. Để điều chỉnh các thông số, chúng tôi chọn
lên bốn hashtags từ các cụm khác nhau, lấy mẫu ngẫu nhiên 50 tweets cho mỗi, và tự chú thích các tweets. Đối với tất cả các đường cơ sở, chúng tôi thu được thực hiện từ các tác giả. Các trường hợp ngoại lệ là phương pháp Meij, nơi mà chúng tôi thực hiện bản thân mình,
nhưng chúng tôi làm rõ với các tác giả qua email trên một số thiết lập. Ngoài ra, chúng tôi cũng so sánh ba biến thể của phương pháp của chúng tôi, bằng cách sử dụng chức năng chỉ địa phương để xếp hạng thực thể (gọi tắt là M, C và T cho đề cập đến, bối cảnh và thời gian, tương ứng)