Table 2 shows the performance compa

Table 2 shows the performance comparison of the methods using the standard metrics for a ranking system (precision at 5 and 15 and MAP at 15). In general, all baselines perform worse than reported in the literature, confirming the higher complexity
of the hashtag annotation task as compared to traditional tasks. Interestingly enough, using our local similarities already produces better results than Tagme and Wikiminer. The local model fm significantly outperforms both the baselines in all metrics. Combining the similarities improves the performance even more significantly.2 Compared to the baselines, IPL improves the performance by 17-28%. The time similarity achieves the highest result compared to other content-based mention and context similarities. This supports our assumption that lexical matching is not always the best strategy to link entities in tweets. The time series based metric incurs lower cost than others, yet it produces a considerably good performance. Context similarity based on Wikipedia edits does not yield much improvement. This can be explained in two ways. First, information in Wikipedia is largely biased to popular entities, it fails to capture many entities in the long tail. Second, language models are dependent on direct word representations, which are different between Twitter and Wikipedia. This is another advantage of non content measures such as f
t
.

Kết quả (Việt) 1:

Bảng 2 cho thấy so sánh hiệu suất của các phương pháp sử dụng các số liệu tiêu chuẩn cho một hệ thống xếp hạng (chính xác lúc 5 và 15) và bản đồ tại 15. Nói chung, tất cả các đường cơ sở thực hiện tồi tệ hơn báo cáo trong các tài liệu, xác nhận sự phức tạp caocủa các nhiệm vụ chú thích hashtag so với truyền thống nhiệm vụ. Điều thú vị đủ, bằng cách sử dụng điểm tương đồng địa phương của chúng tôi đã sản xuất các kết quả tốt hơn so với Tagme và Wikiminer. Fm mô hình địa phương đáng kể nhanh hơn so với cả đường cơ sở trong tất cả các số liệu. Kết hợp những điểm tương đồng cải thiện hiệu suất hơn significantly.2 Compared để các đường cơ sở, IPL cải thiện hiệu suất 17-28%. Những nét tương đồng thời gian đạt được kết quả cao nhất so với các nội dung dựa trên đề cập đến và bối cảnh điểm tương đồng. Điều này hỗ trợ chúng tôi giả định rằng kết hợp từ vựng không phải là luôn luôn chiến lược tốt nhất để liên kết các thực thể trong tweets. Loạt dựa trên số liệu thời gian phải gánh chịu các chi phí thấp hơn so với những người khác, nhưng nó tạo ra một hiệu suất đáng kể tốt. Bối cảnh tương tự dựa trên Wikipedia chỉnh sửa không mang lại nhiều cải tiến. Điều này có thể được giải thích theo hai cách. Đầu tiên, các thông tin tại Wikipedia là phần lớn thành kiến để phổ biến các thực thể, nó không nắm bắt nhiều tổ chức ở đuôi dài. Thứ hai, ngôn ngữ mô hình là phụ thuộc vào đại diện trực tiếp từ, mà là khác nhau giữa Twitter và Wikipedia. Đây là một lợi thế của các biện pháp phòng không nội dung chẳng hạn như ft.

Kết quả (Việt) 2:

Bảng 2 cho thấy sự so sánh hiệu suất của phương pháp sử dụng các số liệu chuẩn cho một hệ thống xếp hạng (độ chính xác ở mức 5 và 15 và MAP 15). Nói chung, tất cả các đường cơ sở thực hiện tồi tệ hơn so với báo cáo trong y văn, khẳng định sự phức tạp cao hơn
của công việc chú thích hashtag so với nhiệm vụ truyền thống. Điều thú vị đủ, sử dụng tương đồng địa phương của chúng tôi đã tạo ra kết quả tốt hơn so với Tagme và Wikiminer. Mô hình địa phương fm việc tốt hơn đáng kể cả các đường cơ sở trong tất cả các số liệu. Kết hợp những điểm tương đồng cải thiện hiệu suất thậm chí còn nhiều hơn significantly.2 So với các đường cơ sở, IPL cải thiện hiệu suất bằng 17-28%. Thời gian giống nhau đạt được kết quả cao nhất so với đề cập và bối cảnh tương đồng dựa trên nội dung khác. Điều này hỗ trợ của chúng tôi giả định rằng kết hợp từ vựng không phải luôn luôn là chiến lược tốt nhất để liên kết các thực thể trong tweets. Các chuỗi thời gian dựa trên số liệu phát sinh chi phí thấp hơn so với những người khác, nhưng nó tạo ra một hiệu suất đáng kể tốt. Tương bối cảnh dựa trên chỉnh sửa Wikipedia không mang lại nhiều cải tiến. Điều này có thể được giải thích theo hai cách. Đầu tiên, thông tin trong Wikipedia phần lớn là thiên vị cho các tổ chức phổ biến, nó không thành công để nắm bắt nhiều đối tượng ở đuôi dài. Thứ hai, mô hình ngôn ngữ phụ thuộc vào các đại diện từ trực tiếp, đó là khác nhau giữa Twitter và Wikipedia. Đây là một lợi thế của các biện pháp nội dung không như f
t.