Verstehen natürlicher Sprache
Aus International Center for Computational Logic
Verstehen natürlicher Sprache
Das Verstehen natürlicher Sprache befasst sich mit dem Interpretieren und Modellieren der Semantik und Pragmatik von natürlicher Sprache. Dafür werden verschiedenste Techniken angewendet. Da menschliches Schließen oftmals auf der Basis natürlicher Sprache geschieht, ist das Verständnis natürlicher Sprache wichtig für intelligente Systeme, die Menschen beim Schlussfolgern unterstützen sollen.
Die für uns relevanten Teilgebiete beinhalten die Repräsentation von und das Schlussfolgern mit Konzepten, wie sie in natürlichen Sprachen vorkomment, z.B. unvollständige Information, unsichere, mehrdeutige oder ungenaue Aussagen, und mit pragmatischer oder nicht-expliziter Information (implizit angenommenem Hintergrundwissen). Die Methoden unserer Ansätze in diesen Gebieten basieren typischerweise (aber nicht ausschließlich) auf der logikbasierten Wissensrepräsentation.
Wissenschaftliche Mitarbeiter
Artikel in Fachzeitschriften
Shima Asaadi, Eugenie Giesbrecht, Sebastian Rudolph
Compositional matrix-space models of language: Definitions, properties, and learning methods
Natural Language Engineering, 29(1):1-49, January 2023
Details Download
Artikel in Tagungsbänden
Shima Asaadi, Saif M. Mohammad, Svetlana Kiritchenko
Big BiRD: A Large, Fine-Grained, Bigram Relatedness Dataset for Examining Semantic Composition
Proceedings of the Annual Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (NAACL), June 2019
Details Download
Shima Asaadi, Sebastian Rudolph
Gradual Learning of Matrix-Space Models of Language for Sentiment Analysis
In Phil Blunsom, Antoine Bordes, Kyunghyun Cho, Shay B. Cohen, Chris Dyer, Edward Grefenstette, Karl Moritz Hermann, Laura Rimell, Jason Weston, Scott Yih, eds., Proceedings of the 2nd Workshop on Representation Learning for NLP, ACL2017, 178-185, August 2017. Association for Computational Linguistics
Details Download
Shima Asaadi, Sebastian Rudolph
On the Correspondence between Compositional Matrix-Space Models of Language and Weighted Automata
Proceedings of the ACL Workshop on Statistical Natural Language Processing and Weighted Automata (StatFSM 2016), August 2016
Details Download
Vorträge und Sonstiges
Alex Ivliev
Parsing of Lexicalised Linear Context-Free Rewriting Systems via Supertagging
Project Thesis, TU Dresden, May 2020
Details Download
SECAI
School of Embedded Composite Artificial Intelligence
