Combining Syntactic and Semantic Information in Knowledge Extraction Pipeline

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F26%3ANN7PJ9VY" target="_blank" >RIV/00216208:11320/26:NN7PJ9VY - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-031-85067-7_1" target="_blank" >http://dx.doi.org/10.1007/978-3-031-85067-7_1</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-031-85067-7_1" target="_blank" >10.1007/978-3-031-85067-7_1</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Combining Syntactic and Semantic Information in Knowledge Extraction Pipeline

Popis výsledku v původním jazyce

This paper presents an experimental pipeline and an annotation scheme for enriching text with semantic information by leveraging implicit information extracted from Abstract Meaning Representation (AMR). AMR, as an unanchored semantic representation language, encodes a wide range of information that can be useful for downstream NLP tasks. This implicit knowledge encompasses frames, semantic roles, numeric value labels, concept grounding to Wikipedia entries, and fine-grained relationship types. The extracted information can improve the performance of existing logic-based end-to-end question-answering pipelines that rely on deterministic rule-driven semantic parsers for text-to-logic conversion based on Universal Dependencies (UD). © The Author(s), under exclusive license to Springer Nature Switzerland AG 2025.

Název v anglickém jazyce

Combining Syntactic and Semantic Information in Knowledge Extraction Pipeline

Popis výsledku anglicky

This paper presents an experimental pipeline and an annotation scheme for enriching text with semantic information by leveraging implicit information extracted from Abstract Meaning Representation (AMR). AMR, as an unanchored semantic representation language, encodes a wide range of information that can be useful for downstream NLP tasks. This implicit knowledge encompasses frames, semantic roles, numeric value labels, concept grounding to Wikipedia entries, and fine-grained relationship types. The extracted information can improve the performance of existing logic-based end-to-end question-answering pipelines that rely on deterministic rule-driven semantic parsers for text-to-logic conversion based on Universal Dependencies (UD). © The Author(s), under exclusive license to Springer Nature Switzerland AG 2025.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

—

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Lect. Notes Networks Syst.

ISBN

978-3-031-85066-0

ISSN

—

e-ISSN

—

Počet stran výsledku

10

Strana od-do

3-12

Název nakladatele

Springer Science and Business Media Deutschland GmbH

Místo vydání

—

Místo konání akce

Sfax

Datum konání akce

1. 1. 2026

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—