توليد القاعدة التلقائي لتطبيع التعبير

يشمل فهم تعبيرات الوقت بمهام فرعية: الاعتراف والتطبيع. في السنوات الأخيرة، تم إحراز تقدم كبير في الاعتراف بعصائر الوقت أثناء تأخر البحث عن التطبيع. تعتمد أساليب تطبيع Sota الحالية على قواعد أو قواعد النحوية التي صممها الخبراء، مما يحد من أدائها في شريوس الناشئة، مثل نصوص وسائل التواصل الاجتماعي. في هذه الورقة، نقوم بالنماذج تعبير التطبيع في الوقت نفسه كتسلسل للعمليات لبناء القيمة الزمنية الطبيعية، ونقدم طريقة جديدة تسمى Artime، والتي يمكن أن تولد تلقائيا قواعد التطبيع من بيانات التدريب دون تدخلات خبراء. على وجه التحديد، يلتقط Artime تلقائيا تسلسل عمليات التشغيل الممكنة من البيانات المشروحة ويولد قواعد التطبيع في التعبيرات الزمنية بأشكال سطح مشتركة. تظهر النتائج التجريبية أن Artime يمكن أن يتجاوز بشكل كبير أساليب Sota على القياس التغريدات، وتحقق نتائج تنافسية مع طرق القاعدة التي تم تصميمها من الخبراء الموجودة في معيار Tempeval-3.

The understanding of time expressions includes two sub-tasks: recognition and normalization. In recent years, significant progress has been made in the recognition of time expressions while research on normalization has lagged behind. Existing SOTA normalization methods highly rely on rules or grammars designed by experts, which limits their performance on emerging corpora, such as social media texts. In this paper, we model time expression normalization as a sequence of operations to construct the normalized temporal value, and we present a novel method called ARTime, which can automatically generate normalization rules from training data without expert interventions. Specifically, ARTime automatically captures possible operation sequences from annotated data and generates normalization rules on time expressions with common surface forms. The experimental results show that ARTime can significantly surpass SOTA methods on the Tweets benchmark, and achieves competitive results with existing expert-engineered rule methods on the TempEval-3 benchmark.