NESMa Named Entity based Proximity Measure for Multilingual News Clustering

  1. Soto Montalvo, X
  2. Fresno Fernández, Víctor
  3. Martínez Lucas, Raquel
Revista:
Procesamiento del lenguaje natural

ISSN: 1135-5948

Año de publicación: 2012

Número: 48

Páginas: 81-88

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openRUA editor

Otras publicaciones en: Procesamiento del lenguaje natural

Resumen

Una de las tareas esenciales dentro del proceso del Clustering de Documentos es medir la similitud entre éstos. En este trabajo se presenta una nueva medida basada en el número y la categoría de las Entidades Nombradas compartidas entre documentos. Para evaluar la calidad de la medida propuesta en el clustering multilingüe de noticias, se han utilizado tres medidas de pesado diferentes y dos medidas de similitud estándar. Los resultados demuestran, con tres colecciones de noticias comparables escritas en español e inglés, que la medida propuesta es competitiva, superando en algunos casos a medidas como el coseno y el coeficiente de correlación.

Referencias bibliográficas

  • Armour, Q., N. Japkowicz, and S. Matwin. 2005. The Role of Named Entities in Text Classification. In Proceedings of CLiNE'05.
  • Baeza-Yates, R. and B. Ribeiro-Neto. 1999. Modern Information Retrieval. ACM Press.
  • Carreras, X., I. Chao, L. Padró, and M. Padró. 2004. FreeLing: An Open-Source Suite of Language Analyzers . In Proceedings of LREC04.
  • Chau, R., C. Yeh, and K. Smith. 2005. A Neural Network Model for Hierarchical Multilingual Text Categorization. In Advances in Neural Networks, volume 3497 of Lecture Notes in Computer Science.
  • Cheung, P., R. Huang, and W. Lam. 2004. Financial Activity Mining from Online Multilingual News. In Proceedings of the ITCC'04.
  • Denicia-Carral, C., M. Montes-Gómez, L. Villase~nor-Pineda, and R. M. Aceves-Pérez. 2010. Bilingual document clustering using translation-independent features. In Proceedings of CICLing'10.
  • Dhillon, I. S. and D. S. Modha. 2001. Concept decompositions for large sparse text data using clustering. Machine Learning, 42(1):143-175.
  • Flaounas, I., O. Ali, M. Turchi, T. Snowsill, F. Nicart, T. De Bie, and N. Cristianini. 2011. NOAM: news outlets analysis and monitoring system. In Proceedings of SIGMOD. ACM.
  • Gael, J. Van and X. Zhu. 2007. Correlation clustering for crosslingual link detection. In Proceedings of IJCAI'07.
  • Karypis, G. 2003. Cluto: A clustering toolkit. Technical Report 02-017, University of Minnesota, Department of Computer Science, Minneapolis.
  • Kogan, J., M. Teboulle, and C. Nicholas. 2005. Data Driven Similarity Measures for k-Means Like Clustering Algorithms. Information Retrieval, pages 331-349.
  • Kumaran, Giridhar and James Allan. 2004. Text classification and named entities for new event detection. In Proceedings of SIGIR'04. ACM.
  • Lawrence, J. L. 2003. Newsblaster russianenglish clustering performance analysis. Technical Report CUCS-010-03, Department of Computer Science, Columbia University, New York.
  • Levenshtein, V. I. 1966. Binary Codes Capable of Correcting Deletions, Insertions and Reversals. Soviet Physics Doklady, 10:707-710.
  • Mathieu, B., R. BesanÇon, and C. Fluhr. 2004. Multilingual document clusters discovery. In Proceedings of RIAO'04, pages 116-125.
  • Montalvo, S., R. Martínez, A. Casillas, and V. Fresno. 2007a. Multilingual News Document Clustering: Feature Translation vs. Identification of Cognate Named Entities. Pattern Recognition Letters, 28:2305-2311.
  • Montalvo, S., R. Martínez, A. Casillas, and V. Fresno. 2007b. Bilingual news clustering using named entities and fuzzy similarity. In Proceedings of TSD'07.
  • Pouliquen, B., R. Steinberger, C. Ignat, E. Ksper, and I. Temikova. 2004. Multilingual and cross-lingual news topic tracking. In Proceedings of COLING '04.
  • Ratinov, L. and D. Roth. 2009. Design Challenges and Misconceptions in Named Entity Recognition. In Proc. of CoNLL '09.
  • Rodríguez, H. 2002. Similitud Semantica. In Actas del Seminario de Industrias de la Lengua de la Fundacion Duques de Soria.
  • Salton, G. 1983. Introduction to Modern Information Retrieval. McGraw-Hill.
  • Savoy, J. 2003. Report on CLEF-2003 Multilingual Tracks. Results of the CLEF-2003, cross-language evaluation forum.
  • Shah, C., W. Bruce Croft, and D. Jensen. 2006. Representing documents with named entities for story link detection (SLD). In Proceedings of CIKM '06. ACM.
  • Shinyama, Y. and S. Sekine. 2004. Named entity discovery using comparable news articles. In Proceedings of COLING '04. ACL.
  • Silva, J., J. Mexia, C. Coelho, and G. Lopes. 2004. A Statistical Approach for Multilingual Document Clustering and Topic Extraction form Clusters. Pliska Studia Mathematica Bulgarica, 16:207-228.
  • Steinberger, R., B. Pouliquen, and J. Hagman. 2002. Cross-Lingual Document Similarity Calculation Using the Multilingual Thesaurus EUROVOC. In Proceedings of CICLing '02.
  • Steinberger, R., B. Pouliquen, and C. Ignat. 2005. Navigating multilingual news collections using automatically extracted information. Journal of Computing and Information Technology, 4:257-264.
  • Steinberger, R., B. Pouliquen, and C. Ignat. 2006. Exploiting multilingual nomenclatures and language-independent text features as an interlingua for cross-lingual text analysis applications. Technical Report cs.CL/0609064, EC-JRC.
  • Urizar, X. Saralegi and I. Alegría Loinaz. 2007. Similitud entre documentos multilingües de carácter científico-técnico en un entorno web. Procesamiento del Lenguaje Natural, 39:71-78.
  • van Rijsbergen, C. J. 1974. Foundations of evaluation. Journal of Documentation, 30:365-373.
  • Wu, K. and B. Lu. 2007. Cross-lingual document clustering. In Proceedings of PAKDD'07.
Fuente de los datos: Dialnet