Также были описаны способы работы с таким видом текста, как «устные воспоминания», которые по большому счету представляют собой диалог с небольшими стилистическими особенностями.

Предложенные методы могут быть улучшены при дальнейших исследованиях по данной теме. Очевидно, что подключение новых модулей, таких как разрешение анафоры и установление отношений кореферентности, а также более точного и полного поиска сущностей должны принести прирост в количестве и качестве извлекаемых отношений.

Визуализация, полученная в ходе реализации данного проекта, может являться дополнительным сопровождением и медиаматериалом к текстам устных воспоминаний, представленных проектом «Устная история». Также было бы интересно организовать навигацию, а именно переход по беседам, в которых упоминаются связанные с данным героем персонажи.

Библиография

1. Jakub Piskorski and Roman Yangarber. Information Extraction: Past, Present and Future. In T. Poibeau, H. Saggion, J. Piskorski, and R. Yangarber, editors, Multi-source, Multilingual Information Extraction and Summarization. Volume in the Series: Theory and Applications of Natural Language Processing. Springer-Verlag, Berlin & New York, 2013.

2. Huttunen, S., Yangarber, R., Grishman, R.: Complexity of event structure in information extraction. In: Proceedings of the 19th International Conference on Computational Linguistics (COLING 2002). Taipei (2002)

3. Appelt, D.: Introduction to information extraction. AI Commun.12, 161-172 (1999)

4. Llytinen, S., Gershman., A.: ATRANS: automatic processing of money transfer messages. In: Proceedings of the 5th National Conference of the American Association for Artificial Intelligence. IEEE Computer Society Press (1986)

5. Jacobs, P., Rau, L.: SCISOR: extracting information from on-line news. Commun. ACM 33, 88-97 (1990)

6. Andersen, P., Hayes, P., Huettner, A., Schmandt, L., Nirenburg, I., Weinstein, S.: Automatic extraction of facts from press releases to generate news stories. In: Proceedings of the 3^rd Conference on Applied Natural Language Processing, ANLC «92, Trento, pp. 170-177. Association for Computational Linguistics, Stroudsburg (1992)

7. Bikel, D., Miller, S., Schwartz, R., Weischedel, R.: Nymble: a high-performance learning name-finder. In: Proceedings of the 5th Applied Natural Language Processing Conference, Washington. Association for Computational Linguistics, Washington, DC (1997)

8. Banko, M., Etzioni, O.: The tradeoffs between open and traditional relation extraction. In: Proceedings of ACL-08: HLT, Columbus, pp. 28-36. Association for Computational Linguistics, Columbus (2008)

9. Etzioni, O., Cafarella, M., Downey, D., Popescu, A.M., Shaked, T., Soderland, S., Weld, D., Alexander, A.: Unsupervised named-entity extraction from the web: an experimental study. Artif. Intell. 165, 91-134 (2005)

10. Agarwal A. (2011). Social Network Extraction from Texts: A Thesis Proposal. ACL 2011.

11. Elson D., Dames N. and McKeown K. (2010), Extracting Social Networks from Literary Fiction, ACL2010, Uppsala, Sweden.

12. Skorinkin D.A., Bonch-Osmolovskaya A.A. Automatic Semantic Tagging of Leo Tolstoy's works, in: DH 2015 Global Digital Humanities Conference Abstracts., 2015.

13. Burdick Anne, Drucker Johanna, et al. Digital Humanities: MIT-Press., 2012

14. Franco Moretti. 1999. Atlas of the European Novel 1800-1900. Verso.

15. Korobov M.: Morphological Analyzer and Generator for Russian and Ukrainian Languages // Analysis of Images, Social Networks and Texts, pp 320-332 (2015).

Размещено на Allbest.ru