Informazioaren Erauzketa eta Berreskurapena

LIHLITH proiektuak etengabeko ikaskuntza (ingelesez lifelong learning moduan ezaguna) txertatuko du gizakien eta makinen interakzioan, orain arte dauden elkarrizketa-sistemen kalitatea hobetzeko eta hauek domeinu berrietara hedatzeak duen kostua murrizteko helburuarekin.

Read more about LIHLITH: Learning to Interact with Humans by Lifelong Interaction with Humans

CROSSTEXT: Automatic Generation of Multilingual Semantic Processors

Etiketatzaile eleaniztasunak automatikoki sortzen

Read more about CROSSTEXT: Automatic Generation of Multilingual Semantic Processors

Robust Multilingual Named Entity Recognition with Shallow Semi-supervised Features

Read more about Robust Multilingual Named Entity Recognition with Shallow Semi-supervised Features

TUNER: Automatic domain adaptation for semantic processing.

Read more about TUNER: Automatic domain adaptation for semantic processing.

MUSTER: Multimodal processing of Spatial and TEmporal expRessions: Toward Understanding Space and Time in Language Enhanced by Vision.

MUSTER proiektuak hitz eta esaldien errepresentazio multimodalak aztertu nahi ditu. Azken boladan bultzada handia jaso dute hitz eta esaldi mailako errepresentazio distribuzioanalak, corpus erraldoiak aztertuz sortzen direnak. MUSTERen interesa da errepresentazio distribuzionaletik haratago joatea, eta horretarako seinale bisualak gehitzea proposatzen du. Horrela, bada, MUSTER proiektuan irudi zein bideoetatik erauzitako errepresentazioak uztartu nahi dira testuzko errepresentazio distribuzionalarekin.