NESM: a named entity based proximity measure for multilingual news clustering

Please use this identifier to cite or link to this item: http://hdl.handle.net/10045/22034
Información del item - Informació de l'item - Item information
Title: NESM: a named entity based proximity measure for multilingual news clustering
Other Titles: NESM: una medida de similitud para el clustering multilingüe de noticias basada en entidades nombradas
Authors: Montalvo Herranz, Soto | Fresno Fernández, Víctor | Martínez Unanue, Raquel
Keywords: Entidad nombrada | Clustering multilingüe | Similitud de documentos | Named entity | Multilingual clustering | Document similarity
Knowledge Area: Lenguajes y Sistemas Informáticos
Issue Date: Mar-2012
Publisher: Sociedad Española para el Procesamiento del Lenguaje Natural
Citation: MONTALVO, Soto; FRESNO, Víctor; MARTÍNEZ, Raquel. “NESM: a named entity based proximity measure for multilingual news clustering”. Procesamiento del Lenguaje Natural. N. 48 (2012). ISSN 1135-5948, pp. 81-88
Abstract: 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. | Measuring the similarity between documents is an essential task in Document Clustering. This paper presents a new metric that is based on the number and the category of the Named Entities shared between news documents. Three different feature-weighting functions and two standard similarity measures were used to evaluate the quality of the proposed measure in multilingual news clustering. The results, with three different collections of comparable news written in English and Spanish, indicate that the new metric performance is in some cases better than standard similarity measures such as cosine similarity and correlation coefficient.
Sponsor: This work has been part-funded by the Education Council of the Regional Government of Madrid, MA2VICMR (S-2009/TIC-1542), and the research project Holopedia, funded by the Ministerio de Ciencia e Innovación under grant TIN2010-21128-C02.
URI: http://hdl.handle.net/10045/22034
ISSN: 1135-5948
Language: eng
Type: info:eu-repo/semantics/article
Peer Review: si
Appears in Collections:Procesamiento del Lenguaje Natural - Nº 48 (2012)

Files in This Item:
Files in This Item:
File Description SizeFormat 
ThumbnailPLN_48_10.pdf794 kBAdobe PDFOpen Preview


Items in RUA are protected by copyright, with all rights reserved, unless otherwise indicated.