Чанкер для именных групп

Данные для этого исследования были взяты из СинТагРуса (синтактически размеченного корпуса русского языка). Из текстов выделялись именные группы и к ним добовлялись теги чанков в BIO-разметке. В большинстве случаев бралась самая длинная цепочка токенов от вершины с существительным.

В качестве признаков были выбраны следующие параметры:

• 1) морфология слова-объекта
• 2) морфология слов слева от слова-объекта
• 3) морфология слова справа от слова-объекта

Был выбран контекст +- 2, то есть от заданного слова плюс/минус два токена вокруг

Были испробованы различные алгоритмы машинного обучения. Метод опорных векторов показал наилучший результат около 78%. Метод CRF показал результат 77%.