Ученик по парному шаблону - Coupled pattern learner

Обучающийся по парному шаблону (CPL) - это машинное обучение алгоритм, который объединяет полу-контролируемое обучение категорий и отношений, чтобы предупредить проблему семантического дрейфа, связанного с методами обучения бутербродов.

Ученик парного паттерна

Полу-контролируемое обучение подходы, использующие небольшое количество помеченных примеров со многими немаркированными примерами, обычно ненадежны, поскольку они производят внутренне непротиворечивый, но неверный набор извлечений. CPL решает эту проблему, одновременно изучая классификаторы для множества различных категорий и отношений при наличии онтология определение ограничений, которые связывают обучение этих классификаторов. Его представили Эндрю Карлсон, Джастин Беттеридж, Эстевам Р. Хрушка-младший и Том М. Митчелл в 2009 году.^[1]^[2]

Обзор CPL

CPL - это подход к полу-контролируемое обучение это дает более точные результаты, объединяя обучение многих экстракторов информации. Основная идея CPL заключается в том, что обучение одного типа экстрактора, такого как «тренер», с полу-контролем намного сложнее, чем одновременное обучение множества экстракторов, которые охватывают множество взаимосвязанных типов сущностей и отношений. Использование предварительных знаний об отношениях между этими различными объектами и отношениями CPL делает немаркированные данные полезным ограничением во время обучения. Например, «тренер (x)» означает «человек (x)» и «не спорт (x)».

Описание CPL

Связывание предикатов

CPL в первую очередь полагается на понятие связывания учусь нескольких функций, чтобы ограничить задачу полууправляемого обучения. CPL ограничивает изученную функцию двумя способами.

Совместное использование предикатов одинаковой арности в соответствии с логическими отношениями
Проверка типа аргумента отношения

Совместное использование предикатов одинаковой арности

Каждый предикат P в онтологии имеет список других предикатов одинаковой арности, с которыми P является взаимоисключающим. Если A взаимоисключающий с предикатом B положительные экземпляры и образцы A становятся отрицательными экземплярами и отрицательными образцами для B. Например, если «город», имеющий экземпляр «Бостон» и образец «мэр arg1», является взаимоисключающим с «ученым», тогда «Бостон» и «мэр arg1» станут отрицательным примером и отрицательным шаблоном соответственно для «ученый». Кроме того, некоторые категории объявлены подмножеством другой категории. Например, «спортсмен» - это подмножество «человек».

Проверка типа аргумента отношения

Это информация для проверки типов, используемая для связывания изучения отношений и категорий. Например, аргументы отношения «ceoOf» объявлены принадлежащими к категориям «человек» и «компания». CPL не продвигает пару именных фраз в качестве экземпляра отношения, если только эти две именные фразы не классифицируются как принадлежащие к правильным типам аргументов.

Описание алгоритма

Ниже приводится краткое описание алгоритма CPL.^[2]

Вход: онтология O и текстовый корпус C Выход: доверенные экземпляры / шаблоны для каждого предикатаза я = 1,2, ..., ∞ делать    для каждого предикат p в O делать        ВЫБРАТЬ экземпляры-кандидаты / контекстные шаблоны, используя недавно продвинутые шаблоны / экземпляры; ФИЛЬТР кандидатов, нарушающих сцепление; РАНЖИРУЙТЕ экземпляры / шаблоны кандидатов; ПОДДЕРЖИВАЙТЕ лучших кандидатов; конецконец

Входы

Большой корпус предложений с тегами Part-Of-Speech и исходной онтологии с предопределенными категориями, отношениями, взаимоисключающими отношениями между предикатами одинаковой арности, отношениями подмножеств между некоторыми категориями, исходными экземплярами для всех предикатов и исходными шаблонами для категорий.

Кандидат отбор

CPL находит новые экземпляры-кандидаты, используя новые продвинутые шаблоны для извлечения словосочетаний существительных, которые сочетаются с этими шаблонами в корпусе текста. Экстракты CPL,

Категория Экземпляры
Категория Шаблоны
Экземпляры отношений
Паттерны отношений

Фильтрация кандидатов

Экземпляры-кандидаты и шаблоны фильтруются для поддержания высокой точности и во избежание очень специфических шаблонов. Экземпляр рассматривается для оценки только в том случае, если он совпадает по крайней мере с двумя продвинутыми шаблонами в текстовом корпусе, и если его количество совпадений со всеми продвинутыми шаблонами как минимум в три раза больше, чем его совместное появление с негативными шаблонами.

Рейтинг кандидатов

CPL ранжирует экземпляры кандидатов, используя количество продвинутых шаблонов, с которыми они встречаются, так что кандидаты, которые встречаются с большим количеством шаблонов, получают более высокий рейтинг. Шаблоны ранжируются с использованием оценки точности каждого шаблона.

Продвижение кандидата

CPL ранжирует кандидатов в соответствии с их оценочными баллами и продвигает не более 100 экземпляров и 5 шаблонов для каждого предиката. Экземпляры и шаблоны продвигаются только в том случае, если они встречаются как минимум с двумя продвинутыми шаблонами или экземплярами соответственно.

Учащийся Meta-Bootstrap

Meta-Bootstrap Learner (MBL) также был предложен авторами CPL в.^[2] Обучающийся Meta-Bootstrap сочетает обучение нескольким методам извлечения с ограничением множественного представления, которое требует согласия экстракторов. Это делает возможным добавление ограничений связи поверх существующих алгоритмов извлечения, рассматривая их как черные ящики. MBL предполагает, что ошибки, допущенные различными методами извлечения, независимы. Ниже приводится краткое изложение MBL.

Вход: Онтология O, набор экстракторов εВыход: Доверенные экземпляры для каждого предикатаза я = 1,2, ..., ∞ делать    для каждого предикат p в O делать        для каждого экстрактор e в ε делать            Извлеките новых кандидатов для p, используя e с недавно продвинутыми экземплярами; конец        ФИЛЬТР кандидатов, которые нарушают ограничения взаимного исключения или проверки типов; ПРОДВИГАЙТЕ кандидатов, которые были извлечены всеми экстракторами; конецконец

Подчиненные алгоритмы, используемые с MBL, не продвигают ни одного экземпляра сами по себе, они сообщают доказательства о каждом кандидате в MBL, и MBL несет ответственность за продвижение экземпляров.

Приложения

В своей статье ^[1] Авторы представили результаты, показывающие потенциал CPL для внесения новых фактов в существующий репозиторий семантических знаний Freebase. ^[3]

Смотрите также

Примечания

^ ^а ^б Карлсон, Эндрю; Джастин Беттеридж; Estevam R. Hruschka Jr .; Том М. Митчелл (2009). «Сопряжение полууправляемого обучения категорий и отношений». Материалы семинара NAACL HLT 2009 по полу-контролируемому обучению для обработки естественного языка. Колорадо, США: Ассоциация компьютерной лингвистики: 1–9.
^ ^а ^б ^c Карлсон, Эндрю; Джастин Беттеридж; Ричард С. Ван; Estevam R. Hruschka Jr .; Том М. Митчелл (2010). «Парное полу-контролируемое обучение для извлечения информации». Материалы третьей международной конференции ACM по веб-поиску и интеллектуальному анализу данных. Нью-Йорк, США: ACM: 101–110. Дои:10.1145/1718487.1718501. ISBN 9781605588896.
^ "Свалки данных Freebase". Метавеб Технологии. 2009. Архивировано с оригинал 6 декабря 2011 г. Цитировать журнал требует | журнал = (помощь)