偏标记学习是一种重要的弱监督学习框架。在偏标记学习中,每个实例与一组候选标记相关联,它的真实标记隐藏在候选标记集合中,且在学习过程中不可获知。为了消除候选标记对学习过程的影响,提出了一种融合实例语义差别最大化和流型学习的...偏标记学习是一种重要的弱监督学习框架。在偏标记学习中,每个实例与一组候选标记相关联,它的真实标记隐藏在候选标记集合中,且在学习过程中不可获知。为了消除候选标记对学习过程的影响,提出了一种融合实例语义差别最大化和流型学习的偏标记学习方法(partial label learning by semantic difference and manifold learning, PL-SDML)。该方法是一个两阶段的方法:在训练阶段,基于实例的语义差别最大化准则和流型学习方法为训练实例生成标记置信度;在预测阶段,使用基于最近邻投票的方法为未知实例预测标记类别。在四组人工改造的UCI数据集中,在平均70%的情况下优于其他对比算法。在四组真实偏标记数据集中,相比其他对比算法,取得了0.3%~13.8%的性能提升。展开更多
从认知语言学的构式语法出发,以信息焦点为主线,采用核心例句She died a miserable death及Shedied miserably分别作为"同源宾语"构式和"谓语+状语"构式的典型代表,能探讨这两种构式整体语义的差别。"同源宾语...从认知语言学的构式语法出发,以信息焦点为主线,采用核心例句She died a miserable death及Shedied miserably分别作为"同源宾语"构式和"谓语+状语"构式的典型代表,能探讨这两种构式整体语义的差别。"同源宾语"构式和"谓语+状语"构式语义等同的观点值得商榷,因为两种构式虽有相同的词汇义,但其构式义却不同,因此它们的整体语义存在很大差别,绝非等同。展开更多
文摘偏标记学习是一种重要的弱监督学习框架。在偏标记学习中,每个实例与一组候选标记相关联,它的真实标记隐藏在候选标记集合中,且在学习过程中不可获知。为了消除候选标记对学习过程的影响,提出了一种融合实例语义差别最大化和流型学习的偏标记学习方法(partial label learning by semantic difference and manifold learning, PL-SDML)。该方法是一个两阶段的方法:在训练阶段,基于实例的语义差别最大化准则和流型学习方法为训练实例生成标记置信度;在预测阶段,使用基于最近邻投票的方法为未知实例预测标记类别。在四组人工改造的UCI数据集中,在平均70%的情况下优于其他对比算法。在四组真实偏标记数据集中,相比其他对比算法,取得了0.3%~13.8%的性能提升。
文摘从认知语言学的构式语法出发,以信息焦点为主线,采用核心例句She died a miserable death及Shedied miserably分别作为"同源宾语"构式和"谓语+状语"构式的典型代表,能探讨这两种构式整体语义的差别。"同源宾语"构式和"谓语+状语"构式语义等同的观点值得商榷,因为两种构式虽有相同的词汇义,但其构式义却不同,因此它们的整体语义存在很大差别,绝非等同。