以往基于矩阵的多视角分类(MultiV-MHKS)是从矩阵的单视角模式Ho-Kashyap(MatMHKS)发展而来的,尽管有些不好的视角可能会拉低分类器的总体表现,但它仍将所有视角都默认为相同的.为保证样本视角的有效性和多样性,提出一种名为AdaMultiV-MHKS的新方法,它充分利用了经典的集成学习方法AdaBoost的优势,实现了动态过滤和视角权重计算.所提的多视角框架不受限于任何特殊方法,可以应用于大多数基于矩阵的分类器.该方法加入了来自Alternative Robust Local Embedding(ARLE)的正则化项Rgl,用来增强样本之间的结构信息.集成工作和正则化使得不同视角的附加信息更具竞争力,不仅增强了视角的多样性而且改进了最终的分类结果.在UCI数据集和USTC-NVIE人脸图像数据集,尤其是液体数据集上的实验结果证明了所提方法的有效性.
分类器模型是目前识别因果关系的主要模型,该方法存在的问题是只考虑2个事件之间的关系,没有考虑同一文档中其他关联事件所包含的信息,识别结果往往存在逻辑矛盾。该文提出了一个中文事件因果关系识别的全局优化方法,该方法采用整数线性规划(integer linear programming,ILP)的推理方法,对基本逻辑关系、因果标志词、事件类型、论元信息进行有效约束,以文档为单位来优化因果关系识别。在该文标注语料上的实验结果表明:与分类器方法相比,该文提出的全局优化方法的F1值提升了5.54%。
暂无评论