典型文献
基于关系模式与深度强化学习的DS数据去噪模型
文献摘要：
远程监督(Distant Spervision,DS)数据集中存在大量错误标注的数据,而现有的DS数据集去噪方法通常只考虑针对具有标签的数据进行去噪,没有充分利用无标签数据,导致去噪效果不佳.本文提出一种新型DS数据去噪模型——Pattern Reinforcement Learning Model(PRL模型):首先利用基于关系模式的正样例抽取算法提取DS数据集中高质量的有标签数据;然后利用Filter-net作为分类器,提取DS数据集中高质量的无标签数据;最后将高质量的有标签数据和无标签数据作为深度强化学习(Reinforcement Learning,RL)方法的训练数据集,获得去噪效果更好的远程监督数据集.将PRL模型应用于New York Times(NYT)数据集,并以去噪后的数据集来训练PCNN+ONE、CNN+ATT、PCNN+ATT 3个模型.实验结果表明,经过PRL模型对数据集进行去噪后,这些模型的性能得以提升.因此,PRL模型是一种轻量的数据去噪模型,可以提升基于深度神经网络模型的性能.
文献关键词：
自然语言处理;关系分类;远程监督;迁移学习;去噪方法
中图分类号：
作者姓名：
牙珊珊;陈定甲;郑宏春;李航;覃晓
作者机构：
南宁师范大学,广西人机交互与智能决策重点实验室,广西南宁 530100;广西民族大学人工智能学院,广西南宁530006
文献出处：
引用格式：
[1]牙珊珊;陈定甲;郑宏春;李航;覃晓-.基于关系模式与深度强化学习的DS数据去噪模型)[J].广西科学院学报,2022(04):403-411
A类：
Spervision,PCNN+ONE,CNN+ATT,PCNN+ATT
B类：
关系模式,深度强化学习,DS,数据去噪,去噪模型,远程监督,Distant,错误标注,去噪方法,无标签数据,去噪效果,Pattern,Reinforcement,Learning,Model,PRL,样例,Filter,net,分类器,训练数据集,模型应用,New,York,Times,NYT,深度神经网络模型,自然语言处理,关系分类,迁移学习
AB值：
0.300131
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
