- 1、本文档共7页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
基于标签传播和主动学习的人物社会关系抽取.pdf
第 43卷 第 2期 计 算 机 工 程 2017年 2月
Vo1.43 No.2 ComputerEngineering February2017
· 人工智能及识别技术 · 文章编号:1000-3428(2017)02-0234-07 文献标志码:A 中图分类号:TP393
基于标签传播和主动学习的人物社会关系抽取
刘锦文,许 静 ,张利萍,芮伟康
(中国科学技术大学 计算机科学与技术学院,合肥 230022)
摘 要:基于标签传播的半监督学习算法能够提升少量标注数据下的关系抽取效果,但是随机选择训练样本会使
关系抽取性能降低 。为了从海量的网络信息中提取出可靠性较高的人物关系,将标签传播算法与主动学习相结合
用于人物关系抽取。在训练数据获取 中,主动选择不确定性最大的样本进行标注。在人物关系上的实验结果显
示,主动学习方法的引入可使平均 ,l值比标签传播算法提升2.3%。
关键词:人物社会关系;特征提取;标签传播;主动学习;关系抽取;半监督学习
中文引用格式 :刘锦文 ,许 静 ,张利萍,等.基于标签传播和主动学习的人物社会关系抽取 [J].计算机工程,2017,
43(2):234—240.
英文引用格式 :LiuJinwen,XuJing,ZhangLiping,eta1.PersonalSocialRelationExtractionBasedonLabelPropagation
andActiveLearning[J].ComputerEngineering,2017,43(2):234-240.
PersonalSocialRelationExtraction Based on
LabelPropagationandActiveLearning
LIU Jinwen,XU Jing,ZHANG Liping,RUIW eikang
(SchoolofComputerScienceandTechnology,UniversityofScienceandTechnologyofChina,Hefei230022,China)
【Abstract】Inordertoextractpersonalrelationsofhighreliabilityfrom themassnetworkinformation,thesemi.
supervisedlearning algorithm based on labelpropagationcanimprovetheperformanceofrelation extractionundersmall
amountof labeled data,butrandomly selecting training sample may cause the reduction ofthe relation extraction
performance.Thispapercombineslabelpropagationalgorithm andactivelearningsoastoextracttherelationshipbetween
the characters.In thetraining data acquisition,themaximum uncertainty ofthe sample isactively selected forlabe1.
Experimentalresultsonpersonalrelation show thatthe active learning method improvestheaverage F1by 2.3% than
labelpropagation algorithm .
【Keywords】personalsocialrelation;featureextraction;labelpropagation;activelearning;relationextraction;semi—
supervisedlearn ing
DOI:10.3969/j
文档评论(0)