learn question focus and dependency rela学习问题的关注和依赖关系.pptVIP

我們直接開始介紹introduction 機器學習問題分類方法,是我們目前看到最多人使用的方法 以jun suzuki在2003年提出的方法來說… 他們利用一個現成的語法結構分析工具,擷取問題的語法結構當作要給svm使用的特徵 譬如…. Web的問題分類方法… 在thamar2004年有提出… 他們其實最後也是利用svm在處理分類 但是他有利用web來擷取要給svm的特徵 以這個例子來說…. 最後這個統計式的問題分類方式… 跟以往的分類方法比較不一樣 它是利用lm來處理分類,不過他有幾個缺點…. 一開始第一個stage的基本分類規則…. 因為不是本文的重點,所以我們簡單定義了17條規則…譬如…. 接下來,我們開始介紹我們如何學習這些我們所要使用的特徵… 這部份分為學習架構的介紹和我們簡單提出一個擷取相依特徵的演算法 這是我們的學習架構,一開始透過一些seeds,從網路中擷取搜尋結果,然後在從這些結果中擷取我們所要的特徵qf,dv,dq,dn 虛線框框裡是代表我們希望可以透過boostrapping的方式來處理 以person來說,我們希望一開始可以僅輸入少數的人名當seeds,然後從網路擷取很多qf後,再用這些qf繼續從google擷取更多人名 以至於可以一直持續收到更多的qf,dv,dq和dn 我們前面有提到,我們認為對於問題分類,問題中的qf佔有一個非常重要的角色 所以在這邊,我們提出一個辨識qf的演算法,希望儘可能可以正確的擷取出問題的qf 接下來,我們要介紹我們所提出的一個model…sdrm 一開始,我們想要從問題推到它的類型,所以機率表示成… 但是這個機率表示法需要大量的問題去訓練,而我們現在沒有那麼多現成的問題可以訓練… 所以我們把機率透過貝氏轉換成這個樣子…. 加上對於每一個類型,我們假設機率一致,所以省略之… 每一個問題對於每一個類型,也是一致,所以我們也省略之… 最後轉換成…. 因為我們是透過網路資源學習問題中的特徵… 所以再這邊我們引入一個web search results 因為dc是透過c來得到的,所以在這邊我們假設dc包含c的意思,所以把c省略之 第一個…因為在本篇論文中,我們只用到web search result一組資源來當訓練語料… 所以我們假設對於每個類型,都是一致的,所以省略之…. WMMKS Lab P(DC|C): Collect related search results by every type. P(Q|DC): Use DC to determine the question type. Unigram-SDRM Semantic Dependency Relation Model (SDMR) (3/12) C Question DC Question Type P(DC|C) Q P(Q|DC) Web search result WMMKS Lab Unigram-SDRM Semantic Dependency Relation Model (SDRM) (4/12) WMMKS Lab Unigram-SDRM Semantic Dependency Relation Model (SDRM) (5/12) Q={QF,QD}, QD={DV,DQ,DN}. DV : Dependency Verb DQ: Dependency Quantifier DN: Dependency Noun WMMKS Lab DV={ dv1, dv2,?,dvi}, DQ={ dq1, dq2,?, dqj}, DN={ dn1, dn2,?, dnk}. Unigram-SDRM Semantic Dependency Relation Model (SDRM) (6/12) WMMKS Lab P(DC|C) P(QF |DC), P(dv|DC), P(dq|DC), P(dn|DC) Parameter Estimation of Unigram-SDRM Semantic Dependency Relation Model (SDRM) (7/12) N(QF): The number of occurrence of the QF in Q. NQF(DC): Total number of all QF collected from search results. WMMKS Lab Semantic Dependency Relation Model (SDRM) (8/12) Parameter Estimation of Unigram-SDRM WMMK