單類中心學習及其在二元關系抽取中的應用.pdf

1、在互聯(lián)網(wǎng)上進行二元關系抽取，是當前信息抽取的重要研究方向。為利用互聯(lián)網(wǎng)的大量未標定語料，許多文獻提出了基于self-training機制的學習方法：即在小標注集上訓練初始系統(tǒng)，然后在系統(tǒng)運行過程中，自動標定可靠候選，重新訓練，以改進系統(tǒng)性能。 實踐證明：上述方法在二元關系抽取中是行之有效的，但已有文獻缺乏對學習過程的理論分析。 本文首先將在二元關系抽取中的模式學習問題轉化為單類文本中心的學習問題。在文本向量空間中，當初始

2、中心被給定后，可將其足夠小鄰域內(nèi)的文本向量作為自動標定數(shù)據(jù)。本文要解決的核心問題是：當數(shù)據(jù)集具有何種特性時，利用自動標定數(shù)據(jù)能確定地改進對單類中心的學習？ 為解決該問題，本文研究文本向量空間的分布特性。為克服高斯混合模型在描述具有硬聚類特性的數(shù)據(jù)分布時的缺點，本文提出了基于k-means算法劃分區(qū)域的TGMK模型，并揭示了TGMK模型與k-means算法、高斯混合模型的密切聯(lián)系。實驗結果表明：TGMK模型適合描述多類文本數(shù)據(jù)。

3、 本文在k-means算法基礎上提出了single-mean算法。文中證明：當多類數(shù)據(jù)集適合被1-TGMK的泛化模型-1-TGMR模型所描述時，新算法從目標類的初始中心出發(fā)，將收斂到實際中心。至此，完成了對核心問題的解答。實驗表明了新算法在文本數(shù)據(jù)上的有效性，從而說明了self-training機制在二元關系抽取中的有效性。 本文為二元關系抽取工作建立了基于single-mean算法的形式化學習模型，并針對在互聯(lián)網(wǎng)上進行二