版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領
文檔簡介
1、傳統(tǒng)的統(tǒng)計語言模型使用最大化似然度來估計模型的參數(shù),但是它基于一種錯誤的假設,即訓練數(shù)據(jù)和測試數(shù)據(jù)的分布形式是已知的。而現(xiàn)有的一些判別訓練算法為了提高算法的效率,往往要求損失函數(shù)是可導的,因此無法體現(xiàn)許多實際應用中的損失函數(shù)(通常是不可導的階梯形函數(shù))?;诖?,本文研究了一種新型的判別學習算法—最小化樣本風險算法(Minimum Sample Risk, MSR)。與現(xiàn)有的判別算法不同,MSR可以直接優(yōu)化不可導的階梯形函數(shù)。因為這類函數(shù)
2、無法用常規(guī)的數(shù)值方法來優(yōu)化,MSR使用了一種類似多維優(yōu)化的貪心算法:即使用子特征選擇的方式順序地從候選特征集合中選取出一個特征子集加入最終的模型;每選出一個特征,就用線性搜索優(yōu)化其參數(shù),同時保持所有其他的特征的參數(shù)不變。為了證明MSR的有效性,本文將它應用到日文漢字輸入法的任務中去。實驗結(jié)果表明MSR使基礎模型的錯誤率(Character error rate,CER)下降了20.9%,同時也在0.001的顯著性水平上優(yōu)于其它主流判別學
3、習算法,如Boosting和Perceptron。 在此基礎上,本文還對幾種判別學習算法的性質(zhì)做了研究。一方面,本文在五種風格迥異的語料上研究了MSR和另三種語言模型(線性插值,Boosting和Perceptron)的適應性能力。特別的,本文從一個獨特的視角—即用交叉熵衡量的領域相似性—來分析比較各個適應性算法的性能和適用范圍。實驗結(jié)果表明,用交叉熵衡量的領域相似度與各個適應性算法的效果密切相關。而且,與線性插值算法相比,判
4、別學習算法不僅能夠取得更小的CER,而且對于領域相似度的魯棒性也更強。另一方面,現(xiàn)有的判別學習算法往往只使用了幾種最基本的特征,如一元組(Unigram)和二元組(Bigram)。所以本文還研究了以上三種判別學習算法的特征源選擇問題:即通過引入更多富含語言學知識的特征(如高階N元組和基于類的N元組等等)來提高這些算法的性能。實驗結(jié)果表明,對于MSR和Boosting而言,引入以上任何一種特征源都無法提高算法的性能,即它們的最好特征源仍為
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 偏最小二乘算法及其在基于結(jié)構(gòu)風險最小化的機器學習中的應用.pdf
- 狀態(tài)彌散最小化(PDM)算法的改進與應用.pdf
- 基于蟻群優(yōu)化的風險最小化屬性約簡算法研究.pdf
- 熵產(chǎn)最小化方法在管殼式換熱器優(yōu)化設計中的應用.pdf
- 粗糙空間上結(jié)構(gòu)風險最小化原則.pdf
- 成本最小化(20190221141110)
- 油耗最小化車輛路徑問題:模型與算法.pdf
- vb最小化編程
- 成本最小化(20190220175248)
- 基于ADMM的TV最小化稀疏重建算法研究.pdf
- 基于缺電損失最小化減負荷算法的研究.pdf
- PET中齊聚物含量最小化的研究.pdf
- 幾類格值自動機的最小化算法研究.pdf
- 基于全局能量最小化的立體匹配算法研究.pdf
- 模糊有限自動機及其最小化算法研究.pdf
- XML查詢最小化研究.pdf
- 基于最小化訓練誤差的子空間分類算法研究.pdf
- 基于近似_0范數(shù)最小化的NMR波普稀疏重建算法.pdf
- 基于結(jié)構(gòu)風險最小化的電價預測新方法研究.pdf
- 基于風險最小化的學研合作伙伴選擇研究.pdf
評論
0/150
提交評論