首页必威体育betway › 规则随机场 Conditional Random 菲尔德(Field)(Field)s

规则随机场 Conditional Random 菲尔德(Field)(Field)s

特征转化为概率

接下去我们给每一个特征函数f j  
赋一个权值λ j  
(在底下我会交代怎么学习这一个权值)。现在加以一个句子s,我们就能估量一个一定的标签集l 
的加权得分了(l 
是a sequence of labels,如(NOUN, ABJECTIVE...)
表示给s的率先个单词标为NOUN,第二个单词标为ABJECTIVE):

score(l|s)=∑ m j=1 ∑ n i=1 λ j f j (s,i,l i ,l i−1 ) 

(外层的求和是对富有的feature
function求和,内层的求和是对句子中的所有单词求和)

说到底,大家将这多少个得分(score)正则化到0-1:

Missing open brace for
superscript 


基准随机场里的特征函数

在标准随机场里面,每个特征函数有下边多少个输入值:

  • 一个句子 s
  • 一个单词在句子中的地点 i
  • 脚下单词的竹签l i  
  • 必威体育betway,前一个单词的标签l i−1  

出口为一个实数(尽管平凡就是0或者1)

(注释:实际上,在此地我们把特色限制在了眼下单词和前一个单词的价签上,而不是整整句子中的任意标签,我们在此时构建了一个标准化随机场的特例——linear
chain CRF。为了简洁性,我们这边就谈谈这种特例)

譬如说,一个或者的特征函数:度量前一个单词是"very"的时候,当前单词被标为形容词的可能性。


词性标注

上边用词性标注的例证来阐释一些细节。

词性标注:给你一个句子(a sequence of words or
tokens),然后您给每个单词标注它是动词、副词仍旧形容词,或者其他。

就像其他的分类器一样,我们需要定义一些特征函数(feature functions) f i  


简介

若果你有冠西哥一天生活中的照片(这么些照片是按时间排好序的),然后您很低俗的想给每张照片打标签(Tag),比如那张是冠西哥在进餐,这张是冠西哥在睡觉,那么您该如何是好吧?

一种模式是无论这一个照片的类别性(照片当然是服从时间排序的),然后给每张图纸弄一个分类器。例如,给了您冠西哥一个月的生活照作为锻练样本(打了Tag的),你恐怕就会学习到:下午6点不明的肖像或者就是冠西哥在睡觉;有过多亮色的照片或者就是冠西哥在跳舞;有不少车的相片或者就是冠西哥在飙车。

很彰着,照片的系列性包含有众多音讯,忽视它是不对滴。比如,你看来了一张大嘴的特写,那个时候冠西哥是在用餐啊依旧在歌唱?如若你了解冠西哥在前一个时间点的照片上是在做饭,那么很有可能这张就是在吃饭了;即使前一个时间点的肖像上他是在歌唱或者跳舞,那么这张就很有可能是在唱歌。

据此呢,我们应有使用nearby照片的音信来增强我们标签机(暂时这么叫吧)的准确性,这多亏条件随机场地干的事。


局部特征函数的例证

  • 如果l i  
    是副词并且第i个单词以"ly"结尾,则f 1 (s,i,l i ,l i−1 )=1 
    ,否则为0

    • 假诺我们给这多少个特征函数赋大且正的权重,那么身为大家很愿意将以"ly"结尾的单词看成是副词。(因为权根本,最后对总score的进献大嘛)
  • 如果i=1 
    并且l i  
    是动词,并且句子以"?"结尾,则f 2 (s,i,l i ,l i−1 )=1 
    ,否则为0

    • 同等的,倘使大家给那多少个特征函数赋大且正的权重,表达大家很乐于将以"?"结尾的语句的率先个单词标为动词。
  • 如果l i−1  
    是形容词并且l i  
    是名词,则f 1 (s,i,l i ,l i−1 )=1 
    ,否则为0

    • 同样的,大且正的权重,表达大家愿意将形容词后边的词标为名词(或者将名词前面的词标为形容词)
  • 如果l i−1  
    是介词并且l i  
    也是介词,则f 1 (s,i,l i ,l i−1 )=1 
    ,否则为0

    • 这一个就是反着的了,泰语里面好像木有多个介词连用的情状,所以那么些时候我们的权重得是负的,表明大家不希罕这种搭配。

现行您该知情了啊,总括一下:为了建一个标准随机场,你只需要定义一些特征函数(它们凭借于所有句子,当前的岗位,附近的竹签),然后将那个函数加权求和,再正则化就足以博得终极的几率了。

转载本站文章请注明出处:bway883.com https://www.piworx.com/?p=4056

上一篇:

下一篇:

相关文章

网站地图xml地图