用于技术辅助评审的连续主动学习的自主性与可靠性
信息检索
2015-04-28 v1 机器学习
摘要
我们增强了 Cormack 和 Grossman (SIGIR 2014) 所展示的连续主动学习方法的自主性，该方法对技术辅助评审有效，其中使用相关性反馈检索并评审集合中的文档，直到几乎所有相关文档都被评审。自主性通过消除特定主题和特定数据集的调优参数得到增强，使得用户所需的唯一输入在开始时是一个短查询、主题描述或单个相关文档；并且在整个评审过程中是对检索文档的持续相关性评判。我们表明我们的增强不仅平均而言，而且在四个独立任务集的绝大多数主题上始终产生优于 Cormack 和 Grossman 版连续主动学习及其他方法的结果：Cormack 和 Grossman 所考察的法律数据集、Reuters RCV1-v2 主题类别、TREC 6 AdHoc 任务以及 TREC 2002 过滤测试集的构建。
引用
@article{arxiv.1504.06868,
title = {Autonomy and Reliability of Continuous Active Learning for Technology-Assisted Review},
author = {Gordon V. Cormack and Maura R. Grossman},
journal= {arXiv preprint arXiv:1504.06868},
year = {2015}
}