学习判别性关系特征用于序列标注
机器学习
2017-05-09 v1
摘要
在序列标注模型中，发现输入特征之间的关系结构已被证明可以在多个问题设置中提高其准确性。然而，关系特征的搜索空间随基本输入特征的数量呈指数增长。因此，学习关系特征的方法往往遵循贪婪搜索策略。本文研究了最优学习和应用判别性关系特征进行序列标注的可能性。对于从特定序列位置的输入中学习特征，我们提出了一种基于层次核的方法（称为结构化输出空间的层次核学习 - StructHKL）。该方法最优且高效地探索了具有结构化输出空间（如序列标注）问题的特征空间的层次结构。由于StructHKL方法在学习从相对位置输入导出的复杂关系特征方面存在局限性，我们提出了两种学习关系特征的解决方案：（i）枚举复杂关系特征的简单组件特征，并使用StructHKL发现它们的组合；（ii）利用关系核（隐式计算实例之间的相似性）到序列标注问题中。我们在公开可用的数据集上进行了广泛的实证评估，并记录了在某些设置下某些方法有效的观察结果。
引用
@article{arxiv.1705.02562,
title = {Learning Discriminative Relational Features for Sequence Labeling},
author = {Naveen Nair and Ajay Nagesh and Ganesh Ramakrishnan},
journal= {arXiv preprint arXiv:1705.02562},
year = {2017}
}
备注
13 pages, technical report