Because active learning based model

Because active learning based models benefit from the information of 50 manually-labelled examples during their
learning process, we added extra labelled samples (50 samples) from the source language to the training sets of the SCL
and SVM-MT models in order to create the same condition for all comparing models. By comparing all semi-supervised
and active learning based methods with SVM-MT model in Table 2, we can conclude that the incorporation of unlabelled
data from the target language into the learning process can effectively improve the performance of cross-lingual sentiment
classification. Also, as we can see in this table, DBAST and AST models demonstrate better performance in comparison to AL
and ST after the full learning process. This supports the idea that the combination of active learning and self-training processes
can result in a better classification than each individual approach. Moreover, the DBAST model outperforms the
AST model in all datasets. This shows that using the density measure of unlabelled examples has a beneficial effect upon
selecting the most representative examples for manual labelling.

ผลลัพธ์ (ไทย) 1:

เนื่องจากการเรียนรู้การใช้งานตามรูปแบบที่ได้รับประโยชน์จากข้อมูลตัวอย่างด้วยตนเองมัน 50 ระหว่างพวกเขากระบวนการเรียนรู้ เราเพิ่มตัวอย่างเสริมมัน (50 ตัวอย่าง) จากภาษาต้นฉบับชุดฝึกของ SCLและรุ่นเปรียบเทียบรุ่น SVM MT เพื่อสร้างเงื่อนไขเดียวกันทั้งหมด โดยการเปรียบเทียบกึ่งมีและเรียนรู้งานตามวิธีกับ SVM MT ในตาราง 2 เราสามารถสรุปได้ว่า การจดทะเบียนของ unlabelledข้อมูลจากภาษาเป้าหมายเป็นกระบวนการเรียนรู้อย่างมีประสิทธิภาพสามารถเพิ่มประสิทธิภาพของความเชื่อมั่นโดยข้ามจัดประเภทการ ยัง เช่นที่เราเห็นในตารางนี้ DBAST และ AST รุ่นแสดงให้เห็นถึงประสิทธิภาพที่ดีขึ้น โดยอัลและเซนต์หลังจากกระบวนการเรียนรู้เต็มรูปแบบ นี้สนับสนุนความคิดที่ประมวลผลชุดการเรียนรู้ และการฝึกอบรมด้วยตนเองใช้งานอยู่สามารถทำการจัดประเภทดีกว่าแต่ละวิธีการแต่ละ นอกจากนี้ รุ่น DBAST outperformsรุ่น AST ใน datasets ทั้งหมด ฟิลด์นี้แสดงว่า ใช้วัดความหนาแน่นของตัวอย่างที่ unlabelled ได้ผลประโยชน์ตามเลือกตัวอย่างพนักงานมากที่สุดสำหรับการพิมพ์ฉลากด้วยตนเอง

ผลลัพธ์ (ไทย) 2:

เพราะการเรียนรู้การใช้งานรูปแบบตามได้รับประโยชน์จากข้อมูลของ 50
ตัวอย่างด้วยตนเองที่มีข้อความในช่วงของกระบวนการเรียนรู้เราได้เพิ่มกลุ่มตัวอย่างที่มีข้อความพิเศษ(50 ตัวอย่าง) จากภาษาต้นฉบับให้กับชุดการฝึกอบรมของ SCL
และรูปแบบ SVM-MT เพื่อที่จะสร้าง สภาพเหมือนกันสำหรับรูปแบบการเปรียบเทียบทั้งหมด โดยการเปรียบเทียบทั้งหมดกึ่งภายใต้การดูแลการเรียนรู้และการใช้งานวิธีการขึ้นอยู่กับรูปแบบ SVM-MT ในตารางที่ 2 เราสามารถสรุปได้ว่าการรวมตัวกันของป้ายกำกับข้อมูลจากภาษาเป้าหมายเข้าสู่กระบวนการการเรียนรู้ได้อย่างมีประสิทธิภาพสามารถปรับปรุงประสิทธิภาพของความเชื่อมั่นข้ามลิ้นการจัดหมวดหมู่ นอกจากนี้ในขณะที่เราสามารถมองเห็นในตารางนี้ DBAST และรูปแบบ AST แสดงให้เห็นถึงประสิทธิภาพที่ดีขึ้นเมื่อเทียบกับอัลและST หลังจากที่กระบวนการเรียนรู้อย่างเต็มรูปแบบ นี้สนับสนุนความคิดที่ว่าการรวมกันของการเรียนรู้การใช้งานและกระบวนการฝึกอบรมด้วยตนเองที่จะส่งผลในการจัดหมวดหมู่ที่ดีกว่าในแต่ละวิธีการของแต่ละบุคคล นอกจากนี้รูปแบบ DBAST มีประสิทธิภาพดีกว่ารุ่นเอเอสทีในชุดข้อมูลทั้งหมด นี้แสดงให้เห็นว่าการใช้ตัวชี้วัดความหนาแน่นของตัวอย่างป้ายกำกับมีผลประโยชน์อยู่กับการเลือกตัวอย่างตัวแทนมากที่สุดสำหรับการติดฉลากคู่มือ

ผลลัพธ์ (ไทย) 3:

เพราะใช้ประโยชน์จากข้อมูลในรูปแบบการเรียนรู้ด้วยตนเองว่าอยู่ในช่วง 50 ตัวอย่างกระบวนการเรียนรู้ เราเพิ่มพิเศษข้อความตัวอย่าง ( 50 ตัวอย่าง ) จากภาษาแหล่งที่มากับชุดการฝึกของ SCLและรุ่น svm-mt เพื่อสร้างเงื่อนไขเดียวกันทั้งหมด เทียบรุ่น โดยการเปรียบเทียบทั้งหมดกึ่งควบคุมและใช้งานโดยวิธีการเรียนแบบ svm-mt ใน 2 โต๊ะ เราสามารถสรุปได้ว่า การ unlabelledข้อมูลจากภาษาเป้าหมายในการเรียนรู้ได้อย่างมีประสิทธิภาพสามารถเพิ่มประสิทธิภาพของความเชื่อมั่นข้ามภาษาการจำแนกประเภท นอกจากนี้ อย่างที่เราเห็นในโต๊ะนี้ รุ่น dbast และ AST แสดงประสิทธิภาพที่ดีขึ้นในการเปรียบเทียบกับ อัลและเซนต์ หลังจากกระบวนการการเรียนรู้เต็มรูปแบบ นี้สนับสนุนความคิดที่ว่า การรวมกันของการเรียนรู้ด้วยตนเอง และกระบวนการฝึกอบรมได้ผลในการจำแนกได้ดีกว่าวิธีที่แต่ละบุคคล นอกจากนี้ รูปแบบ dbast มีประสิทธิภาพดีกว่ารุ่น AST ในชุดข้อมูล นี้แสดงให้เห็นว่าการใช้วัดความหนาแน่นของตัวอย่าง unlabelled มีผลประโยชน์บนการเลือกตัวอย่างที่เป็นตัวแทนส่วนใหญ่คู่มือฉลาก .