language. The framework of the prop

language. The framework of the proposed model is illustrated in Fig. 1. In the learning phase, a base classifier is trained based
on the initial training data and then applied to the translated unlabelled data. From the newly classified unlabelled data,
active learning selects the most informative example (the most useful examples which can help to improve the classifier)
for human labelling. In human labelling process, a native speaker in the target language can read the review and evaluate
the overall sentiment polarity (e.g. positive sentiment or negative sentiment) of that review. Simultaneously, self-training
selects some of the most confident classified examples with the corresponding predicted labels. These selected examples
are added to the training set for the next learning cycle. In the next cycle, the model is retrained based on the augmented
training data and this process is repeated until a termination condition is satisfied. Further, in this model, the density of
the unlabelled data is also considered in the selection of not only more informative, but also more representative, unlabelled
instances in order to avoid outlier selection in active learning. In the test phase, the final trained classifier is applied to the
translated test data for the classification task. We called this model ‘‘density-based active self-training’’ (DBAST). Active
learning and self-training are described in detail in the following sections, respectively.

ผลลัพธ์ (ไทย) 1:

ภาษา กรอบของรูปแบบนำเสนอเป็นภาพประกอบใน Fig. 1 ในขั้นตอนการเรียนรู้ classifier ฐานคือการฝึกอบรมตามข้อมูลเริ่มต้นการฝึกอบรมแล้ว นำมาใช้กับการแปล unlabelled ข้อมูล จาก unlabelled ข้อมูลลับใหม่เรียนรู้การใช้งานเลือกตัวอย่างข้อมูลมากที่สุด (มีประโยชน์มากที่สุดตัวอย่างที่สามารถช่วยปรับปรุงการ classifier)สำหรับฉลากมนุษย์ ในขั้นตอนการพิมพ์ฉลากมนุษย์ เจ้าในภาษาเป้าหมายสามารถอ่านตรวจทาน และประเมินความเชื่อมั่นโดยรวมขั้ว (เช่นบวกความเชื่อมั่นหรือความเชื่อมั่นค่าลบ) ของที่ตรวจสอบ พร้อมกัน ฝึกอบรมด้วยตนเองเลือกบางอย่างลับที่สุดมั่นใจกับป้ายคาดการณ์ที่เกี่ยวข้อง ตัวอย่างเหล่านี้เลือกมีเพิ่มการฝึกอบรมที่ตั้งสำหรับวงจรการเรียนรู้ต่อไป ในรอบถัดไป แบบเป็น retrained ตามค่าที่ออกเมนต์ข้อมูลการฝึกอบรมและกระบวนการนี้จะถูกทำซ้ำจนกว่าเงื่อนไขการเลิกจ้างมีความพึงพอใจ เพิ่มเติม ในรูปแบบนี้ ความหนาแน่นของได้มีพิจารณาข้อมูล unlabelled ในการเลือกไม่เพียง ข้อมูลเพิ่มเติม แต่ยังมีตัวแทน unlabelledอินสแตนซ์เพื่อหลีกเลี่ยงการเลือก outlier ในเรียนรู้การใช้งาน ในขั้นตอนการทดสอบ classifier ฝึกสุดท้ายคือใช้กับการข้อมูลทดสอบแปลสำหรับงานประเภท เราเรียกว่านี้รุ่น ''ตามความหนาแน่นใช้งานด้วยตนเองฝึกอบรม '' (DBAST) ใช้งานอยู่เรียนรู้ และฝึกอบรมด้วยตนเองไว้ในรายละเอียดในส่วนต่อไปนี้ ตามลำดับ

ผลลัพธ์ (ไทย) 2:

ภาษา. กรอบของรูปแบบที่นำเสนอมีการแสดงในรูปที่ 1.
ในขั้นตอนการเรียนรู้ลักษณนามฐานการฝึกอบรมตามที่ข้อมูลการฝึกอบรมครั้งแรกและนำไปใช้แล้วข้อมูลป้ายกำกับแปล จากข้อมูลการปิดฉลากจัดขึ้นใหม่ในการเรียนรู้การใช้งานเลือกตัวอย่างเช่นข้อมูลมากที่สุด (ในตัวอย่างที่มีประโยชน์มากที่สุดซึ่งสามารถช่วยในการปรับปรุงลักษณนาม) สำหรับการติดฉลากของมนุษย์ ในขั้นตอนการติดฉลากของมนุษย์เจ้าของภาษาในภาษาเป้าหมายสามารถอ่านทบทวนและประเมินขั้วความเชื่อมั่นโดยรวม (เช่นความเชื่อมั่นความเชื่อมั่นเชิงบวกหรือลบ) ในการตรวจสอบว่า ในขณะเดียวกันการฝึกอบรมด้วยตนเองเลือกบางส่วนของตัวอย่างที่จัดมีความเชื่อมั่นมากที่สุดกับป้ายที่คาดการณ์ที่สอดคล้องกัน ตัวอย่างที่เลือกเหล่านี้จะมีการเพิ่มชุดการฝึกอบรมสำหรับการเรียนรู้ต่อไปวงจร ในรอบถัดไปรูปแบบการฝึกอบรมจะขึ้นอยู่กับการเพิ่มข้อมูลการฝึกอบรมและกระบวนการนี้ซ้ำจนกว่าเงื่อนไขที่สิ้นสุดเป็นที่พอใจ นอกจากนี้ในรุ่นนี้มีความหนาแน่นของข้อมูลที่ไม่ติดฉลากถือว่ายังในการเลือกของไม่เพียง แต่ให้ข้อมูลมากขึ้น แต่ยังเป็นตัวแทนมากขึ้นป้ายกำกับกรณีเพื่อหลีกเลี่ยงการเลือกค่าผิดปกติในการเรียนรู้การใช้งาน ในขั้นตอนการทดสอบที่ได้รับการฝึกฝนลักษณนามสุดท้ายจะถูกนำไปใช้กับการทดสอบข้อมูลที่แปลงานการจัดหมวดหมู่ เราเรียกว่ารูปแบบนี้ '' มีความหนาแน่นตามการใช้งานการฝึกอบรมตัวเอง '' (DBAST) ใช้งานการเรียนรู้และการฝึกอบรมด้วยตนเองจะมีคำอธิบายในรายละเอียดในส่วนต่อไปนี้ตามลำดับ