In this paper, we propose a new mod

In this paper, we propose a new model based on the combination of active learning and semi-supervised self-training in
order to incorporate unlabelled data from the target language into the learning process. Because active learning tries to select
the most informative examples (in most cases, the most uncertain examples), these examples may be outlier, especially in
the field of sentiment classification of user’s reviews. To avoid outlier selection in the active learning technique, we considered
the density of the selected examples in the proposed method so as to choose those informative examples that had maximum
average similarity (the more representatives) in the unlabelled data. The proposed method was then applied to book
review datasets in three different languages. Results of the experiments showed that our method effectively increased the
performance levels while reduced the human labelling effort for CLSC in comparison with some of the existing and baseline
methods.

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ เราได้เสนอรูปแบบใหม่ที่ใช้การเรียนรู้ที่ใช้งานอยู่และกึ่งมีตนเองการฝึกอบรมในสั่งการรวมข้อมูล unlabelled จากภาษาเป้าหมายเป็นกระบวนการเรียนรู้ เนื่องจากการเรียนรู้ที่ใช้งานอยู่พยายามเลือกตัวอย่างข้อมูลมากที่สุด (ในกรณีส่วนใหญ่ ตัวอย่างไม่แน่นอนที่สุด), ตัวอย่างเหล่านี้อาจเป็น outlier โดยเฉพาะอย่างยิ่งในฟิลด์การจัดประเภทความเชื่อมั่นของผู้รีวิว เพื่อหลีกเลี่ยงการเลือก outlier ในเทคนิคการเรียนรู้การใช้งาน เราถือความหนาแน่นของตัวอย่างเลือกวิธีนำเสนอเพื่อเลือกตัวอย่างข้อมูลที่มีมากที่สุดคล้ายเฉลี่ย (ตัวแทนเพิ่มเติม) ในข้อมูล unlabelled แล้วใช้วิธีการนำเสนอสมุดทบทวน datasets ในสามภาษา ผลการทดลองพบว่า วิธีการของเราได้อย่างมีประสิทธิภาพเพิ่มขึ้นระดับประสิทธิภาพในขณะที่ลดความพยายาม labelling มนุษย์สำหรับ CLSC เมื่อเปรียบเทียบกับของที่มีอยู่และพื้นฐานวิธี

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เรานำเสนอรูปแบบใหม่จากการรวมกันของการเรียนรู้การใช้งานและกึ่งฝึกอบรมภายใต้การดูแลตัวเองในการสั่งซื้อที่จะรวมข้อมูลจากการปิดฉลากภาษาเป้าหมายเข้าสู่กระบวนการเรียนรู้ เพราะการเรียนรู้การใช้งานพยายามที่จะเลือกตัวอย่างข้อมูลมากที่สุด (ในกรณีส่วนใหญ่ที่มีความไม่แน่นอนตัวอย่างส่วนใหญ่) ตัวอย่างเหล่านี้อาจจะมีค่าผิดปกติโดยเฉพาะอย่างยิ่งในด้านการจัดหมวดหมู่ความเชื่อมั่นความคิดเห็นของผู้ใช้ เพื่อหลีกเลี่ยงการเลือกค่าผิดปกติในเทคนิคการเรียนรู้การใช้งานที่เราพิจารณาความหนาแน่นของตัวอย่างที่เลือกในวิธีการที่นำเสนอเพื่อให้เป็นไปเลือกผู้ตัวอย่างข้อมูลที่มีสูงสุดที่คล้ายคลึงกันเฉลี่ย(ผู้แทนมากกว่า) ในข้อมูลป้ายกำกับ วิธีการที่นำเสนอนั้นถูกนำมาใช้ในการจองชุดข้อมูลรีวิวในสามภาษาที่แตกต่างกัน ผลการทดลองแสดงให้เห็นว่าวิธีการของเราได้อย่างมีประสิทธิภาพเพิ่มขึ้นระดับประสิทธิภาพในขณะที่ลดความพยายามของมนุษย์สำหรับการติดฉลาก CLSC ในการเปรียบเทียบกับบางส่วนของที่มีอยู่และพื้นฐานวิธีการ

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้เรานำเสนอรูปแบบใหม่บนพื้นฐานของการรวมกันของการเรียนรู้และฝึกฝนตนเองในการใช้กึ่งเพื่อที่จะรวมข้อมูล unlabelled จากภาษาเป้าหมายในการเรียนรู้ เพราะเรียนพยายามที่จะเลือกตัวอย่างข้อมูลส่วนใหญ่ ( ส่วนใหญ่ ที่ไม่แน่นอนมากที่สุดตัวอย่าง ) ตัวอย่างเหล่านี้อาจจะผิดปกติ โดยเฉพาะอย่างยิ่งในด้านความเชื่อมั่น การรีวิวของผู้ใช้ เพื่อหลีกเลี่ยงการเลือกค่าในเทคนิคการเรียนรู้ เราถือว่าความหนาแน่นของการเลือกตัวอย่างโดยวิธีที่เสนอเพื่อเลือกข้อมูลตัวอย่างที่ได้สูงสุดความเหมือนเฉลี่ย ( ตัวแทน ) ในข้อมูล unlabelled . วิธีการก็ใช้หนังสือตรวจสอบข้อมูลใน 3 ภาษา ผลการทดลองพบว่าวิธีการของเรามีประสิทธิภาพเพิ่มขึ้นระดับประสิทธิภาพในขณะที่ลดการติดฉลากมนุษย์พยายาม clsc เมื่อเปรียบเทียบกับของที่มีอยู่ และพื้นฐานวิธีการ