Graphical models are a powerful too

Graphical models are a powerful tool to model the complicated
problems in an intuitive way [10]. They have been applied to classify
semantic relations in bioscience texts [36]. Graphical models can be
categorized into directed graphical model (Bayesian networks) and
undirected graphical model. The recently emerging Conditional
Random Fields (CRF) [25] is an undirected graphical model. Compared
with the Bayesian networks, CRF directly models the conditional
probability distribution of the output given the input, so it can exploit
the rich and global features of the inputs without representing the
dependencies in the inputs. Also CRF needs to estimate fewer
parameters than the Bayesian networks, so it has excellent performance
when the training sample is small. The comparative relation
extraction involves multiple entities and long-range dependencies,
and needs to capture rich features from the inputs, so CRF is an ideal
tool to use for it.

ผลลัพธ์ (ไทย) 1:

รูปแบบกราฟิกเป็นเครื่องมือที่มีประสิทธิภาพแบบที่ซับซ้อนปัญหาในทางที่ใช้งานง่าย [10] พวกเขาได้ใช้ในการจัดประเภทความสัมพันธ์ทางความหมายในข้อความการซื้อ [36] รูปแบบกราฟิกได้แบ่งเป็นรูปแบบกราฟิกโดยตรง (เครือข่ายทฤษฎี) และแบบจำลองกราฟิก undirected มีเงื่อนไขที่เพิ่งเกิดใหม่สุ่มที่ฟิลด์ (CRF) [25] แบบจำลองกราฟิก undirected ได้ การเปรียบเทียบเครือข่ายทฤษฎี CRF ตรงรุ่นแบบมีเงื่อนไขการกระจายความน่าเป็นของผลลัพธ์ที่กำหนดให้อินพุต ดังนั้นจึงสามารถใช้ประโยชน์คุณลักษณะรวย และโลกของอินพุตโดยไม่แทนการอ้างอิงในการอินพุต นอกจากนี้ยัง ต้องประเมินน้อย CRFพารามิเตอร์เครือข่ายทฤษฎี ดังนั้นจึงมีประสิทธิภาพดีกว่าเมื่อฝึกอบรมตัวอย่างมีขนาดเล็ก ความสัมพันธ์เปรียบเทียบสกัดที่เกี่ยวข้องกับเอนทิตีและความสัมพันธ์ระยะยาว หลายและต้องจับคุณลักษณะรวยจากอินพุต เพื่อ CRF เหมาะเครื่องมือใช้สำหรับ

ผลลัพธ์ (ไทย) 2:

รูปแบบกราฟิกเป็นเครื่องมือที่มีประสิทธิภาพในการจำลองซับซ้อนปัญหาในวิธีที่ง่าย [10]
พวกเขาได้ถูกนำมาใช้ในการจำแนกความสัมพันธ์ความหมายในตำราชีววิทยาศาสตร์ [36]
รูปแบบกราฟิกสามารถแบ่งออกเป็นรูปแบบกราฟิกกำกับ (เครือข่ายแบบเบย์) และไม่มีทิศทางรูปแบบกราฟิก เมื่อเร็ว ๆ นี้ที่เกิดขึ้นใหม่ตามเงื่อนไขทุ่งสุ่ม(CRF) [25] เป็นแบบกราฟิกแบบไร้ทิศทาง เมื่อเทียบกับเครือข่ายแบบเบย์ที่ CRF รุ่นโดยตรงเงื่อนไขการกระจายความน่าจะเป็นของการส่งออกที่ได้รับการป้อนข้อมูลเพื่อที่จะสามารถใช้ประโยชน์จากคุณสมบัติที่อุดมไปด้วยและระดับโลกของปัจจัยการผลิตโดยไม่ต้องเป็นตัวแทนของการอ้างอิงในปัจจัยการผลิต นอกจากนี้ยังมีความต้องการที่จะ CRF ประเมินน้อยพารามิเตอร์กว่าเครือข่ายแบบเบย์จึงมีประสิทธิภาพที่ดีเยี่ยมเมื่อตัวอย่างการฝึกอบรมที่มีขนาดเล็ก ความสัมพันธ์เปรียบเทียบการสกัดที่เกี่ยวข้องกับหน่วยงานต่างๆและการอ้างอิงระยะยาวและความต้องการที่จะจับคุณสมบัติที่หลากหลายจากปัจจัยการผลิตเพื่อให้CRF เป็นที่เหมาะสำหรับการใช้เครื่องมือสำหรับมัน