计算机学报
計算機學報
계산궤학보
CHINESE JOURNAL OF COMPUTERS
2010年
7期
1256-1262
,共7页
命名实体识别%多 Agent元学习框架%元层 Agent%基层学习 Agent%局部特征选择
命名實體識彆%多 Agent元學習框架%元層 Agent%基層學習 Agent%跼部特徵選擇
명명실체식별%다 Agent원학습광가%원층 Agent%기층학습 Agent%국부특정선택
生物医学命名实体识别是生物医学数据挖掘的基本任务.文中提出了一种将多Agent系统和元学习方法相结合的多Agent元学习框架,应用于生物医学命名实体识别.基层多个学习Agent分别识别不同类型的生物医学命名实体,并通过相关学习Agent之间的通信来交换有益信息以调节个体Agent的行为提高其学习性能,元层Agent综合决策基层学习Agent的学习结果以获得最终的识别结果.元层Agent和基层学习Agent通过局部特征选择法选择适合不同实体类别的敏感特征集合提高了总体识别性能尤其是小类别识别的性能.文中提出的方法有效改善了传统的单一学习模型和全局特征选择方法不能兼顾各类别命名实体识别性能的不足.实验结果表明,文中提出的全新方法在生物医学命名实体识别上取得了优越的性能,在JNLPBA2004测试语料上获得了77.5%的F测度值.
生物醫學命名實體識彆是生物醫學數據挖掘的基本任務.文中提齣瞭一種將多Agent繫統和元學習方法相結閤的多Agent元學習框架,應用于生物醫學命名實體識彆.基層多箇學習Agent分彆識彆不同類型的生物醫學命名實體,併通過相關學習Agent之間的通信來交換有益信息以調節箇體Agent的行為提高其學習性能,元層Agent綜閤決策基層學習Agent的學習結果以穫得最終的識彆結果.元層Agent和基層學習Agent通過跼部特徵選擇法選擇適閤不同實體類彆的敏感特徵集閤提高瞭總體識彆性能尤其是小類彆識彆的性能.文中提齣的方法有效改善瞭傳統的單一學習模型和全跼特徵選擇方法不能兼顧各類彆命名實體識彆性能的不足.實驗結果錶明,文中提齣的全新方法在生物醫學命名實體識彆上取得瞭優越的性能,在JNLPBA2004測試語料上穫得瞭77.5%的F測度值.
생물의학명명실체식별시생물의학수거알굴적기본임무.문중제출료일충장다Agent계통화원학습방법상결합적다Agent원학습광가,응용우생물의학명명실체식별.기층다개학습Agent분별식별불동류형적생물의학명명실체,병통과상관학습Agent지간적통신래교환유익신식이조절개체Agent적행위제고기학습성능,원층Agent종합결책기층학습Agent적학습결과이획득최종적식별결과.원층Agent화기층학습Agent통과국부특정선택법선택괄합불동실체유별적민감특정집합제고료총체식별성능우기시소유별식별적성능.문중제출적방법유효개선료전통적단일학습모형화전국특정선택방법불능겸고각유별명명실체식별성능적불족.실험결과표명,문중제출적전신방법재생물의학명명실체식별상취득료우월적성능,재JNLPBA2004측시어료상획득료77.5%적F측도치.