Motivation for semi-supervised algo

Motivation for semi-supervised algorithm is to overcome the problem of lack of annotated corpus and data scarcity problem. Semi-supervised usually starts with small amount of annotated corpus, large amount of un-annotated corpus and a small set initial hypothesis or classifiers. With each iteration, more annotations are generated and stored until a certain threshold occurs to stop the iterations[13]. The term “semi-supervised"(or “weakly supervised") is relatively recent. The main technique for SSL is called “bootstrapping" and involves a small degree of supervision, such as a set of seeds, for starting the learning process. For example, a system aimed at “disease names" might ask the user to provide a small number of example names. Then the system searches for sentences that contain these names and tries to identify some contextual clues common to the random number of examples, say five examples. Then, the system tries to find other instances of disease names that appear in similar contexts. The learning process is then reapplied to the newly found examples, so as to discover new relevant contexts. By repeating this process, a large number of disease names and a large number of contexts are then identified.

Results (Thai) 1:

แรงจูงใจสำหรับอัลกอริทึมกึ่งดูแลคือการ เอาชนะปัญหาของขาดของ corpus ประกอบและปัญหาการขาดแคลนข้อมูล กึ่งดูแลมักจะเริ่มต้น ด้วยจำนวนเล็กน้อยประกอบ corpus, corpus ไม่ประกอบจำนวนมาก และขนาดเล็กตั้งต้นสมมุติฐานหรือคำหลักภาษา กับแผน คำอธิบายเพิ่มเติมถูกสร้างขึ้น และเก็บไว้จนกว่าเพดานเกิดหยุดซ้ำ [13] คำว่า "กึ่งดูแล" (หรือ "weakly ดูแล") จะค่อนข้างนาน เทคนิคหลักสำหรับ SSL เรียกว่า "bootstrapping" และเกี่ยวข้องกับระดับเล็กของกำกับดูแล เช่นชุดของเมล็ด สำหรับการเริ่มต้นกระบวนการเรียนรู้ เช่น เป็นระบบที่มุ่ง "ชื่อโรค" อาจขอให้ผู้ใช้เพื่อให้จำนวนชื่อของตัวอย่างขนาดเล็ก แล้ว ระบบการค้นหาประโยคที่ประกอบด้วยชื่อเหล่านี้ และพยายามระบุปมบางอย่างตามบริบททั่วไปของตัวเลขที่สุ่มตัวอย่าง พูดห้าอย่าง จากนั้น ระบบพยายามที่จะค้นหาอินสแตนซ์อื่นของชื่อโรคที่ปรากฏขึ้นในบริบทที่คล้ายกัน กระบวนการเรียนรู้ที่นำมาใช้แล้วอย่างเพิ่งค้นพบใหม่ เพื่อค้นพบใหม่ที่เกี่ยวข้องกับบริบทที่ โดยการทำซ้ำกระบวนการนี้ ชื่อโรคจำนวนมากและจำนวนมากของบริบทแล้วระบุ

Results (Thai) 2:

แรงจูงใจในการอัลกอริทึมกึ่งภายใต้การดูแลคือการเอาชนะปัญหาของการขาดคลังข้อมูลและปัญหาการขาดแคลนข้อเขียน Semi-ดูแลมักจะเริ่มต้นด้วยจำนวนเล็ก ๆ ของ Corpus ข้อเขียนจำนวนมากยกเลิกข้อเขียนคลังและขนาดเล็กเริ่มต้นการตั้งสมมติฐานหรือลักษณนาม กับแต่ละซ้ำคำอธิบายประกอบขึ้นมีการสร้างและเก็บไว้จนกว่าจะมีเกณฑ์บางอย่างเกิดขึ้นที่จะหยุดซ้ำ [13] คำว่า "กึ่งภายใต้การดูแล" (หรือ "ภายใต้การดูแลอย่างอ่อน") เป็นล่าสุดค่อนข้าง เทคนิคหลักสำหรับ SSL ที่เรียกว่า "ความร่วมมือ" และเกี่ยวข้องกับระดับเล็กของการกำกับดูแลเช่นชุดของเมล็ดสำหรับการเริ่มต้นกระบวนการเรียนรู้. ตัวอย่างเช่นระบบที่มุ่งเป้าไปที่ "ชื่อโรค" อาจขอให้ผู้ใช้เพื่อให้มีขนาดเล็ก จำนวนของชื่อตัวอย่างเช่น จากนั้นระบบจะค้นหาประโยคที่มีชื่อเหล่านี้และพยายามที่จะแจ้งเบาะแสตามบริบทบางอย่างร่วมกันในการสุ่มตัวเลขตัวอย่างเช่นสมมติว่าห้าตัวอย่าง จากนั้นระบบจะพยายามที่จะหากรณีอื่น ๆ ของชื่อโรคที่ปรากฏอยู่ในบริบทที่คล้ายกัน กระบวนการเรียนรู้ที่ถูกนำมาใช้แล้วกับตัวอย่างที่ค้นพบใหม่เพื่อที่จะค้นพบบริบทที่เกี่ยวข้องใหม่ โดยการทำซ้ำขั้นตอนนี้เป็นจำนวนมากของชื่อโรคและจำนวนมากของบริบทที่จะมีการระบุแล้ว

Results (Thai) 3:

แรงจูงใจสำหรับการกึ่งวิธีที่จะเอาชนะปัญหาของการบันทึกย่อและข้อมูลคลังข้อมูลปัญหาข้าวยากหมากแพง มักจะเริ่มต้นด้วยการกึ่งขนาดเล็กจำนวนของบันทึกย่อคลังข้อมูล , จํานวนมากและแสดงข้อมูลและการตั้งค่าขนาดเล็กเริ่มต้นสมมติฐานหรือลักษณนาม กับแต่ละซ้ำบันทึกย่อเพิ่มเติมจะถูกสร้างขึ้นและเก็บไว้จนเกิดเกณฑ์บางอย่างเพื่อหยุดการทำซ้ำ [ 13 ] คำว่า " กึ่งดูแล " ( หรือ " ล้มทับดูแล " ) ค่อนข้างล่าสุด เทคนิคหลักสำหรับ SSL เรียกว่า " bootstrapping " และเกี่ยวข้องกับการนิเทศระดับเล็ก เช่น ชุดของเมล็ด เพื่อเริ่มกระบวนการการเรียนรู้ ตัวอย่างเช่น ระบบที่มุ่ง " ชื่อ " โรคอาจขอให้ผู้ใช้ให้จำนวนเล็ก ๆของชื่อเช่น แล้วระบบค้นหาประโยคที่ประกอบด้วยชื่อเหล่านี้และพยายามที่จะระบุบางบริบทข้อมูลทั่วไปจำนวนสุ่มตัวอย่าง พูด 5 ตัวอย่าง แล้วระบบพยายามที่จะค้นหาอินสแตนซ์อื่น ๆของโรค ชื่อที่ปรากฏในบริบทที่คล้ายกัน กระบวนการเรียนรู้คือ จากนั้นนํามาใช้อีกที่เพิ่งพบตัวอย่าง เพื่อค้นพบบริบทที่เกี่ยวข้องใหม่ โดยการทำซ้ำกระบวนการนี้เป็นจำนวนมากของชื่อโรคและตัวเลขขนาดใหญ่ของบริบทแล้วระบุ