抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
本論文では,ロシアのための形態学的タグ付けタスクを行った。長年の研究中のタスクのために作成した複数のコーパスである。残念なことに,これらのコーパスはしばしば注釈ガイドラインとタグセット不適合。これは一つ以上のコーパスを利用訓練機械学習法のためのを困難にしている。いくつかはガイドラインを統一手動試みとタグセットは過去に起こった。オーガナイザーは四コーパスのアノテーションを統一することを決定し,最も最近の一つはMorphoRuEval2017評価であった。本論文では,提供マニュアルマッピングすることなく任意のガイドラインとタグセットとセットコーパスの上で訓練されたできる形態学的タグ付け法を提案した。法は,多言語と領域間共通研究に成功裏に適用移動学習技術に基づいている。最初に,対固体ニューラルネットワークに基づく形態学的標識ベースラインを確立した。は両双方向LSTMネットワークを採用しているが,異なる単語埋込みを利用した。多重コーパスの比較研究は,fasttextモデルは明らかにword2vecより優れていることを示した。さらに,これらのベースライン移動学習応用を拡張した。二一連の実験を行うことにより移動学習ベースの方法の有効性を証明した。最初のシリーズでは,不適合タグセットを用いた三知らコーパス:RNC,SynTagRus(元と普遍的依存性バージョン)を利用した。第二シリーズでは,主催者が予備的に統一されたタグセットを用いたMorphoRuEval2017評価から四コーパスを利用した。いずれの場合も転移学習アプリケーションにより提案手法の性能を改善するよりコーパス上で訓練した。第二のケースでは,伝統的な合同訓練をも超えるものである。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】
