...
首页> 外文期刊>Journal of software >Training MEMM with PSO: A Tool for Part-of- Speech Tagging
【24h】

Training MEMM with PSO: A Tool for Part-of- Speech Tagging

机译:使用PSO训练MEMM:语音部分标记的工具

获取原文

摘要

Maximum Entropy Markov Models (MEMM)can avoid the assumption of independence in traditionalHidden Markov Models (HMM), and thus take advantage ofcontext information in most text mining tasks. Because theconvergence rate of the classic generalized iterative scaling(GIS) algorithm is too low to be tolerated, researchersproposed a lot of improved methods such as IIS, SCGIS andLBFGS for parameters training in MEMM. However thesemethods sometimes do not satisfy task requirements inefficiency and robustness. This article modifies thetraditional Particle Swarm Optimization (PSO) algorithmby using dynamic global mutation probability (DGMP) tosolve the local optimum and infinite loops problems and usethe modified PSO in MEMM for estimating the parameters.We introduce the MEMM trained by modified PSO intoChinese Part-of-Speech (POS) tagging, analysis theexperimental results and find it has higher convergence rateand accuracy than traditional MEMM.
机译:最大熵马尔可夫模型(MEMM)可以避免传统隐马尔可夫模型(HMM)中的独立性假设,因此可以在大多数文本挖掘任务中利用上下文信息。由于经典的广义迭代缩放算法的收敛速度太低而无法容忍,因此研究人员提出了许多改进的方法,如IIS,SCGIS和LBFGS用于MEMM中的参数训练。然而,这些方法有时不能满足任务要求的效率低下和鲁棒性。本文通过使用动态全局变异概率(DGMP)来解决传统的最优粒子群优化算法(DGMP),以解决局部最优和无限循环问题,并在MEMM中使用经过修改的PSO来估计参数。 -语音(POS)标记,对实验结果进行分析,发现它比传统的MEMM具有更高的收敛速度和准确性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号