(报告回放https://event.baai.ac.cn/activities/350)
“知识”(广义)的来源:广义的“知识”包括狭义的知识、算法以及数据。
要实现自然语言处理能力的提升,必须有三个广义知识的支撑,即必须有新知识、新算法或新数据的加入。
“伪数据”(Pseudo Data)
伪数据是一种弱标注的训练数据。伪数据虽然有标签,但标签的构造不曾面向所研究的任务进行人工标注,且这种标签不精确,而是样本的近似答案(伪)。获取伪数据主要有三种方法:移植、采集和制造。
1. 移植伪数据
可以分为跨语言、跨领域和跨任务三种类型。
2. 采集伪数据
数据“天然”存在目标任务的标注结果时,可以应用伪数据的采集方法。此时样本就是真实的样本,但获得的标签与真实标签近似。采集可以用来处理如命名实体、词义向量、信息抽取、情感分析等任务。
3. 制造伪数据(数据增广)
即对样本进行编辑操作形成伪数据,编辑的方式主要包括增加、删除、修改。在这种情况下,样本近似于真实样本,