Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/JCES-AVPH4J
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Adriano Alonso Veloso | pt_BR |
dc.contributor.advisor-co1 | Luiz Chaimowicz | pt_BR |
dc.contributor.referee1 | Luiz Chaimowicz | pt_BR |
dc.contributor.referee2 | Agma Juci Machado Traina | pt_BR |
dc.contributor.referee3 | Nivio Ziviani | pt_BR |
dc.creator | Gianlucca Lodron Zuin | pt_BR |
dc.date.accessioned | 2019-08-12T05:00:34Z | - |
dc.date.available | 2019-08-12T05:00:34Z | - |
dc.date.issued | 2017-11-14 | pt_BR |
dc.identifier.uri | http://hdl.handle.net/1843/JCES-AVPH4J | - |
dc.description.resumo | Geralmente coletamos dados de diversas fontes para montarmos um Corpus adequado para o aprendizado de modelos multi-domínio de pergunta-resposta (QA). Este tipo de sistema requer que o modelo seja capaz de realizar compreensão de linguagem natural, o que implica na necessidade de grandes bases de dados. Uma maneira simples de aliviar a demanda de dados é restringir o domínio abordado pelo QA, levando assim à modelos específicos. Embora o aprendizado de modelos de QA em um único domínio ainda seja uma tarefa desafiadora devido à escassez de dados de treinamento suficientes no tema de interesse, podemos obter instâncias adicionais por meio de domínios relacionados. Este trabalho investiga abordagens de adaptação a fim de obter vários modelos especializados em cada domínio alternativamente a aprender um modelo único de amplo domínio. Demonstra-se ainda que isso pode ser alcançado estratificando-se uma base original, sem a necessidade de buscar dados adicionais ao contrário de outras abordagens da literatura. Este trabalho propõe uma rede neural que explora o uso conjunto de redes convolucionais e recorrentes. Características gerais dos temas são compartilhadas enquanto características específicas dos domínios são aprendidas. Isso permite realizar a adaptação dos modelos utilizando diversos tipos de domínio fonte. São consideradas diferentes abordagens de transferência e de divisão de domínios desenvolvidas para aprender modelos de QA tanto em nível de spans, quanto em nível de sentenças. Observou-se que a adaptação ao domínio resulta em ganhos de desempenho, em especial à nível de sentenças. Observou-se também que podemos ter um aumento considerável no desempenho do modelo baseado em spans ao utilizar a informação de contexto presente no QA de sentenças. | pt_BR |
dc.language | Português | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Redes Neurais Profundas | pt_BR |
dc.subject | Transferência de Aprendizado | pt_BR |
dc.subject | Integração de Contexto | pt_BR |
dc.subject | Pergunta-Resposta | pt_BR |
dc.subject | Adaptação de Domínio | pt_BR |
dc.subject.other | Redes neurais (Computação) | pt_BR |
dc.subject.other | Computação | pt_BR |
dc.subject.other | Aprendizado do computador | pt_BR |
dc.title | Uso de adaptação de domínio e informação contextual em sistemas de pergunta-resposta | pt_BR |
dc.type | Dissertação de Mestrado | pt_BR |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
gianluccazuin.pdf | 3.14 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.