为分类多词表达选择特征

arXiv cs.CL 论文
nlp feature-selection multiword-expressions classification machine-learning

摘要

本文讨论了选择特征以改善多词表达分类的方法。

arXiv:2605.11779v1 公告类型：新提交 摘要：多词表达（MWEs）是一个异质性集合，亟需进行分类。设计令人满意的分类体系涉及特征的选择。在多词表达的情况下，许多特征先验可得。然而，就多词表达被可靠地分配到各类别的能力而言，并非所有特征都同等重要。因此，由此产生的分类对于计算用途可能具有不同程度的成效。我概述了一种增强型分类方法。为了提高其对多种语言的适用性，我参考了以往考虑多种语言的研究工作。
查看原文
查看缓存全文

缓存时间: 2026/05/13 06:18 

# 为多词表达式分类选择特征

来源：https://arxiv.org/abs/2605.11779
文献工具

## 文献与引用工具

文献探索器 切换

代码、数据、媒体

## 与本文相关的代码、数据和媒体

演示

## 演示

相关论文

## 推荐与搜索工具

关于 arXivLabs

## arXivLabs：与社区合作者共同进行的实验性项目

arXivLabs 是一个框架，允许合作者直接在我们的网站上开发并分享新的 arXiv 功能。

所有参与 arXivLabs 的个人和组织都认同并接受我们的开放、社区、卓越和用户数据隐私价值观。arXiv 致力于维护这些价值观，仅与遵守这些价值观的合作伙伴合作。

有一个能为 arXiv 社区增加价值的项目想法？**了解更多关于 arXivLabs** (https://info.arxiv.org/labs/index.html)。

相似文章

扩展单义性：从Claude 3 Sonnet中提取可解释特征

arXiv cs.AI

本文展示稀疏自编码器能够从生产级语言模型Claude 3 Sonnet中提取可解释特征，解决了字典学习方法在扩展性方面的担忧。这些特征具有多语言、多模态特性，并涵盖欺骗、谄媚等安全相关概念，且对模型输出具有因果影响。

利用成对查询改进二分类中的选择性分类

arXiv cs.LG

本文提出使用成对查询来改进二分类中的选择性分类，特别是在置信度估计不一致的情况下（如大语言模型的上下文学习）。理论条件及在合成和真实数据集上的实验表明，基于成对查询的算法比原始置信度估计能实现更好的准确率-成本权衡。