Learning Structural Kernels for Natural Language Processing

Structural kernels are a flexible learning paradigm that has been widely used in Natural Language Processing. However, the problem of model selection in kernel-based methods is usually overlooked. Previous approaches mostly rely on setting default values for kernel hyperparameters or using grid search, which is slow and coarse-grained. In contrast, Bayesian methods allow efficient model selection by maximizing the evidence on the training data through gradient-based methods. In this paper we show how to perform this in the context of structural kernels by using Gaussian Processes. Experimental results on tree kernels show that this procedure results in better prediction performance compared to hyperparameter optimization via grid search. The framework proposed in this paper can be adapted to other structures besides trees, e.g., strings and graphs, thereby extending the utility of kernel-based methods.

Cohn, TrevorUniversity of Melbourne (författare)
Hardmeier, ChristianUppsala universitet,Institutionen för lingvistik och filologi,Datorlingvistik(Swepub:uu)chrha275 (författare)
Specia, LuciaUniversity of Sheffield (författare)
University of SheffieldUniversity of Melbourne (creator_code:org_t)

Ingår i:Transactions of the Association for Computational LinguisticsStroudsburg, PA : Association for Computational Linguistics3, s. 461-4732307-387X

Av författaren/redakt...: Beck, Daniel; Cohn, Trevor; Hardmeier, Chris ...; Specia, Lucia

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Data och informa ...; och Språkteknologi

NATURVETENSKAP: NATURVETENSKAP; och Data och informa ...; och Annan data och i ...

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.