TY -的盟Wang Qingren盟——张,分盟道,道盟盛,维克多s . PY - 2020 DA - 2020/05/05 TI -标签训练样本为推荐使用众包注释SP - 1670483六世- 2020 AB -基于监督学习推荐模型,与高质量的基础设施足够的训练样本,已经广泛应用于许多领域。在大数据时代,数据量的爆炸性增长,训练样本应该贴上及时、准确,保证优秀的建议基于监督学习模型的性能。机注释不能完成任务的标签与高质量的训练样本,因为有限的机器智能。尽管专家注释可以实现高精度,它需要很长一段时间,以及更多的资源。作为人类智力参与机器计算的新方法,众包注释弥补短缺的机器注释和专家注释。因此,在本文中,我们利用众包注释标签训练样本。首先,一个合适的众包机制设计为训练样本标签创建众包基于注释的任务,然后两个entropy-based(即地面实况推理算法。、边境和门)提出了实现质量改进的噪音标签提供的人群。此外,下行和随机顺序礼仪众包也探索了基于注释的任务。实验结果表明,众包注释显著提高机器性能的注释。在地面实况推理算法,边境和门提高基线的性能; meanwhile, HILED performs better than HILI. SN - 1076-2787 UR - https://doi.org/10.1155/2020/1670483 DO - 10.1155/2020/1670483 JF - Complexity PB - Hindawi KW - ER -