1,153
个编辑
更改
无编辑摘要
先前的label：初始的P0(L(ni))很难设置，但是可以使用先前任务的结果更准确地进行设置。
[[文件:终身机器学习32.png]]
从Lifelong-RL到SA任务
这个问题适合使用终身学习的方法：共享edge，entity和aspect，以及共享他们跨领域的label。
[[文件:终身机器学习33.png]]
Lifelong-RL的架构（见图）
Relation modifier表示edge，Typemodifier和先前的label有助于
[[文件:终身机器学习00.png]]
的设置。
在测试或执行中学习
[[文件:终身机器学习34.png]]
在执行中改进模型
总结
[[文件:终身机器学习35.png]]
本讲座简要介绍了在一些NLP应用中的LML
LML的研究现在还处于起步阶段，对LML的了解非常有限，目前的研究主要集中在只有一种类型任务的系统。LML需要大量数据，以学习大量不同类型的知识。
[[文件:终身机器学习36.png]]
LML存在许多挑战，例如：
