على الرغم من أن الشبكات العصبية العميقة تعمل على نطاق واسع وأثبت فعاليتها في مهام تحليل المعنويات، إلا أنها تظل تحديا للمطورين النموذجيين لتقييم نماذجهم من أجل التنبؤات الخاطئة التي قد تكون موجودة قبل النشر.بمجرد النشر، يمكن أن يكون من الصعب تحديد ال
أخطاء الطارئة في وقت التشغيل التنبؤ ومستحيل تتبع مصادرها.لمعالجة هذه الثغرات، في هذه الورقة نقترح إطار اكتشاف خطأ لتحليل المعرفات بناء على ميزات تفسير.نحن نؤدي التحقق من صحة ميزة المستوى العالمي مع تقييم الإنسان في حلقة، تليها تكامل تحليل المساهمة العالمية والمستوى المحلي.تظهر النتائج التجريبية أنه نظرا للتدخل المحدود للإنسان في الحلقة، فإن طريقتنا قادرة على تحديد تنبؤات النموذج الخاطئة على البيانات غير المرئية بدقة عالية.
بناء نظام الدعم الفني التلقائي هو مهمة مهمة ولكن التحدي.من الناحية النظرية، للإجابة على سؤال المستخدم في منتدى فني، يتعين على خبير بشري استرداد المستندات ذات الصلة أولا، ثم اقرأها بعناية لتحديد مقتطف الإجابة.على الرغم من النجاح الهائل، فقد حقق الباحث
ون في التعامل مع أسئلة النطاق العامة الإجابة (ضمان الجودة)، وقد تم دفع الاهتمام الأقل بكثير مقابل التحقيق الفني في تشاينا.على وجه التحديد، تعاني الأساليب الموجودة من العديد من التحديات الفريدة (I) تتداخل السؤال والإجابة نادرا ما يتداخل بشكل كبير و (2) بحجم بيانات محدود للغاية.في هذه الورقة، نقترح إطارا جديدا لتعلم النقل العميق لمعالجة ضمان الجودة الفنية بشكل فعال عبر المهام والمجالات.تحقيقا لهذه الغاية، نقدم نهجا للتعلم المشترك قابل للتعديل لمهام استدعاء المستندات والقراءة.تجاربنا على Techqa توضح أداء فائق مقارنة بالطرق الحديثة.
