基于自适应聚类的文本潜在主题的自动发现

提出了一种自适应于不同题材文本自动确定其包含的潜在主题数K的方法.考虑到大多数文本的潜在主题分布符合段落密度特性,提出以段落为中心的研究策略,通过采用基于K均值的聚类算法联同自定义判别函数的聚类分析方法,实现了段落自适应聚类下的文本潜在主题的自动发现.实验结果表明,该方法在一定程度上能有效处理普遍存在的文风自由且主题表达灵活多样的各式文本.     

HowNet与意义的计算

语言是人类思想的基本承载者，而且是人类交流最重要的工具，当第一台计算机于20世纪40年代出现时，人们试图完成的第一个应用是处理的自然语言，例如开发自动翻译系统。自然语言处理是人工智能的一个子领域，它瞄准了两个紧密相关的目标；一个是使得计算机能够利用自然语言的能力与人类相互作用，第二是应用，包括自动文本理解、从数字化图书馆析取知识、信息检索、问题应答系统、机器翻译、自动文本概括、语音识别和语音合成等。与此同时，一门新的研究学科——计算语言学诞生了。HowNet不是本体论或类属词典，也不是类似于WordNet这样的词汇数据库。HowNet是适用于人类语言技术的意义计算在线附加语言知识系统。本书是对自然语言处理和HowNet全景描述及实例研究的进一步的语言知识理论探索。书中对有关高层次的HowNet规范定义作了极具特色的讨论，例如事物、部分、属性、时间、空间、事件和属性值以及它们之间的关系，对在HowNet背后创作者哲学的深入讨论是本书最有价值的部分。本书同时介绍了HowNet的意义可计算性的吸引力，描述了意义计算软件怎样能够收集这样多相关的词汇与表达式，并且在任何两个词或表达式之间给出它们的相似性值。     

汉语中"的"字短语右边界的识别

“的”字是现代汉语中的高频词．“的”字的作用主要是用来构成短语,我们称之为“的”字短语,它是现代汉语中最常见的短语．“的”字短语造成了汉语句子中丰富的层次和复杂的语义结构．汉语句子中很多的歧义结构也是由“的”字短语引起的．因此正确地分析“的”字短语的结构对于汉语句法分析和汉语理解是很重要的．要分析“的”字短语的语义结构必须首先识别出句子中的“的”字短语．当然,当“的”字以词的形式出现在句子中时,这个句子中就出现了一个“的”字短语．可是这个“的”字短语的右边界在那里呢？如何让计算机能够正确地识别出它的右边界呢？这个问题却迄今未见有文献涉及．该文对此进行了研究并提出了研究交提出了识别“的”字短语边界的算法．     

基于自然语言处理的旅游景区智能讲解系统研究

智慧旅游建设的目的是要用新一代信息技术提升旅游服务水平和改善游客旅游体验。针对现有的旅游景区电子讲解系统缺乏自然语言互动交流能力的问题,研究一种基于自然语言处理和本体知识检索技术的旅游景区智能讲解系统,以便旅游景区能为游客提供自然语音对话式的个性化智能讲解服务。笔者设计了系统的物理架构和逻辑架构,然后分析实现文本向量化处理、命名实体识别、对话策略管理和讲解知识检索等关键技术,最后通过开发、测试系统原型,验证了系统的可行性。     

基于关键 $n$-grams 和门控循环神经网络的文本分类模型

提出一种基于关键 $n$-grams 和门控循环神经网络的文本分类模型. 模型采用更为简单高效的池化层替代传统的卷积层来提取关键的 $n$-grams 作为重要语义特征, 同时构建双向门控循环单元(gated recurrent unit, GRU)获取输入文本的全局依赖特征, 最后将两种特征的融合模型应用于文本分类任务. 在多个公开数据集上评估模型的质量, 包括情感分类和主题分类. 与传统模型的实验对比结果表明: 所提出的文本分类模型可有效改进文本分类的性能, 在语料库 20newsgroup 上准确率提高约 1.95%, 在语料库 Rotton Tomatoes 上准确率提高约 1.55%.     

基于扩展特征向量空间模型的多源数据融合

本体资源的扩充是自然语言处理的关键问题之一。传统的从单一数据源获取的信息其覆盖率较低,亟需建立一个整体的数据管理平台,对数据资源分类存储与整理。为此提出了AVP数据平台,构建AVP平台所面临的重要问题是多源数据的融合,即将不同来源的网站数据进行语义角色标注,对歧义词条进行识别判断,并最终归并到以义项为基本单位的数据仓库中;为解决多源数据融合的语义角色标注问题,给出了一种自动语义判歧方法。其基本思想是利用词条中的属性值对作为特征模板,并借助于属性值的共现概率,应用扩展向量空间模型对词条进行歧义识别。通过大量的实验对比可知,该系统在各方面均取得优异的成绩,所提出的算法能够很好地解决多源数据融合中的语义判歧问题。     

面向自然语言处理的藏语虚词la格研究

藏语虚词研究是藏语自然语言处理中一项不可缺少的基础性工作,有着极其广泛的实际应用价值.它是藏文信息处理的核心和藏语自然语言理解的基础,在藏文校对、信息检索、双语对译、自动分类等技术中有着广泛的应用前景.文章在前人研究的基础上,结合信息处理,从不自由虚词的分类体系、形式化描述等角度对藏语虚词la格的语法功能做了一些探讨,重点论述了藏语虚词la格的语法功能,提出藏语虚词规范的初步设想和处理方法.     

基于事件的文本相似度计算

大量研究成果已经表明,事件在很多文本中是客观存在的.从语义的角度理解,诸多文本是由事件组成的,事件是文本表示的最小语义单位.给出了基于事件的文本表示模型,在此模型的基础上,从文本类型相似度计算和文本内容相似度计算两个层面论述了文本相似度计算的方法.     

基于自然语言处理的材料领域知识图谱构建方法

如何将材料领域知识与机器学习技术相结合是材料智能研究迫切需要解决的问题. 知识图谱(knowledge graphs, KGs)作为一种高效的知识组织模型, 可以有效地对材料领域知识进行表示、组织和推理, 从而提升材料机器学习算法的智能水平. 研究了基于自然语言处理技术的材料领域知识自动获取方法, 提出了基于双向门控循环单元-图神经网络-条件随机场(bidirectional-gated recurrent unit-graph neural network-conditional random field, Bi-GRU-GNN-CRF) 的材料实体关系联合抽取方法, 以及基于改进 TextRank 算法的材料工艺知识抽取方法, 实现了从专利、论文等材料文献中自动获取材料实体、关系、工艺流程等材料领域知识. 实验结果表明, 所提出的材料知识获取方法具有较好的精度和召回率, 能够有效提升材料知识图谱的知识覆盖度. 基于该方法构建的材料领域知识图谱的知识覆盖率达到了80%, 能够为材料智能研发提供更加全面的知识支撑. 同时, 构建了非调制特殊钢、铝基复合材料、热障陶瓷涂层材料 3 个材料领域知识图谱, 并进行了应用探索, 进一步验证了知识图谱为材料研发提供知识支撑的可能性.