英语主位结构及其对篇章教学的启示

对篇章进行功能分析,有助于更全面、更准确地理解原文,同时也可以通过实践应用加深对篇章的认识。在教学中,英语主位推进与信息分布规律对英语篇章教学有深远的意义。     

词汇衔接手段在综合英语篇章教学中的应用

篇章教学是英语专业综合英语教学中的重要环节.将词汇衔接手段应用于综合英语篇章教学中就是要引导学生运用词汇衔接手段赏析篇章.本文探讨了综合英语篇章教学与词汇衔接手段的联系,词汇衔接的具体手段,及其结合综合英语教程中的语段来谈谈如何将词汇衔接手段引入篇章赏析.教师要积极引导学生运用词汇衔接手段来赏析篇章,从而提高篇章阅读理解能力和写作水平.     

在“结果教学法”中培养学生的语篇意识——边远地区大学英语写作教学探索

本文借助语篇语言学的研完理论和大学英语写作教学研究理论成果,立足于新疆地区大学生英语基础薄弱和大学英语师资不足的现状,分析了大学英语写作教学和学生英语写作学习中存在的问题,指出篇章意识薄弱是大学生英语写作水平偏低的一个重要原因,建议在新疆地区大学英语写作教学中应运用更具有操作性的结果教学法,在具体的结果教学法实施过程中应着重培养学生的语篇意识。     

论大学英语阅读教学

大学英语精读课对学生的英语学习非常重要,因此对于精读文章的教学方法研究也至关重要。在各种方法中,篇章教学相对较好。通过篇章方法的学习,学生可以达到应用篇章中的组织结构模式及话语标记,系统地分析语言材料在文章中是如何产生意义的目的。     

英语新闻的篇章特点分析及其对英语阅读教学的启示

本文通过分析研究英语新闻的篇章特点来探讨大学英语阅读教学,期望对大学英语学习者更好地解读英语新闻有所帮助,也希望对大学英语教师的课外阅读教学指导有所启示。     

篇章教学在中职英语教学中的尝试

本文试图通过对篇章教学在英语课堂教学中应用的总结和归纳,从而构建以学生为中心,以培养交际能力为目的,以篇章教学法为手段,以发展英语组织能力为指归的课堂教学模式.     

论大学英语篇章教学

阅读理解一直是各种英语考试的重要内容之一,但是很多同学在阅读方面存在困难,如阅读方法不得当,缺乏适当的阅读技巧等。为解决这一问题,作者从教学的角度出发,对大学英语篇章教学进行说明,并阐述篇章教学的模式和意义。     

人教版英语新教材的优势

通过新旧教材对比探讨新版教材的优势，简单提出教学建议。着重对人教版英语七年级下册，八年级上册进行分析，并与旧版教材进行对比，发现新版教材在单元版块、阅读篇章．语音教学及听力练习等方面变化较大。这些变化的部分更利于对学生进行英语综合能力的培养，使学生能迅速学会由过程性阅读到过程性写作。通过新旧教材对比，教师曼容易把握教学中的难点传授的尺度。     

大学英语教学中的篇章教学途径

基于人们对传统的由点到面的教学模式的种种非议,篇章分析的研究和图式理论的研究促使语言专家们修正单纯的由点到面（自上而下）的篇章学习模式,引进“点”、“面”相互作用（面→点→面）模式。本文试图将篇章分析的观念体现在语言教学当中,把篇章分析的相互作用模式与语言教学有机的结合起来,全面提高英语教学质量,提升学生的英语能力。     

广告英语篇章修辞探究

广告英语即英语广告中所用的语言,广告英语篇章修辞即英语广告篇章中的言语使用策略、手段、技巧、模式和规律的总和。以丰富多变的词汇和句法运用为基础,广告英语篇章在语音层面、词汇层面以及句法层面上表现出其独特的修辞特征。广告英语篇章修辞的探究对英语广告的理解和产出有直接的、重要的指导意义。     

源语语篇翻译的主述位结构演绎模式研究

主述位结构运用于源语语篇翻译中作为探索翻译途径的重要方法 ,通过从主述位结构分析源语语篇的结构模式及探讨翻译的规律性 ,旨在揭示语言的内在联系 ,建立双语转换的可选性和合理性 ,最终达到语言的沟通与连接     

文本分类中基于单词表示的全局向量模型和隐含狄利克雷分布的文本表示改进方法

针对文本分类中文本数据表示存在稀疏性、维度灾难、语义丢失的问题,提出一种基于单词表示的全局向量(global vectors for word representation, GloVe)模型和隐含狄利克雷分布(latent Dirichlet allocation, LDA)主题模型的文本表示改进方法。利用GloVe模型结合局部信息和全局词语共现的统计信息训练得到文本的稠密词向量,基于LDA主题模型生成文本隐含主题和相应的概率分布,构建文本向量以及基于概率信息的主题向量,并计算两者之间的相似性作为分类器的输入。实验结果表明,相比其他几种文本表示方法,改进方法在精确率、召回率和F_1值上均有所提高,基于GloVe和LDA的文本表示改进方法能有效提升文本分类器的性能。     

基于外部知识筛选的主题文本生成技术研究

在自然语言生成任务中，主题文本生成是一项富有挑战性的工作，其主要难点在于：源信息量远小于目标生成的信息量.为了解决该问题，本文提出一个基于外部知识筛选的主题文本生成模型Trans K，通过引入与主题词相关的外部知识来丰富源信息，进而提高生成文本的质量.本文为了解决引入外部知识的“一词多义”问题，提出一种基于线性变换的主题向量计算方法，用于筛选和主题词语义一致的外部知识；提出一种基于注意力机制的外部权重计算方法，为每个外部词设定一个主题权重，使其更贴合文本语义；为了解决主题词（含候选词）在生成文本中反复出现的问题，提出一种基于多头注意力机制的内部权重计算方法.在EASSY数据集上的实验表明，与基线相比，Trans K生成文本质量的各项指标更优.此外，人类评估表明，该模型可生成与主题更相关、语言更连贯、且符合语义逻辑的文本.     

文字云及主题模型的统计挖掘

互联网等信息技术的迅猛发展使网络中积累了大量半结构化和非结构化的文本数据，如何从这些海量电子文档中获取需要的信息并以高效直观信息图的形式展现，成为统计分析工作者的一项主要任务。文字云是信息图表达的一种新型文本显示方式，利用文字云和主题模型文本挖掘方法，对文本进行移除数字、去除停用词等预处理操作，然后执行中文分词，构建语料库，建立文档-词条矩阵，最后以文字云和主题模型的形式呈现挖掘结果。实验中主要利用R语言，以多年粗糙集会议纪要为实验数据进行了相关统计分析，并对比了 Tagxedo文字云生成器，结果表明，从文字云中比较容易获取文本的重要信息如主题模型等，挖掘效果较好。     

融合频繁项集和潜在语义分析的股评论坛主题发现方法

针对股评论坛主题发现,提出基于频繁项集与潜在语义相结合的短文本聚类(STC_FL)框架.在基于知网的知识获取后得到概念向量空间,挖掘并筛选出重要频繁项集,然后采用统计和潜在语义相结合的方法进行重要频繁项集的自适应聚类.最后,提出TSC-SN(text soft classifying based on similarity threshold and non-overlapping)算法,通过参数调优策略选择和控制文本软聚类过程.股吧论坛数据实证分析发现:所提出的STC_FL框架和TSC-SN算法可充分挖掘文本潜在语义信息,并有效降低特征空间维度,最终实现对短文本的深层次信息挖掘和主题归类.     

基于潜在语义分析的藏文Web不良信息检索算法研究

根据不良信息的特点对潜在语义分析(Latent Semantic Analysis LSA)进行了简化,并设计了基于简化的潜在语义分析(Latent Semantic Analysis Of a Simplified LSAS)的藏文Web不良信息检索算法.该检索算法能够对具有关于某个主题的特定倾向的文本进行过滤.该系统充分利用了领域知识,采用了潜在语义模式分析等技术.实验表明该系统具有查全率和查准率高,速度较快的特点.     

融合深度学习和视觉文本的视频描述方法

为解决当前视频描述任务中,生成描述视频的文本整体质量不高的问题,提出一种融合深度网络和视觉文本的视频描述模型.首先在编码阶段,将注意力机制引入3D残差模块,通过一维通道注意力与二维空间注意力增强视频特征映射,降低无关目标与噪声的影响;其次,解码阶段利用双层长短期记忆(long short-term memory,LSTM)深度网络的时序性特征,输出表述视频高层语义的文本描述;最后,为有效利用视觉文本信息丰富视频生成的语义描述,利用基于神经网络的主题模型提取出视频中的主题作为视觉文本融合进模型中.实验结果表明,本文方法在不同性能指标方面具有较好的准确性,能够更加准确地利用自然语言描述视频高层语义信息.     

主述位结构与语境对广告语篇分析的影响

Halliday认为语言有三大纯理功能,即：概念功能（ideational function）人际功能（interpersonal function）和语篇功能（textual function）。文章将从广告口号这个角度,运用三大纯理功能之一的语篇功能中的主—述位结构来分析广告语料中信息的选择和组织,以及三类不同语境在对语篇功能的实现提供背景的情况下,如何有助于广告受众者更好地理解广告语料并达到广告施为者所预期的广告效果。     

英语主位—述位理论与英语交际法教学

通过讨论英语句子结构中主住、述住、已知信息、新信息，分析了语篇中主住推进的现象与信息结构，论述了主住一述位结构理论与英语交际法教学之间的关系。英语交际法教学是一个空泛的概念。主住结构理论连同其它应用语言学理论（如图式理论、顸设理论、礼貌原则等）对英语交际法教学的理论和实践可以起到充实或支撑的作用。     

基于改进的TF-IDF算法的微博话题检测

 中文微博具有更新快、时效性强等特点,产生的热点话题均具有一定的突发性,与此同时文本中有代表性的特征词也会随之激增。利用这一特性,在传统的TF-IDF(term frequency-inverse document frequency)基础上提出一种改进的特征权重算法,称之为TF-IDF-KE(term frequency-inverse document frequency-kinetic energy),用以解决突发性热点话题在聚类时特征不明显的问题。该算法结合物体的动能原理,将特征项的突发值用动能的概念进行描述,加入权值计算,提高突发性特征项的权重,最后使用CURE(clustering using representatives)算法,实现微博的话题检测。该方法描述了文本和特征项所具有的动态属性,实验结果表明,该方法能够有效地提高话题检测的效果。