FLASH动画中文本的应用

文本是制作Flash动画时不可缺少的元素,通过文本的添加,可以凸显动画的主题,还可以为文本创建超链接和嵌入文本。本文主要是对传统文本和TLE文本的创建以及各个属性的设置进行详细的介绍。     

功能翻译理论指导下的武术翻译

首先探讨了武术文本的特征,指出武术文本属于莱斯文本类型划分中的信息型文本,然后指出功能翻译理论和目的论可以指导武术文本的翻泽,文末作者强调工具型翻译和文献型翻译属于不同阶段的武术文本翻译策略。     

中文文本的特征抽取和分类算法

文本分类是根据文本内容自动确定文本类型的过程。介绍现有特征抽取和分类算法,提出用模糊聚类算法FCM确定文本类标签,Boosting算法构造分类器的方法,使文本分类具有更好的分类精度和时效性,以及对未知类标签语料库中文本的自适应性。     

浅析审美的后现代主义文本

后现代主义文本开辟了文本理论及文本解读的新阶段,是对近现代科学主义的真理性文本的否定和超越,并具有自己独特的特征。     

浅谈彼得·纽马克的文本范畴理论与翻译方法

纽马克将文本分为表达型文本、信息型文本和呼唤型文本三大范畴。为保证忠实性原则,表达型文本宜采用语义翻译以尽可能保留原作的一切：信息型文本强调真实性第一位,呼唤型文本以读者反应为核心,均宜采用交际翻译,以达到通顺、易懂的目的。     

文本意义的建构模式

文学是主体对生活的的摹仿。后现代主义文学提出的“文本之外,别无它物”和“互文性”等观点挑战了传统的文本观。文学摹仿生活的观点似乎走到了尽头。文章认为后现代主义文学也是对生活的摹仿。只不过,后现代主义的生活具有“能指即所指,文本即生活”的特征。根据文学语言的主体间性就是文学的主体性以及二十世纪的批评理论提出“阅读主体和阐释主体通过文本进行历史性对话”和“文本的历史性意义是文本系统和阅读主体的历史性阅读的产物”,试图重建文本意义。     

中文文本的可视化表示

由于辅助阅读的需求,给出了中文文本的可视化表示,以直观的方式逐级显示文本内容·其基本思想是:利用潜在语义索引的方法,改进文本分类的效果·利用文本层次分析方法,进行文本结构分解,给出了文本结构中各单元的标记信息,由此形成了文本的可视化表示·利用文本类别、文本主题、层次、段落的超文本连接和特征项的导航功能,帮助用户有目的、有选择地浏览文本,有助于信息处理的个性化     

隐喻的认知与理解——论英语文本的识解

隐喻既是一种认知机制,也是一种识解文本的手段。本文以英语文本为素材,探讨如何识别和理解英语文本中的隐喻,挖掘隐喻蕴涵有助于提高阅读英语文本的能力。     

基于文本句法的文本生成模型

本文引用语言学及符号学理论，综合自然语言文本生成所涉及的知识，构造了计算机文本生成的理论模型；探讨文本句法中的微观整合性和宏观整合性以及它们对文本生成的作用。这个以文本结构模型和文本意义模型为主体的文本生成理论框架，为进一步的计算机语言生成研究提供了方法依据。     

基于平行文本比较模式的企业简介文本英译

本文引入平行文本比较模式,通过对中文企业简介和其英语平行文本的对比分析,总结二者在文本特点、文本内容、文本结构、文化心理等方面所呈现出的异同,籍此探讨英译企业简介文本从中所获得的若干启示,并为我国企业外宣英译提供有益的借鉴。     

基于LDA模型和语义网络的线上文本挖掘方法

传统线上文本挖掘方法在克服相似性干扰时,需要加入大量约束条件,降低了挖掘准确率。为此,本文提出基于LDA模型和语义网络的线上文本挖掘方法。采用滤波处理法对线上文本信息进行滤波处理,获得线上文本的抗干扰向量,提取线上文本信息的频谱特征。利用语义网络构建线上文本的语义网络挖掘模型,计算线上文本挖掘信息的相似度。基于LDA模型对获取的线上文本阈值进行分类,得到线上文本挖掘权值,将挖掘到的关系词带入到概念属性内,实现线上文本的挖掘。实验结果表明,基于LDA模型和语义网络的线上文本挖掘方法不仅可以提高挖掘精度,还具有更强的收敛性。     

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。     

网页的机器翻译

本文,作者首先简单介绍了网页机器翻译的现状及网页的构成,然后作者提出了一个网页机器翻译的模型,整个模型分成两个部分：有标记文本的翻译和纯文本的翻译。至于有标记文本,作者提出了一个4步法来恰当处理标记,而纯文本的翻译就相对简单。为了提高翻译质量,本文还首先确定了文本的语域,然后使用了EMBT来翻译文本。     

文本数据挖掘的基本技术及发展趋势

文章总结了数据挖掘的基本方法、文本数据挖掘的关键技术,讨论了文本挖掘的定义和文本分类的一些形式,并对文本数据的数据挖掘算法以及发展趋势进行了研究。     

基于SVM的分类方法综述

本文介绍了文本分类的起源,常用的几类文本分类方法及基于SVM(Support Vector Machines)文本分类的基本原理和方法。并在分析文本分类的特点的基础上比较了在文本分类中应用SVM的优势及存在的问题。最后总结出了SVM在文本分类中应用的两个主要研究方向。     

基于遗传算法的文本特征选择

文本特征选择是自然语言处理中的关键问题。针对文本特征的高维性和稀疏性问题,在过滤式特征选择算法文档-逆文档评率(term frequency-inverse document frequency, TF-IDF)的基础上,提出了用遗传算法对文本特征进行优化选择,使其最大程度地贴合后续的文本分类算法,在保证文本分类精确度的同时,降低特征维度以缩减预测时间。实验显示,该算法与单一的过滤式文本特征选择算法相比,能够有效减少所选文本特征数量(即降低特征维度),能有效提高文本的分类能力。     

基于TF-IDF和多头注意力Transformer模型的文本情感分析

文本情感分析旨在对带有情感色彩的主观性文本进行分析、处理、归纳和推理,是自然语言处理中一项重要任务。针对现有的计算方法不能充分处理复杂度和混淆度较高的文本数据集的问题,提出了一种基于TF-IDF(Term Frequency-Inverse Document Frequency)和多头注意力Transformer模型的文本情感分析模型。在文本预处理阶段,利用TF-IDF算法对影响文本情感倾向较大的词语进行初步筛选,舍去常见的停用词及其他文本所属邻域对文本情感倾向影响较小的专有名词。然后,利用多头注意力Transformer模型编码器进行特征提取,抓取文本内部重要的语义信息,提高模型对语义的分析和泛化能力。该模型在多领域、多类型评论语料库数据集上取得了98.17%的准确率。     

文本读解观的哲学反思

从哲学的视角反思了作者、读者、文本三者之间的关系因作者的不在场和文本的中介性所产生的滑动,并探讨了文本的意义所在。认为读解的任务不是解决文本究竟有没有终极意义,其任务是作为语言客体的文本与人与现实世界如何联系起来,以辩证的态度去对待文本,在开放的文本体系中,使读者在读解的实践中获得体验。     

基于CCIPCA-LSSVM的文本自动分类算法

特征具有高维、稀疏性。为提高了文本自动分类准确率,针对PCA提取特征需要对大规模文本进行批处理,影响文本的准确率等,提出一种基于增量主元分析方法(CCIPCA)和最二小乘向量机(LSSVM)相结合的文本自动分类算法(CCIPCA-LSSVM)。首先通过互信法选择文本特征,然后采用CCIPCA高维文本特征进行提取,降低特征维数,消除冗余特征,最后采用LSSVM对提取特征进行学习,并通过粒子群算法对分类器优化,建立最优文本自动分类模型。仿真结果表明,相对于其它文本分类算法,CCIPCA-LSSVM提高了文本分类准确率和召回率,解决了文本特征提取过程存在的难题。     

试论网络新闻的可写文本化

后现代文本理论强调文本的互文性存在和读者的自主参与。罗兰·巴特在此基础上提出了可读文本和可写文本的概念。可读文本被作者牢牢控制,意义固定,读者只能被动接受。而可写文本是动态开放的网络,读者获得了作者的地位,文本的意义无限多元。网络可视为一巨大的可写文本,网络新闻正逐渐可写文本化。主要体现在三个方面:网络新闻动态生成性与碎片化;开放性与互文性;受众参与文本生产过程带来意义的多元不确定。这是受众权力的回归,它向新闻把关人的意识形态控制发出了挑战。