张惠言词学研究述论

张惠言是常州词派的创始宗祖,学界对他的词学研究经历了三个阶段:清中后期至民国,以传统的印象式批评为主,但已基本涉及到了张惠言词学研究的主要方面,为后世研究奠定了基础。建国后至20世纪80年代,研究较为沉寂,多为对张惠言词学的宏观把握,但也为后续研究的繁荣打开了局面。自20世纪90年代后,张惠言词学成为研究热点,囊括了词史地位、词学思想、词作以及《词选》等诸多方面,在研究的广度与深度上皆取得了显著的突破。对张惠言词学的认识存在诸多差异,如何看待他在文学发展中的意义与影响,依然值得继续争鸣。     

基于类别核心词的朴素贝叶斯中文文本分类

摘要及关键词中提取类别核心词,通过加权方式,强化它们在文本分类中的作用. 基于朴素贝叶斯分类方法的实验表明,提出的方法能够有效提高中文文本的分类准确率.     

基于k密集近邻算法的局部Fisher向量编码方法

在基于视觉词包模型的图像分类方法中,Fisher向量编码是常用的图像表示方法之一.该方法利用每一个特征关于所有高斯子模型似然函数的梯度信息来构建图像表达.而在编码过程中,每一个特征都会被投影到所有的高斯子模型上并进行编码,同时子模型之间的内在差异也未被考虑,这些不足削弱了Fisher向量的表达能力.为此,提出一种基于k密集近邻算法的局部Fisher向量编码方法.在编码过程中该方法引入局部性约束原则,并利用图像特征空间中高斯子模型间的拓扑结构差异.在多个数据集上进行测试,结果表明改进方法能够有效提升分类的准确率.     

基于词聚类的依存句法分析

利用语义、语法等语言知识,对中心词驱动的句法分析模型规则进行分解和修改,结合分词、词性标注进行句法分析,提出一种可同时考虑多个语义依存关系的模型.利用互信息给出基于邻接关系、语义依存关系的2种词相似度定义,提出一种自下而上的分层聚类算法,以解决中心词驱动模型数据稀疏问题,用改进的句法分析模型进行句法分析实验.研究结果表明:模型精确率和召回率分别为88.14％和86.93％,综合指标比Collins头驱动句法分析模型的综合指标提高6.09％.     

面向情绪分类的情绪词向量学习

提出了一种面向情绪分类的融合词内部信息和情绪标签的词向量学习方法。在CBOW模型的基础上,引入词内部成分和情绪标签信息,以适应微博情绪表达的不规范,同时丰富词向量的情绪语义。对于输入文本,按照词的TF-IDF权重对词向量进行加权求和,以作为文本向量表示。以上述词向量或文本向量作为情绪分类器的输入,采用机器学习的分类方法(LR、SVM、CNN),验证本文情绪词向量在情绪分类任务上的实验效果。实验表明,情绪词向量与原始CBOW词向量相比,在准确率、召回率、F值等各项指标上都有更好的表现。     

从“实证唯心主义”到“实证科学”——马克思哲学的当代性研究

马克思的哲学变革,聚焦在对"实证唯心主义"的批判与超越,其结果是作为真正的实证科学的确立。这一思想史事件如不能以感性活动为原则把捉,必将使我们对马克思哲学的理解退回到近代哲学的框架。感性活动作为"新哲学"的基本原则,不仅展现了马克思哲学的理论旨趣与内在逻辑,而且揭示了真正的实证科学的内涵。     

基于Morphology处理和主题词抽取的垃圾邮件过滤方法

考虑到垃圾邮件预处理的重要性,提出了利用Morphology对垃圾邮件内容进行还原．为了提高邮件分类的性能,对邮件进行主题词抽取,并且结合邮件其他的属性特征,利用贝叶斯方法对邮件进行分类．实验表明,这种基于Morphology处理和主题词抽取的垃圾邮件过滤方法十分有效．     

英汉空间维度词“深”的认知隐喻对比研究

认知语言学认为隐喻是人类基本的认知活动,而空间隐喻在人类的认知活动中扮演着重要的角色,许多抽象概念都必须通过空间隐喻来构建。结合大量的语料,从认知语言学的角度系统地对比分析了空间维度词＂深＂在英汉两种语言中的隐喻投射。结果发现：英汉两种语言中＂深＂的隐喻投射主要集中在时间域、颜色域、社会地位域和程度域。     

藏文信息处理中自动分词方法的研究

藏文分词是藏文信息处理领域的一项不可缺少的基础性工作,也是智能化藏文信息处理的关键所在。在藏文分词的研究过程中藏文分词的准确性,直接制约着藏文输入法研究、藏文电子词典建设、藏文词频统计、搜索引擎的设计和实现、机器翻译系统的开发、藏文语料库建设以及藏语语义分析研究等高层藏文信息处理技术的进一步发展。本文借鉴汉语的分词理论和方法,提出符合藏文特性的分词方法,以及歧义字段切分和未登录词识别等相关问题,并举例说明。     

基于词向量空间模型的中文文本分类方法

大多文本分类方法是基于向量空间模型的,基于这一模型的文本向量维数较高,导致分类器效率难以提高。针对这一不足,该文提出基于词向量空间模型的文本分类方法。其主要思想是把文本的特征词表示成空间向量,通过训练得到词-类别支持度矩阵,根据待分文本的词和词-类别支持度矩阵计算文本与类别的相似度。实验证明,这一分类方法取得了较高的分类精度和分类效率。