采用改进最长公共子序列的人名消歧

将名词、形容词、动名词和命名实体作为文本特征,考虑词序与词频,结合特征项的语义,提出一种基于改进最长公共子序列的文本聚类(LCSC)方法.实验结果表明:相对于传统的余弦值聚类方法,LCSC方法在人名消歧的P-IP指标上,F平均值由74.2%提高到了84.9%;相对于最长公共子序列方法,总体性能也提高了3.7%.     

基于话题分布相似度的无监督评论词消歧方法

基于话题信息、词的位置关系和互信息等特征, 提出一种无监督的跨语言词义消歧算法。该算法仅利用在线词典和web搜索引擎, 通过上下文信息选择评论句中多义评论词的词义。实验结果表明, 所提出的词义消歧算法具有较高准确率, 对于具有较多候选词义的评论词仍能表现出较好的性能。     

干涉式L形阵的二维高精度方向估计

为了提高常规L形阵测角精度,结合干涉测量理论与常规L形阵波达方向估计技术,提出了以干涉式L形阵来实现阵列孔径扩展,提高测角精度的方法。由于干涉阵的基线长度远大于半波长,合成方向图出现栅瓣,导致测角模糊。采用双尺度旋转不变子空间解模糊算法,以短基线得到的粗估计为参考,解长基线得到的精估计的模糊,从而得到高精度无模糊的方向估计。在分析干涉式L形阵的波达方向估计性能时,采用近似法计算方向余弦估计的均方根误差下界,同时分析了干涉阵的基线模糊门限与信噪比门限之间的关系。仿真结果验证了干涉式L形阵的有效性及方向估计的高精度性能。     

机器翻译中词义的常识排歧

提出了一种机器翻译中多义词词义排歧的新方法.首先对翻译过程中多义词的词义选择是否符合常识给出了一条形式化的标准,然后将人们在翻译过程中排歧时所进行的逻辑推理归结为一种机械的集合运算,使之易于机器操作.在此基础上建立了义项多元组的概念,利用此多元组引入词义的语境相关限制信息,以改进现有电子词典,使之更加利于排歧.并从方向上指明了这种词典知识获取的途径.     

利用BP神经网络的中文词义消歧模型

词义消歧在自然语言处理中一直是一个难点问题,同时,也是很多领域都需要解决的一个重要环节．本文介绍了一种基于BP神经网络和统计方法相结合的有导词义消歧模型,详细讲解了BP神经网络原理;对使用这种混合人工智能的消歧模型的可能性和优越性进行了讨论;通过试验发现实际和预测结果的误差并不随着试验迭代次数而递减,而是实际误差随着次数的增加在零的附近呈现波动状态,即使用很少的迭代次数也可以得到比较好的结果．由此得出,BP神经网络预测模型在词义消歧的中具有良好的应用前景．     

基于BP网络的汉语文本词类标注方法

提出了利用BP网络解决汉语本词类标注，这种网络具有充分利用上下词类信息的处理能力。章以人工标注过的问子作训练集和测试集，分别给出了样本为3、5和7个词的测试结果，结果表明：经过训练收敛后的网络对测试集的词类标注正确率大于90％，排歧率大于87％，优于基于统计的词类标注结果。     

基于HNC理论的一种词汇歧义消解规则

同型岐义的消解问题是自然语言处理中必须面对的一个难题，同型岐义的消解策略的研究和水平的提高，将极大地提高中文信息处理的水平。本文介绍了HNC理论的“同行优先规则”，并举例说明了该规则在词汇岐义消解中的应用。     

基于深层特征抽取的日文词义消歧系统

词义消歧的特征来源于上下文.日文兼有中英文的语言特性,特征抽取更为复杂.针对日文特点,在词义消歧逻辑模型基础上,利用最大熵模型优良的信息融合性能,采用深层特征抽取方法,引入语义、句法类特征用于消解歧义.同时,为避免偏斜指派,采用BeamSearch算法进行词义序列标注.实验结果表明,与仅使用表层词法类特征方法相比,本文构造的日文词义消歧系统的消歧精度提高2%～3%,动词消歧精度获得5%的改善.     

基于短语匹配的中文分词消歧方法

在短语结构文法的基础上,提出一种基于局部单一短语匹配和语义规则相结合的消歧方法.通过增加短语间的右嵌套规则和采用有限自动机的实现方式,解决了短语规则中存在冗余项的问题,提高了短语匹配效率和歧义消除类型的针对性.实验结果表明,该消歧方法的平均消歧率约为98%,优于一般未考虑词语间语法和语义消歧模型的处理效果.     

一种基于上下文规则的词义消歧算法

针对一词多义现象, 提出一种基于上下文规则的词义消歧算法(CR-WSD), 该算法以定义消歧规则的方式确定多义词在文本中的具体含义, 利用WordNet中知识结构和上下文关系进行语义选择, 完成词义消歧. 用Senseval 3中的全文作为测试集, 实验结果表明该算法能有效地实现词义消歧.