基于特征概念自动提取系统的研究

文本分类与文本信息特征概念的提取是当前智能信息服务研究的重点,为自动获取新的特征概念,提出了一种基于特征概念的自动提取系统,该系统包括分词、综合文本词权处理、类别归属和特征概念提取等部分,能有效地从概念上提取文本类特征,提高文本自动分类的准确性．     

概念属性扩展的短文本聚类算法

为了解决短文本因特征关键词稀疏而导致文本向量概念表达不够准确的问题,本文提出概念属性扩展特征关键词短文本聚类算法——STCBCFE(Short Text Clustering Based on Concept Feature Ex-pansion)。该算法通过HowNet的概念属性扩展特征关键词,以此增加文本语义特征和反映文本主题的特征关键词数量,进而提高短文本相似性;将其应用于短文本聚类,能够提高短文本的聚类效果。实验结果表明,该算法在短文本聚类的查准率和查全率上都得到了较大的提高。     

语篇分析与大学英语写作教学

在大学英语教学中，我们既要培养学生的读、听、说的能力，也要培养学生英语写作的能力。写作知识与技巧与语篇分析有着密切的关系，重视语篇分析就是为提高学生的写作能力打基础。本文从语篇的衔接方式、修辞手段、体裁分析等角度阐述语篇分析对英语写作教学的启发和意义。     

一种潜在语义索引差异模型

通过对全局模型和局部模型的分析,提出一种新的潜在语义索引差异模型,能将类别信息反应在词项中、以医学网页为实验对象,将网页中的文本抽取出来并分别用全局模型和差异模型表示,采用SVD和SLSI降维,利用SVM算法进行分类并计算分类正确率和F1指标．实验发现：采用差异模型表示时,2种降维技术下分类正确率和F1指标较全局模型都有明显提高;同时采用差异模型和SLSI算法并不能对分类结果有更大改善     

文本虚构与历史解构:东方主义系谱学分析——以赛义德的《东方学》为中心

后殖民主义理论是当代西方学术思潮的重要内容。《东方学》为后殖民主义理论的奠基之作,其影响可谓深远。书中赛义德有关"东方主义"学科体系建构的阐述折射出文本虚构与历史知识之间的复杂关联。历史知识的文本化通过对历史本质和历史观等方面的质疑客观上推动了历史学的发展。但是,后殖民主义理论方法的局限性也正是在试图破除现代性困局的历史解构过程中愈加凸显。     

词汇衔接手段的特点及其在篇章中的作用

本文探讨了篇章中词汇衔接手段的特点和功能。指出:词项之间的衔接力是由它们在意义上和篇章中的接近程度决定的;就衔接范围而言,词汇衔接手段比语法衔接手段大;在词汇衔接中,同一词根的派生词衔接作用基本相同。词汇衔接关系是篇章构成的重要一环,它往往反映出篇章语义层上的事件线和参与者线,同时也揭示出篇章的主题。这些结论不仅适用于英语,对其它语言也有一定的普遍意义。     

基于主题突变检测的颠覆性技术识别——以无人机技术领域为例

颠覆性技术对实现中国科技创新跨越式发展具有重要战略意义。以无人机技术领域为例,获取Web of Science论文数据库和德温特(Derwent)专利数据库2005—2019年收录的2812篇论文与专利数据,基于LDA-LSTM文本分类算法得到技术主题,采用CiteSpace构建共现网络,从突变权重排序及突变时间段和突变共词聚类知识图谱2个角度进行主题突变检测,进而识别出无人机交互技术中的脑机接口技术及手势控制技术为该领域内的颠覆性技术,通过2020年无人机技术领域相关论文专利验证了识别框架的有效性。     

一种基于室内PC机传输的智能户外电子图文屏设计

介绍了一种利用PC机和单片机的串行口通信功能实现对LED大屏幕进行控制的系统。     

基于文本分类的农业种植信息集成推荐方法研究

目前网络上存在着海量的农业信息,但是对于广大农民来说信息得不到有效的利用,迫切需要对信息进行集成推荐.针对网络上的农业种植方面的文本信息进行了深入研究,该系统首先利用爬虫技术自动地爬取海量农业种植信息,经清洗整理后构建数据集语料库.其次利用机器学习中KNN方法找到每个样本的k近邻对文章进行聚类,通过TF-IDF方法提取出关键词并构造词频矩阵,然后从文本中构建特征向量,进而对相似文档进行分类,最后将加权值经排序后的结果推荐给用户.该系统实现了对农业文本进行准确的自动分类以及自动提取出文章摘要,并对相似文章进行推荐展示的效果.     

融合多尺度CNN与双向LSTM的唐卡问句分类模型

当前大语言模型的兴起为自然语言处理、搜索引擎、生命科学研究等领域的研究者提供了新思路,但大语言模型存在资源消耗高、推理速度慢,难以在工业场景尤其是垂直领域应用等方面的缺点。针对这一问题,提出了一种多尺度CNN与双向LSTM融合的唐卡问句分类模型,本模型将数据的全局特征与局部特征进行融合实现唐卡问句分类任务,全局特征反映数据的本质特点,局部特征关注数据中易被忽视的部分,将二者以拼接的方式融合以丰富句子的特征表示。通过在Thangka数据集与THUCNews数据集上进行实验,结果表明,本模型相较于Bert模型在精确度上略优,在训练时间上缩短了1/20,运算推理时间缩短了1/3。在公开数据集上的实验表明,本模型在文本分类任务上也表现出了较好的适用性和有效性。