英译汉中的词类转换

英译汉过程中，由于英汉两种语言的句子结构和表达方式不同，不能逐词对译。原文中有些词在译文中需要转换词类，才能使译文通顺自然。     

论导游英语口译的简化

本文指出简明是导游专门用途英语口译的关键,并就段落内部语言结构重新整理组合,句型调整转换和专业词汇的选用等相关问题,逐项举例详细论证.本文提倡在英语导游实践运作中充分运用简化的技巧,使得专业语言的表达更为平易通畅和达意.     

基于本体的教育资源语义检索系统研究

为提高信息检索的准确率和全面性, 在对语义检索技术和领域本体的构建进行充分研究的基础上, 在网络教育资源的检索工作中应用了本体语义的概念, 提出对用户输入的查询条件进行基于本体的查询扩展算法,设计实现了使用Lucene 对扩展后的查询条件进行检索的语义检索模型。实验结果表明, 该检索模型的综合查全率为81郾5%, 综合查准率为83郾1%, 这两项指标均优于传统的关键字检索方法。     

基于深度CRF模型的图像语义分割方法

从图像中提取多种特征向量堆叠为一个高维特征向量用于图像语义分割,会导致部分特征向量的分类能力减弱或丢失。针对此问题,提出了一种结合深度卷积神经网络AlexNet和条件随机场的图像语义分割方法。利用预训练好的AlexNet模型提取图像特征,再通过条件随机场对多特征及上下文信息的有效利用来实现图像的语义分割。与利用传统经典特征的方法进行对比,实验结果表明:在利用AlexNet模型提取特征进行图像语义分割时,Conv5层为最有效的特征提取层,在Stanford background和Weizmann horse数据集下的识别准确率分别为81.0%和91.7%,均高于其他2种对比方法,说明AlexNet可以提取更有效的特征,得到更高的语义分割精度。     

基于Ontology的语义检索研究

针对传统的基于关键字检索系统存在的不足,以本体为依据,提出了一种新的智能检索模型。叙述了本体相关理论,分析了本体在语义检索中的应用,设计出一个基于语义检索的结构框架,指出了该智能检索中存在的问题。     

问答系统中基于语义核函数的问题分类算法

提出一种基于语义核函数的问题分类算法,该算法基于问题的语法结构构建支持向量机(SVM)核函数.首先,将给定的问题解析为语法树结构,用语法树的子树表示该问题;然后,从词法、语法、语义三个层面提取问题的特征,构成更加丰富的特征空间;接着,基于问题的语法树构建核函数;最后,使用潜在语义索引方法并结合问题的词法、语法以及语义特征,通过语义核函数将特征空间映射到更有效的空间中进行问题分类.TREC数据集上的实验结果表明,通过词法、语法以及语义增强的问题特征空间可以提高分类准确率.     

顾及案件多维特征的犯罪热点语义挖掘——以北京市入室盗窃案件为例

为了从语义结构特征的角度对不同犯罪热点进行挖掘分析,设计了一种顾及案件多维特征的犯罪热点语义挖掘方法,通过构建案件多维特征标签体系,实现犯罪热点内案件的标签匹配,并对案件语义特征标签构建共现网络,以获得犯罪热点内案件更为详细的特征。以北京市2018年入室盗窃案件为例,进行了相应的实证分析实验。结果表明,该方法能够对犯罪热点进行更为深入的挖掘,得到更为精细化的热点特征,对警务部门开展针对性的犯罪打击和防控有一定的实用价值。     

基于本体的共享内容对象参考模型语义化

从语义的角度出发探讨如何利用本体实现对共享内容对象参考模型（SCORM）的语义化,使得SCORM标准既能实现资源的标准化又能满足教学的智能化,同时使得SCORM标准可以适应未来语义网络的需求,扩展SCORM标准的应用前景.     

Two Language Models Using Chinese Semantic Parsing

Introduction Although the word trigram dominates the statistical language modeling community, it still has some short- comings. For example, the word trigram cannot make use of the rich linguistic structure of the language, nor can it capture long-distanc…     

一种多层次语义视频对象分割算法

提出一种基于高斯马尔可夫随机场及规则化图划分的多层次语义视频对象分割算法,其主要特点是将视频序列帧中对象的分割看成是“内容树”结构中复合结点的形成过程.首先使用高斯-马尔可夫模型来进行视频帧内的最优标记场标定,然后引入规则化图划分准则进行过分割区域的合并,得到具有语义意义的视频对象.实验表明,本分割算法具有较高的准确性,误差的均值为11.375%,标准方差为0.94%.