文学的存在方式现象学

文学的存在方式是指文学赖以存在的整体结构。通过对文学创作活动(事件)、文学接受活动(事件)的现象学描述,建构了文学的存在方式———文学存在的四维整体结构和文学存在之主体间的交流结构,后两者共同组建着文学的存在整体。     

论艺术概括的基本方式和三个层次

艺术概括是塑造优秀文学形象的重要手段 ,它的基本方式是必须融会在个性书写过程中 ,以个性书写为形态。艺术概括包涵三个由浅入深的层次 ,即 ( 1)通过个性概括同类现象的共同特征 ;( 2 )通过个性深入揭示内在本质 ;( 3 )通过个性显示深广的社会意义。达到这三个层次 ,文学形象便可获得深厚的内在意蕴     

系统功能语法与语篇分析

本文首先讨论了系统功能语法语篇分析的基本理论,包括语言的三大纯理功能及其各自实现的子系统、语篇分析的两个层次以及"语境→语篇→评价("联系语境变量)的分析步骤,并用该模式分析了一个完整的语篇。分析表明用系统功能语法框架对语篇进行分析可以揭示语篇深层含义,可以解释语篇的语义和文体特点。     

戏剧史上昭君形象的演变及启示

作为历史人物的王昭君,她的形象不断出现在剧作家笔下,但她的文学形象,在不同作家如古代戏剧家和20世纪的郭沫若、曹禺的笔下,却是不尽相同的,而且还经历了一个明晰的转变过程。这一转变投射着中国现代知识分子在现实社会秩序中的地位和精神构成的变化,透露着创作主体个人及其所代表的群体对现实和未来的诉求与想象。     

决策树在文本分类中的应用

介绍了文本分类的思想,探讨了通过决策树学习来对文本进行有效分类的过程。     

从接受理论看文学翻译标准的多元性

本文以接受理论观照文学翻译过程,发现无论在理解还是转换阶段,译者的主观创造都不可避免,从而指出以原文为依归的单一翻译标准是不现实的,文学翻译标准必然是多元性的.     

歌剧《托斯卡》——普契尼“现实主义”艺术创作的里程碑

本文通过对歌剧《托斯卡》的深入研究，认为普契尼音乐创作的现实主义精神，是他的人文主义精神与民主主义思想在歌剧创作上的具体体现，并成为了普契尼艺术创作道路上的里程碑。     

自主式交通系统功能架构优化密度峰值聚类算法

自主式交通系统(autonomous transportation system, ATS)是为应对主动式智慧交通发展趋势而提出的新一代交通系统。为科学合理地构建ATS功能架构,提出了一种面向多属性文本的优化密度峰值聚类算法(density peaks clustering, DPC)。该算法结合交通系统功能架构的基本特征,通过改进的词频-逆向文档频率算法与文本向量空间模型,将多属性文本转化成空间维度坐标。再利用高斯函数和决策值优化DPC算法进行聚类,并结合轮廓系数对聚类结果进行评价。为了检验算法的合理性,在ATS道路自动驾驶场景下,基于道路载运工具运行服务域、交通基础设施管理服务域和交通安全管理服务域的功能数据集进行了算例分析,依据聚类结果绘制功能架构图。架构图由自主感知-自主学习-自主决策-自主响应4层构成,验证了ATS应用场景中功能架构优化算法的可行性和合理性。算例结果表明：该算法的构建具有鲁棒性,算例轮廓系数整体均值为0.84,与原算法相比解决了聚类过程中聚类中心难以划定的问题;与原智能交通系统中的各架构设计相比,该功能架构更具有层次性和逻辑性。该优化算法能够促进新一代交通系统...     

基于Bert股吧舆情分析的特征融合股价走势预测研究

传统股价预测模型往往只考虑时序性数据且局限于模型自身机制,而忽略舆情对股价的影响,导致预测精度不高,针对该问题,提出基于 Bert 股吧舆情分析的特征融合预测模型对股价收盘价进行涨跌幅预测。 首先,采用Bert 自然语言处理对股吧舆情以及公司公告政策进行情感分类,并转化为虚拟变量,构建金融舆情情感特征库;然后将金融舆情特征库和时序性数据合并构建特征融合矩阵;最后输入长短期记忆网络模型(LSTM)进行股价收盘价预测,并得出股价的涨跌结果。 以华银电力(600744. SH)为例进行实证分析,实验结果表明:引入股票情感特征后的模型,得到的股价走势准确率上升了 8. 63%,预测收盘价的回归指标 FMAPE FRMSE 分别下降了 23. 59%、22. 9%,R2 提高了 8. 11%,证明引入新的舆情情感特征在实际预测中能提高股价预测的准确率,可以作为精准预测股价走势的手段。     

基于词-标签概率的多标签文本分类研究

针对多标签文本分类任务中如何有效地提取文本特征和获取标签之间潜在的相关性问题,提出一种CNN(convolutional neural networks)结合Bi-LSTM (bi-directional long short-term memory)的模型.首先,通过CNN网络和最大池化提取文本的特征;然后,利用训练的Labeled-LDA(labeled latent dirichlet allocation)模型获取所有词与标签之间的词-标签概率信息;接着,使用Bi-LSTM网络和CNN网络提取当前预测文本中每个词的词-标签信息特征;最后,结合提取的文本特征,预测与当前文本相关联的标签集.实验结果表明,使用词-标签概率获取文本中词与标签之间的相关性信息,能够有效提升模型的F1值.