检索结果-南通市图书馆

作者：陶广奉昆明理工大学

学位级别：硕士

随着计算机科学和人工智能的发展,作为人工智能分支的自然语言处理对各国的政治、经济和文化发展起到很大的促进作用,因此自然语言处理研究工作显得尤为重要。句法分析是自然语言处理的重要研究内容,是机器翻译、信息检索和文本分析等... 详细信息

随着计算机科学和人工智能的发展,作为人工智能分支的自然语言处理对各国的政治、经济和文化发展起到很大的促进作用,因此自然语言处理研究工作显得尤为重要。句法分析是自然语言处理的重要研究内容,是机器翻译、信息检索和文本分析等领域研究的基础。目前,汉语、英语等语言采用基于传统的依存句法分析的方法研究句法解析相对成熟,但是传统的句法分析方法依赖于大规模标注的语料库和制定复杂的特征模板,人工标注语料库和制定特征模板费时费力,使得传统的依存句法分析方法对缺乏语料资源的语言的研究很难正常开展。基于此,本文提出基于跨语言迁移学习的方法研究缺乏语料资源的依存句法解析,泰语句法研究十分缺乏语料资源,因此针对泰语依存句法分析完成了如下工作:(1)基于汉泰平行句对语料的神经网络双语词分布表示方法。泰语的研究工作相对较少,没有较大规模的语料库,无形中增加了泰语自然语言处理研究的难度。但是汉语和泰语同属汉藏语系,两种语言在句法上有很大的相似性,相对于语料丰富的汉语自然语言处理,泰语可以借鉴汉语的研究。双语词分布表示可以构建两种语言之间的联系,因此本文提出基于汉泰平行句对语料的双语词分布表示模型,实验结果表明词分布表示的准确率达到82.60%。(2)基于迁移学习的泰语依存句法解析方法。汉语在依存句法解析方法上的研究较为成熟,因此,本文在双语词分布表示方法的基础上,运用40000句汉泰平行句对语料,通过从汉语中迁移特征的方法对泰语依存句法分析进行研究。本文所提出的神经网络泰语依存句法解析模型,在依存弧准确率、标识准确率和句子根节点的准确率分别达到79.28%、75.01%和91.25%。(3)泰语依存句法分析系统的可视化。采用Java语言进行开发,输出CoNLL格式的依存语句,同时借助DependencyViewer工具进行界面化显示,可以方便的观察整个句子的水平依存视图和树状视图。通过以上分析,跨语言迁移学习的思想在—定程度上解决了语料稀缺的问题,但是本文同时也考虑了泰语的语言特征进行迁移学习泰语依存句法解析,其中双语词分布表示为迁移学习句法解析做准备,迁移学习句法解析是双语词分布表示的具体应用,并取得较好的效果。

关键词：泰语句法解析依存句法解析迁移学习神经网络双语词分布表示

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的文本自动纠错研究

基于深度学习的文本自动纠错研究

引用

作者：林浩文中国科学技术大学

学位级别：硕士

近几年来,自动文本纠错已经逐渐成为自然语言处理领域中的一个重要研究方向。自动文本纠错旨在通过计算机将一个带有语法错误的句子纠正成对应的正确句子。自动文本纠错技术在文书纠错,教育,数据预处理,语音识别后处理等领域具有广泛的... 详细信息

近几年来,自动文本纠错已经逐渐成为自然语言处理领域中的一个重要研究方向。自动文本纠错旨在通过计算机将一个带有语法错误的句子纠正成对应的正确句子。自动文本纠错技术在文书纠错,教育,数据预处理,语音识别后处理等领域具有广泛的应用。随着算力的大幅提升,深度学习的方法在文本纠错任务中占据了主要地位。在深度学习的帮助下,文本纠错的精度得到了大幅提升。目前主流的深度文本纠错方案分为两种:一种是基于序列到序列架构的文本纠错模型;另一种是基于序列标注的文本纠错模型。尽管主流纠错方案依靠数据驱动的方式已经能达到不错的纠错精度,但它们仍存在一些问题,例如主流序列到序列纠错模型没有加入句法结构信息,传统的模型集成策略和解码策略效果提升有限等。针对这些问题,文本进行如下研究:(1)我们提出了基于依存自注意力机制的序列到序列文本纠错模型:目前文本纠错任务中主流序列到序列纠错模型Transformer仅额外编码了句子中每个词的位置信息,但没有额外编码句法信息。这些信息需要Transformer在训练数据中学习。在机器翻译任务中,许多研究已表明将句法信息加入Transformer中能提升模型的翻译精度。作为句法结构高度相关的文本纠错任务,加入语法信息提升文本纠错能力是一个值得尝试的方法。不同于机器翻译任务,文本纠错任务中输入句子是语法错误的,直接对其进行句法解析会得到错误的句法信息。因此,文本提出了针对错误句子的依存解析器来提取错误句子中有效的依存信息。并通过提出的依存自注意力机制将依存信息结合到纠错模型中。本文在BEA-2019,CoNLL-2014和JFLEG测试集上进行实验,实验结果验证了该方法的有效性。(2)我们提出了基于序列标注和序列到序列的集成纠错模型:本文使用基于错误类型的编辑结合方案将序列标注纠错模型和序列到序列纠错模型进行模型集成,以充分结合两种不同纠错模型在不同错误类型上的纠错优势。文本使用验证集获得子模型在不同错误类型上的表现差异。在纠正时,让子模型仅对自己擅长的错误进行纠正,提升总体纠错精度。在集成模型的解码过程中,本文使用迭代纠错对句子进行多轮纠正,并且使用R2L重排考虑输出句子的双向流畅性。本文在BEA-2019和CoNLL-2014测试集上进行实验,实验验证了集成模型各个模块的有效性。最终的集成模型在BEA-2019测试集上获取了 76.8%的F0.5分值。

关键词：自动文本纠错自然语言处理深度神经网络依存句法解析模型集成

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于依存句法关系的文本情感分类研究

引用

计算机工程与应用 2015年第22期51卷 28-32页

作者：张庆庆刘西林西北工业大学管理学院管理科学与工程系西安710129

为增加向量空间模型的文本语义信息,提出三元组依存关系特征构建方法,将此方法用于文本情感分类任务中。三元组依存关系特征构建方法在得到完整依存解析树的基础上,先依据中文语法特点,制定相应规则对原有完整树进行冗余结点的合并和删... 详细信息

为增加向量空间模型的文本语义信息,提出三元组依存关系特征构建方法,将此方法用于文本情感分类任务中。三元组依存关系特征构建方法在得到完整依存解析树的基础上,先依据中文语法特点,制定相应规则对原有完整树进行冗余结点的合并和删除;再将保留的依存树转化为三元组关系并一般化后作为向量空间模型特征项。为了验证此种特征表示方法的有效性,构造出在一元词基础上添加句法特征、简单依存关系特征和词典得分不同组合下的特征向量空间。将三元组依存关系特征向量与构造出的不同组合特征向量分别用于支持向量机和深度信念网络中。结果表明,三元组依存关系文本表示方法在分类精度上均高于其他特征组合表示方法,进一步说明三元组依存关系特征能更充分表达文本语义信息。

关键词：依存句法解析文本情感分类向量空间模型深度信念网络

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的故事结局生成技术研究

基于深度学习的故事结局生成技术研究

引用

作者：刘庆广广西大学

学位级别：硕士

随着深度学习技术的快速发展,基于深度学习的文本生成的研究也越来越深入,其中故事结局生成任务是近三年来一个热门的纯文本生成任务,它需要充分地理解上下文情节信息,然后根据所理解的信息生成与之相一致的故事结局序列。现有故事结局... 详细信息

随着深度学习技术的快速发展,基于深度学习的文本生成的研究也越来越深入,其中故事结局生成任务是近三年来一个热门的纯文本生成任务,它需要充分地理解上下文情节信息,然后根据所理解的信息生成与之相一致的故事结局序列。现有故事结局生成任务的模型主要存在以下几个不足:1)简单地将上下文信息拼接成一段长序列作为模型的输入,这易丢失某些重要信息,导致不能够充分地编码上下文信息;2)虽然有些模型对相邻句子间的信息进行了建模,但是对于跨句子的关系并没有充分构建,这在编码上下文信息时会极大地影响整体信息的完整度;3)句子内部信息没有被充分挖掘。为了解决故事结局任务存在的不足,本文设计了基于图卷积和依存句法解析的故事结局生成模型:首先通过构建每个情节句的图卷积网络捕获跨句子的上下文信息,然后通过依存句法解析捕获句子内部的信息,并且将解析出的关系作为图卷积的边,以此关联图卷积与解析得到的关系。在公开的ROCStories数据集上,实验结果表明本文提出的基于图卷积与依存句法解析的模型在现有的模型中取得了更佳的效果,这也表明该模型能够有效地改善目前该任务存在的缺陷。本文对深度学习技术在故事结局生成任务进行了深入研究,包括基于Seq2Seq注意力模型、基于Transformer框架模型、基于改进的分层式Transformer模型、基于图卷积模型和基于图卷积和依存句法解析模型,其中重点阐述了基于图卷积与依存句法解析模型。

关键词：故事结局生成图卷积依存句法解析 Seq2Seq Transformer

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：