检索结果-南通市图书馆

检索条件"主题词=全简称匹配"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于多模态特征融合的全简称匹配算法研究

基于多模态特征融合的全简称匹配算法研究

引用

作者：李佳伟江苏科技大学

学位级别：硕士

许多中文全称都有简称,而在大数据具体应用中,由于数据采集规范要求不同,数据来源不一,容易出现同一对象有简称和全称两种不同表述,在清洗数据或集成不同数据源时,计算中文固定名词的“简称”和“全称”字符串的相似度得分,是提高数据... 详细信息

许多中文全称都有简称,而在大数据具体应用中,由于数据采集规范要求不同,数据来源不一,容易出现同一对象有简称和全称两种不同表述,在清洗数据或集成不同数据源时,计算中文固定名词的“简称”和“全称”字符串的相似度得分,是提高数据质量的重要方法。全简称匹配技术存在一些难点,传统的全简称匹配技术往往只考虑缩略词,忽略了近音词和近形词;全简称相似度匹配效率与简称结构具有负相关性,简称结构越复杂,效率越低。然而,中文特有的语法结构使得实体名的简称构成变得更加复杂。因此,在使用实体名简称进行信息检索时,如何快速准确地检索出相应的全称实体,在研究和实践中具有重要的意义和广泛的应用价值。针对全简称匹配算法研究存在输入法错误、语音识别错误等引起的近音型问题,以及手写输入法等引起的近形型问题,本文提出将中文全简称匹配模型与语音模型以及图像模型融合,解决近音型及近形型全简称匹配的问题,设计了三种中文全简称匹配模型:(1)基于Sim Bert和VGG的中文近音型全简称匹配方法研究:结合VGG与CTC的预训练语音识别模型具有的典型强先验语音信息,将这些先验语音信息用于提高基于Simbert的全简称匹配模型,从而将语音知识与神经网络进行融合,实现近音型全简称匹配模型。该方法可以有效将语音信息融入深度神经网络中,提高模型近音型全简称的匹配精度,全简称匹配准确率达75.2%。(2)基于融合多元信息Dense Net的中文近形型全简称匹配方法研究:针对中文全简称匹配中存在的近形型全简称匹配的问题,首先将中文文字拆分成五笔、拆字、字体,然后利用统计特征提取器分别实现五笔、拆字和字体的特征提取,提出了融合字形特征的模型,探索了字形特征和图像特征对模型效果的影响,实现了近形型全简称的匹配方法,提高了模型准确率,全简称匹配准确率达80.9%。(3)基于融合字音和字形信息的全简称匹配方法研究:将近音型和近形型全简称匹配的两种模型模型结合,共同作用于全简称匹配的召回部分,利用专家知识作为特征排序器的组成部分,其中专家知识的权重通过自监督学习得到,用于表达专家知识对实体名全称和简称匹配的重要性,对召回的实体名全称和简称排序,最终相似性分数最高的全称即为简称的最佳全称,全简称匹配准确率达87.5%。

关键词：近音字近形字多模态特征全简称匹配

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

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

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

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

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：