检索结果-南通市图书馆

作者：郑浩华中师范大学

学位级别：硕士

复句的关系识别是为了区分句子语义关系的类别,是自然语言处理(NLP)中必不可少的基础研究任务。对于复句的语义关系识别可以为机器翻译、文本分类、自动摘要等领域的研究提供基础,提升其性能。根据复句中有无显式连接词汉语复句可以分... 详细信息

复句的关系识别是为了区分句子语义关系的类别,是自然语言处理(NLP)中必不可少的基础研究任务。对于复句的语义关系识别可以为机器翻译、文本分类、自动摘要等领域的研究提供基础,提升其性能。根据复句中有无显式连接词汉语复句可以分为有标复句与无标复句。而复句的关系分类研究,是从复句的词语交互信息,语义关系信息,语义角色结构信息等方面,基于语言学规则的方法或统计学方法研究复句的关系类型,前者是根据语言学家从大量复句语料中提取出的规则,建立相应的规则库对复句进行关系分类,后者则是在大规模的语料库中提取复句中词语的特征,利用特征分析构建方法。以上两类方法对复句的复杂结构适应性较差,识别正确率不高,同时需要大量的人工和耗费大量的时间。当前将深度学习的方法引入自然语言处理正呈方兴未艾之势,具体到汉语复句应用领域,在语义关系识别任务中,利用词嵌入模型对复句的单词进行建模,从而深度学习并挖掘复句的特征与语义信息;本文在此研究方法基础上,利用当前最新的深度学习模型对复句进行建模,将前沿技术应用到复句的关系识别模型中以提高关系识别的准确度。本文所做的工作有:首先,本文从《长江日报》、《人民日报》、网络新闻等材料中挑选复句构建语料库,其中包含有标复句与无标复句。其次,针对隐式汉语复句中不同词语权重不一,如何根据交互信息重要程度捕获交互信息的问题,本文提出一种结合注意力机制与图卷积网络(GCN)的模型(Att-SGCN),该模型通过BERT预训练模型获取单句词向量,输入到BiLSTM获取句子位置表示,经注意力机制得到各位置间权重构建图网络以捕获句子间的语义信息,通过图卷积抽取深层的关联信息,通过特征信息表示对复句进行关系分类。然后,针对隐式汉语复句中如何将重要的语义角色作为重点关注对象的问题,本文提出一种结合语义角色结构与图卷积网络的模型(SRL-SGCN),该模型利用语义角色标注模型获取复句中的重要语义角色结构并构建语义角色权重矩阵,通过Ro BERTa预训练模型获取复句的词向量,输入到Bi-LSTM中获取词语位置表示,构建复句的向量矩阵,通过与语义角色权重矩阵相加作为图卷积网络的权重矩阵,利用图卷积网络抽取复句的深层交互信息,利用特征信息对复句进行关系分类。最后,本文所提出的两种深度学习模型方法在包含有标与无标的复句数据集上进行验证。实验结果表明,基于注意力机制与图卷积网络的模型和基于语义角色结构与图卷积网络的模型,他们的性能优于均基于语言学规则和统计的两种方法,同时具有扩展性。同时与当前主流的深度学习模型相比,他们性能也具有提升,实验结果表明了该方法的有效性。

关键词：复句关系识别深度学习图卷积网络注意力机制

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

基于深度学习的二句式非充盈态汉语复句的关系识别

基于深度学习的二句式非充盈态汉语复句的关系识别

引用

作者：孙凯丽华中师范大学

学位级别：硕士

汉语复句的关系识别是对分句间语义关系的甄别,是复句语义分析的关键,旨在从文本中识别句间的关系类型。对于复句关系类型识别的研究有助于推动机器翻译、智能问答、自动生成文摘等领域的发展,进而提高其整体性能。由于汉语复句中非充... 详细信息

汉语复句的关系识别是对分句间语义关系的甄别,是复句语义分析的关键,旨在从文本中识别句间的关系类型。对于复句关系类型识别的研究有助于推动机器翻译、智能问答、自动生成文摘等领域的发展,进而提高其整体性能。由于汉语复句中非充盈态有标复句的关系标记不能够显性的表明复句所含的关系类型,所以,给此类复句的语义关系识别任务造成了困难。而本文将展开对非充盈态复句关系类别识别的研究。现有的较为主流的复句关系识别方法主要有两种,一种是基于语言学规则的,该方法主要是由语言学家针对大量的语料文本归纳总结的约束条件,并且建立的相应规则库。而另一种则是利用统计学方法,在大规模语料库中提取出复句的词面、字面上的特征,从而构建基于语料文本的特征工程。然而,这些方法所得到的特征集泛化性能较差,以至于识别的正确率不高。另外,特征的工程量较大,需耗费大量的人工和时间。为了能够深度地挖掘复句的特征集和复句蕴含的语义信息特征以及捕获到复句内分句间相互作用的语义关联信息,本文首次将深度学习方法应用到汉语复句语义关系处理中,并引入词嵌入模型对复句进行单词建模。本文所做的工作有:首先,本文采用从《长江日报》和《人民日报》以及部分当代小说中提取的文本语料构成复句语料库,统计并总结了复句的关系类别与所对应的关系标记。在上述基础上,本文还构建了二句式非充盈态复句语料库,并将该语料库作为本文课题研究的主要数据集。其次,本文提出了一种基于词聚类的CNN与Bi-LSTM相结合的网络模型。该模型先使用词聚类算法对单词向量进行建模,为了提取到单词间的语义相似特征,然后用CNN对复句深度建模以获得到复句的局部特征。另外,该模型对CNN进行了部分改进,从而自动识别复句的关系类别。然后,还提出了基于句内注意力机制的多路卷积神经网络模型方法。其中句内注意力机制模型同样是基于Bi-LSTM的。同时,为了充分利用文本特征,联合使用卷积神经网络(CNN)对复句表示再次建模获得句子局部特征。以此获得了更加充分且显著的特征表示,进而对复句的关系类别进行更好的预测。最后,本文所提出的基于深度学习的方法在二句式非充盈态复句的数据集上进行了验证。实验结果表明,基于词聚类的CNN与Bi-LSTM相结合的网络模型和基于句内注意力机制的多路卷积神经网络模型,它们的性能优于基于语言学规则和统计的学习方法,与此同时保证了模型的可拓展性。另外,由于基于句内注意力机制的多路卷积神经网络模型引入了分句间的语义信息关联特征的提取阶段,并利用注意力机制聚焦到句子内部更加重要的语义信息,因此对模型训练阶段语义特征的学习起到了很好的提示作用,增强了模型的学习能力,故后者模型效果更优于前者。

关键词：复句关系识别非充盈态汉语复句深度学习关系标记语义表示

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

基于词聚类CNN和Bi-LSTM的汉语复句关系识别方法

引用

计算机与数字工程 2021年第8期49卷 1588-1593页

作者：孙凯丽李源邓沌华李妙李洋华中师范大学计算机学院武汉430079 华中师范大学语言与语言教育研究中心武汉430079

复句关系识别是对分句间语义关系的甄别,是复句语义分析的关键。由于非充盈态汉语复句存在隐式关系的特点,给语义关系识别造成了困难。因此,为了深度挖掘复句中隐含的语义信息实现正确的关系分类,该文提出了一种基于词聚类的CNN与Bi-LST... 详细信息

复句关系识别是对分句间语义关系的甄别,是复句语义分析的关键。由于非充盈态汉语复句存在隐式关系的特点,给语义关系识别造成了困难。因此,为了深度挖掘复句中隐含的语义信息实现正确的关系分类,该文提出了一种基于词聚类的CNN与Bi-LSTM相结合的网络结构BCCNN。其中,通过使用词聚类算法对单词向量建模提取单词间的语义相似特征,并在此基础上使用CNN对复句进行深度建模以获得复句的局部特征。另外,该文将CNN中的池化层替换为Bi-LSTM网络层,在减少池化操作所带来语义信息丢失的同时又得到了全局的长距离语义依赖特征。与其他基于汉语复句语料库(CCCS)和清华汉语树库(TCT)的实验结果对比,论文的方法达到了较好的识别效果,其准确率分别达到了92.4%和90.7%。

关键词：复句关系识别非充盈态复句词聚类算法卷积神经网络(CNN) 双向长短时记忆网络(Bi-LSTM)

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

基于神经网络的复句判定及其关系识别研究

引用

计算机工程 2021年第11期47卷 54-61页

作者：贾旭楠魏庭新曲维光顾彦慧周俊生南京师范大学计算机科学与技术学院南京210023 南京师范大学国际文化教育学院南京210097 南京师范大学文学院南京210097

复句是自然语言的基本单位之一,复句的判定及其语义关系的识别,对于句法解析、篇章理解等都有着非常重要的作用。基于神经网络模型识别自然语料中的复句,判断其复句关系,构造复句判定和复句关系识别联合模型,以最大程度地减少误差传递... 详细信息

复句是自然语言的基本单位之一,复句的判定及其语义关系的识别,对于句法解析、篇章理解等都有着非常重要的作用。基于神经网络模型识别自然语料中的复句,判断其复句关系,构造复句判定和复句关系识别联合模型,以最大程度地减少误差传递。在复句判定任务中通过Bi-LSTM获得上下文语义信息,采用注意力机制捕获句内跨距离搭配信息,利用CNN捕获句子局部信息。在复句关系识别任务中,使用Bert增强句子的语义表示,运用Tree-LSTM对句法结构和成分标记进行建模。在CAMR中文语料上的实验结果表明,基于注意力机制的复句判定模型F1值达到91.7%,基于Tree-LSTM的复句关系识别模型F1值达到69.15%。在联合模型中,2项任务的F1值分别达到92.15%和66.25%,说明联合学习能够使不同任务获得更多特征,从而提高模型性能。

关键词：复句判定神经网络复句关系识别联合模型语义建模

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BERT-FHAN模型融合语句特征的汉语复句关系自动识别

引用

计算机系统应用 2022年第9期31卷 233-240页

作者：杨进才曹煜欣胡泉蔡旭勋华中师范大学计算机学院武汉430079 华中师范大学人工智能教育学部武汉430079

复句关系是指复句分句之间的逻辑语义关系,复句关系识别是对分句间语义关系的甄别,是自然语言处理中的难点问题.本文以有标复句为研究对象,提出了一种BERT-FHAN模型,该模型利用BERT模型获取词向量,在HAN模型中融入关系词本体知识以及词... 详细信息

复句关系是指复句分句之间的逻辑语义关系,复句关系识别是对分句间语义关系的甄别,是自然语言处理中的难点问题.本文以有标复句为研究对象,提出了一种BERT-FHAN模型,该模型利用BERT模型获取词向量,在HAN模型中融入关系词本体知识以及词性、句法依存关系、语义依存关系特征.通过实验对提出的模型进行验证, BERT-FHAN模型取得的最高宏平均F1值和准确率分别为95.47%与96.97%,表明了本文方法的有效性.

关键词：复句关系识别词性句法依存语义依存 BERT模型 HAN模型

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DPCNN模型融合语句特征的因果类复句关系自动识别

基于DPCNN模型融合语句特征的因果类复句关系自动识别

引用

作者：曹元华中师范大学

学位级别：硕士

因果复句是汉语中应用最广泛,使用最频繁的复句,是汉语复句研究中不可缺少的一个重要部分。复句的研究首先是要理解复句的语义,这就需要对复句的关系进行识别。对有标复句来说,可以根据关系词来识别复句的关系,但关系词识别也是一个难题... 详细信息

因果复句是汉语中应用最广泛,使用最频繁的复句,是汉语复句研究中不可缺少的一个重要部分。复句的研究首先是要理解复句的语义,这就需要对复句的关系进行识别。对有标复句来说,可以根据关系词来识别复句的关系,但关系词识别也是一个难题,有时一个关系词可以对应多种类别,这更为复句的关系识别增加了困难。目前,对于复句关系识别有多种方法,基于规则和基于机器学习的方法都太过依赖人工选择的特征,会存在人工构建特征稀疏、语义不完备的情况。而基于深度学习的方法不需要人工提取特征,它可以自动挖掘复句的隐含特征,从而实现复句的关系识别。针对复句关系识别太过于依赖人工特征问题,本文提出了基于DPCNN模型与语句特征融合的方法进行复句关系识别,虽然深度学习模型可以自动挖掘句子隐含的语义信息,但添加人工选择的特征可以使深度学习模型能充分利用语言学研究的知识与成果,使模型效率更高,达到更好的识别效果。本文的研究对象是二句式有标因果类复句,数据来自于华中师范大学标注CCCS语料库和清华新闻分类语料库THUCNews。主要任务是使用深度学习模型与人工选择的特征相融合的方法对复句关系进行识别,比较不同特征与模型融合效果,选择出表现最好的模型。本文主要选择了关系词、词性、依存句法等三种人工选择的特征,并将这些特征建立索引,用一维向量表示。首先是使用pyltp对语料库中的复句进行词性标注和依存句法分析得到每个词的词性和依存关系,然后使用gensim库将复句训练成预训练的Word2vec词向量表示,将词向量与关系词、词性、依存关系等特征向量拼接作为新的向量输入到DPCNN模型中。实验将关系词特征、词性特征、依存句法特征分别与词向量拼接,同时也将不同特征组合与词向量拼接,获得了效果最好的组合方式,实验的F1值优于现有的方法。添加特征的模型比不添加特征模型的F1值也均有所增加,实验结果表明,在深度学习模型中融合人工选择的特征使模型表现更好。

关键词：因果类复句语句特征融合复句关系识别词向量 DPCNN

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

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

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：