File size: 218,828 Bytes
1ee522c |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 |
doc unit1_toks unit2_toks unit1_txt unit2_txt s1_toks s2_toks unit1_sent unit2_sent dir orig_label label
nlpabs19_Chi 1-19 20-33 该文 研究 中 文 新闻 标题 的 领域 分类 方法 ( domain- oriented headline classification , DHC ) 。 现 有 研究 将 DHC 限定 为 一 种 短文 本 分类 问题 , 1-19 20-55 该文 研究 中 文 新闻 标题 的 领域 分类 方法 ( domain- oriented headline classification , DHC ) 。 现 有 研究 将 DHC 限定 为 一 种 短文 本 分类 问题 , 并 将 传统 分类 模型 和 基 于 卷积 神经 网络 的 分类 模型 应用 于 这 一 问题 的 求解 。 1<2 bg-general bg-general
nlpabs19_Chi 20-33 34-55 现 有 研究 将 DHC 限定 为 一 种 短文 本 分类 问题 , 并 将 传统 分类 模型 和 基 于 卷积 神经 网络 的 分类 模型 应用 于 这 一 问题 的 求解 。 20-55 20-55 现 有 研究 将 DHC 限定 为 一 种 短文 本 分类 问题 , 并 将 传统 分类 模型 和 基 于 卷积 神经 网络 的 分类 模型 应用 于 这 一 问题 的 求解 。 现 有 研究 将 DHC 限定 为 一 种 短文 本 分类 问题 , 并 将 传统 分类 模型 和 基 于 卷积 神经 网络 的 分类 模型 应用 于 这 一 问题 的 求解 。 1<2 elab-addition elab-addition
nlpabs19_Chi 20-33 56-68 现 有 研究 将 DHC 限定 为 一 种 短文 本 分类 问题 , 然而 , 这 类 方法 忽视 了 新闻 标题 的 内在 特点 , 20-55 56-93 现 有 研究 将 DHC 限定 为 一 种 短文 本 分类 问题 , 并 将 传统 分类 模型 和 基 于 卷积 神经 网络 的 分类 模型 应用 于 这 一 问题 的 求解 。 然而 , 这 类 方法 忽视 了 新闻 标题 的 内在 特点 , 即 为 “ 标题 是 建立 在 凝练 全文 且 弱 相关 的 词语 之上 的 一 种 强迫 性 的 语义 表述 ” 。 1<2 elab-addition elab-addition
nlpabs19_Chi 56-68 69-93 然而 , 这 类 方法 忽视 了 新闻 标题 的 内在 特点 , 即 为 “ 标题 是 建立 在 凝练 全文 且 弱 相关 的 词语 之上 的 一 种 强迫 性 的 语义 表述 ” 。 56-93 56-93 然而 , 这 类 方法 忽视 了 新闻 标题 的 内在 特点 , 即 为 “ 标题 是 建立 在 凝练 全文 且 弱 相关 的 词语 之上 的 一 种 强迫 性 的 语义 表述 ” 。 然而 , 这 类 方法 忽视 了 新闻 标题 的 内在 特点 , 即 为 “ 标题 是 建立 在 凝练 全文 且 弱 相关 的 词语 之上 的 一 种 强迫 性 的 语义 表述 ” 。 1<2 elab-addition elab-addition
nlpabs19_Chi 94-113 119-159 目前 , 融合 了 序列 化 记忆 的 循环 神经 网络 在 语义 理解 方面 取得 了 重要 成果 。 该文 将 长短 时 记忆 网络 模型 ( long-short term memory , LSTM ) 及 其 变型 —— 门 控循 环 单元 ( gated recurrent unit , GRU ) 也 应 用 于 标题 的 语义 理解 与 领域 分类 , 94-113 114-171 目前 , 融合 了 序列 化 记忆 的 循环 神经 网络 在 语义 理解 方面 取得 了 重要 成果 。 借助 这 一 特点 , 该文 将 长短 时 记忆 网络 模型 ( long-short term memory , LSTM ) 及 其 变型 —— 门 控循 环 单元 ( gated recurrent unit , GRU ) 也 应 用 于 标题 的 语义 理解 与 领域 分类 , 实 验 验证 其 性能 可 达 81% 的 F1 值 。 1>2 bg-general bg-general
nlpabs19_Chi 114-118 119-159 借助 这 一 特点 , 该文 将 长短 时 记忆 网络 模型 ( long-short term memory , LSTM ) 及 其 变型 —— 门 控循 环 单元 ( gated recurrent unit , GRU ) 也 应 用 于 标题 的 语义 理解 与 领域 分类 , 114-171 114-171 借助 这 一 特点 , 该文 将 长短 时 记忆 网络 模型 ( long-short term memory , LSTM ) 及 其 变型 —— 门 控循 环 单元 ( gated recurrent unit , GRU ) 也 应 用 于 标题 的 语义 理解 与 领域 分类 , 实 验 验证 其 性能 可 达 81% 的 F1 值 。 借助 这 一 特点 , 该文 将 长短 时 记忆 网络 模型 ( long-short term memory , LSTM ) 及 其 变型 —— 门 控循 环 单元 ( gated recurrent unit , GRU ) 也 应 用 于 标题 的 语义 理解 与 领域 分类 , 实 验 验证 其 性能 可 达 81% 的 F1 值 。 1>2 manner-means manner-means
nlpabs19_Chi 1-19 119-159 该文 研究 中 文 新闻 标题 的 领域 分类 方法 ( domain- oriented headline classification , DHC ) 。 该文 将 长短 时 记忆 网络 模型 ( long-short term memory , LSTM ) 及 其 变型 —— 门 控循 环 单元 ( gated recurrent unit , GRU ) 也 应 用 于 标题 的 语义 理解 与 领域 分类 , 1-19 114-171 该文 研究 中 文 新闻 标题 的 领域 分类 方法 ( domain- oriented headline classification , DHC ) 。 借助 这 一 特点 , 该文 将 长短 时 记忆 网络 模型 ( long-short term memory , LSTM ) 及 其 变型 —— 门 控循 环 单元 ( gated recurrent unit , GRU ) 也 应 用 于 标题 的 语义 理解 与 领域 分类 , 实 验 验证 其 性能 可 达 81% 的 F1 值 。 1<2 elab-addition elab-addition
nlpabs19_Chi 160-162 163-171 实 验 验证 其 性能 可 达 81% 的 F1 值 。 114-171 114-171 借助 这 一 特点 , 该文 将 长短 时 记忆 网络 模型 ( long-short term memory , LSTM ) 及 其 变型 —— 门 控循 环 单元 ( gated recurrent unit , GRU ) 也 应 用 于 标题 的 语义 理解 与 领域 分类 , 实 验 验证 其 性能 可 达 81% 的 F1 值 。 借助 这 一 特点 , 该文 将 长短 时 记忆 网络 模型 ( long-short term memory , LSTM ) 及 其 变型 —— 门 控循 环 单元 ( gated recurrent unit , GRU ) 也 应 用 于 标题 的 语义 理解 与 领域 分类 , 实 验 验证 其 性能 可 达 81% 的 F1 值 。 1>2 attribution attribution
nlpabs19_Chi 119-159 163-171 该文 将 长短 时 记忆 网络 模型 ( long-short term memory , LSTM ) 及 其 变型 —— 门 控循 环 单元 ( gated recurrent unit , GRU ) 也 应 用 于 标题 的 语义 理解 与 领域 分类 , 其 性能 可 达 81% 的 F1 值 。 114-171 114-171 借助 这 一 特点 , 该文 将 长短 时 记忆 网络 模型 ( long-short term memory , LSTM ) 及 其 变型 —— 门 控循 环 单元 ( gated recurrent unit , GRU ) 也 应 用 于 标题 的 语义 理解 与 领域 分类 , 实 验 验证 其 性能 可 达 81% 的 F1 值 。 借助 这 一 特点 , 该文 将 长短 时 记忆 网络 模型 ( long-short term memory , LSTM ) 及 其 变型 —— 门 控循 环 单元 ( gated recurrent unit , GRU ) 也 应 用 于 标题 的 语义 理解 与 领域 分类 , 实 验 验证 其 性能 可 达 81% 的 F1 值 。 1<2 evaluation evaluation
nlpabs19_Chi 1-19 172-186 该文 研究 中 文 新闻 标题 的 领域 分类 方法 ( domain- oriented headline classification , DHC ) 。 此外 , 该文 对 目前 前沿 的 神经 网络 分类 模型 进行 综合 分析 , 1-19 172-201 该文 研究 中 文 新闻 标题 的 领域 分类 方法 ( domain- oriented headline classification , DHC ) 。 此外 , 该文 对 目前 前沿 的 神经 网络 分类 模型 进行 综合 分析 , 尝试 寻找 各类 模型 在 DHC 任务 上 共 有 的 优势 和 劣势 。 1<2 elab-addition elab-addition
nlpabs19_Chi 172-186 187-201 此外 , 该文 对 目前 前沿 的 神经 网络 分类 模型 进行 综合 分析 , 尝试 寻找 各类 模型 在 DHC 任务 上 共 有 的 优势 和 劣势 。 172-201 172-201 此外 , 该文 对 目前 前沿 的 神经 网络 分类 模型 进行 综合 分析 , 尝试 寻找 各类 模型 在 DHC 任务 上 共 有 的 优势 和 劣势 。 此外 , 该文 对 目前 前沿 的 神经 网络 分类 模型 进行 综合 分析 , 尝试 寻找 各类 模型 在 DHC 任务 上 共 有 的 优势 和 劣势 。 1<2 enablement enablement
nlpabs19_Chi 202-218 219-249 通过 对比 “ 全类型 多 元 分类 ” 与 “ 单 类型 二 元 分类 ” , 发现 在 领域 性 特征 较弱 和 领域 歧义 性 较强 的 样本 上 , 现有 方法 难 以 取得 更为 理想 的 结果 ( F1 值 < 81% ) 。 202-249 202-249 通过 对比 “ 全类型 多 元 分类 ” 与 “ 单 类型 二 元 分类 ” , 发现 在 领域 性 特征 较弱 和 领域 歧义 性 较强 的 样本 上 , 现有 方法 难 以 取得 更为 理想 的 结果 ( F1 值 < 81% ) 。 通过 对比 “ 全类型 多 元 分类 ” 与 “ 单 类型 二 元 分类 ” , 发现 在 领域 性 特征 较弱 和 领域 歧义 性 较强 的 样本 上 , 现有 方法 难 以 取得 更为 理想 的 结果 ( F1 值 < 81% ) 。 1>2 manner-means manner-means
nlpabs19_Chi 172-186 219-249 此外 , 该文 对 目前 前沿 的 神经 网络 分类 模型 进行 综合 分析 , 发现 在 领域 性 特征 较弱 和 领域 歧义 性 较强 的 样本 上 , 现有 方法 难 以 取得 更为 理想 的 结果 ( F1 值 < 81% ) 。 172-201 202-249 此外 , 该文 对 目前 前沿 的 神经 网络 分类 模型 进行 综合 分析 , 尝试 寻找 各类 模型 在 DHC 任务 上 共 有 的 优势 和 劣势 。 通过 对比 “ 全类型 多 元 分类 ” 与 “ 单 类型 二 元 分类 ” , 发现 在 领域 性 特征 较弱 和 领域 歧义 性 较强 的 样本 上 , 现有 方法 难 以 取得 更为 理想 的 结果 ( F1 值 < 81% ) 。 1<2 elab-addition elab-addition
nlpabs19_Chi 250-253 254-270 借助 上述 分析 , 该 文旨 在 推动 DHC 研究 在 标题 语言 特性 上 投入 更为 充分 的 关注 。 250-270 250-270 借助 上述 分析 , 该 文旨 在 推动 DHC 研究 在 标题 语言 特性 上 投入 更为 充分 的 关注 。 借助 上述 分析 , 该 文旨 在 推动 DHC 研究 在 标题 语言 特性 上 投入 更为 充分 的 关注 。 1>2 manner-means manner-means
nlpabs19_Chi 1-19 254-270 该文 研究 中 文 新闻 标题 的 领域 分类 方法 ( domain- oriented headline classification , DHC ) 。 该 文旨 在 推动 DHC 研究 在 标题 语言 特性 上 投入 更为 充分 的 关注 。 1-19 250-270 该文 研究 中 文 新闻 标题 的 领域 分类 方法 ( domain- oriented headline classification , DHC ) 。 借助 上述 分析 , 该 文旨 在 推动 DHC 研究 在 标题 语言 特性 上 投入 更为 充分 的 关注 。 1<2 elab-addition elab-addition
nlpabs1_Chi 1-15 16-25 信息 抽取 研究 旨 在 为 人们 提供 更 有力 的 信息 获取 工具 , 以 应 对 信息 爆炸 带来 的 严重 挑战 。 1-25 1-25 信息 抽取 研究 旨 在 为 人们 提供 更 有力 的 信息 获取 工具 , 以 应 对 信息 爆炸 带来 的 严重 挑战 。 信息 抽取 研究 旨 在 为 人们 提供 更 有力 的 信息 获取 工具 , 以 应 对 信息 爆炸 带来 的 严重 挑战 。 1<2 enablement enablement
nlpabs1_Chi 1-15 26-42 信息 抽取 研究 旨 在 为 人们 提供 更 有力 的 信息 获取 工具 , 与 信息 检索 不同 , 信息 抽取 直接 从 自然 语言 文本 中 抽取 事实 信息 。 1-25 26-42 信息 抽取 研究 旨 在 为 人们 提供 更 有力 的 信息 获取 工具 , 以 应 对 信息 爆炸 带来 的 严重 挑战 。 与 信息 检索 不同 , 信息 抽取 直接 从 自然 语言 文本 中 抽取 事实 信息 。 1<2 elab-aspect elab-aspect
nlpabs1_Chi 1-15 43-63 信息 抽取 研究 旨 在 为 人们 提供 更 有力 的 信息 获取 工具 , 过去 十多 年 来 , 信息 抽取 逐步 发展 成 为 自然 语言 处理 领域 的 一 个 重要 分支 , 1-25 43-127 信息 抽取 研究 旨 在 为 人们 提供 更 有力 的 信息 获取 工具 , 以 应 对 信息 爆炸 带来 的 严重 挑战 。 过去 十多 年 来 , 信息 抽取 逐步 发展 成 为 自然 语言 处理 领域 的 一 个 重要 分支 , 其 独特 的 发展 轨迹 ——— 通过 系统 化 、 大 规模 的 定量 评测 推动 研究 向 前 发展 , 以及 某些 成功 启示 , 如 部分 分析 技术 的 有效 性 、 快速 NLP 系统 开发 的 必要 性 , 都 极大 地 推动 了 自然 语言 处理 研究 的 发展 , 促进 了 NLP 研究 与 应用 的 紧密 结合 。 1<2 elab-aspect elab-aspect
nlpabs1_Chi 43-63 64-117 过去 十多 年 来 , 信息 抽取 逐步 发展 成 为 自然 语言 处理 领域 的 一 个 重要 分支 , 其 独特 的 发展 轨迹 ——— 通过 系统 化 、 大 规模 的 定量 评测 推动 研究 向 前 发展 , 以及 某些 成功 启示 , 如 部分 分析 技术 的 有效 性 、 快速 NLP 系统 开发 的 必要 性 , 都 极大 地 推动 了 自然 语言 处理 研究 的 发展 , 43-127 43-127 过去 十多 年 来 , 信息 抽取 逐步 发展 成 为 自然 语言 处理 领域 的 一 个 重要 分支 , 其 独特 的 发展 轨迹 ——— 通过 系统 化 、 大 规模 的 定量 评测 推动 研究 向 前 发展 , 以及 某些 成功 启示 , 如 部分 分析 技术 的 有效 性 、 快速 NLP 系统 开发 的 必要 性 , 都 极大 地 推动 了 自然 语言 处理 研究 的 发展 , 促进 了 NLP 研究 与 应用 的 紧密 结合 。 过去 十多 年 来 , 信息 抽取 逐步 发展 成 为 自然 语言 处理 领域 的 一 个 重要 分支 , 其 独特 的 发展 轨迹 ——— 通过 系统 化 、 大 规模 的 定量 评测 推动 研究 向 前 发展 , 以及 某些 成功 启示 , 如 部分 分析 技术 的 有效 性 、 快速 NLP 系统 开发 的 必要 性 , 都 极大 地 推动 了 自然 语言 处理 研究 的 发展 , 促进 了 NLP 研究 与 应用 的 紧密 结合 。 1<2 elab-addition elab-addition
nlpabs1_Chi 64-117 118-127 其 独特 的 发展 轨迹 ——— 通过 系统 化 、 大 规模 的 定量 评测 推动 研究 向 前 发展 , 以及 某些 成功 启示 , 如 部分 分析 技术 的 有效 性 、 快速 NLP 系统 开发 的 必要 性 , 都 极大 地 推动 了 自然 语言 处理 研究 的 发展 , 促进 了 NLP 研究 与 应用 的 紧密 结合 。 43-127 43-127 过去 十多 年 来 , 信息 抽取 逐步 发展 成 为 自然 语言 处理 领域 的 一 个 重要 分支 , 其 独特 的 发展 轨迹 ——— 通过 系统 化 、 大 规模 的 定量 评测 推动 研究 向 前 发展 , 以及 某些 成功 启示 , 如 部分 分析 技术 的 有效 性 、 快速 NLP 系统 开发 的 必要 性 , 都 极大 地 推动 了 自然 语言 处理 研究 的 发展 , 促进 了 NLP 研究 与 应用 的 紧密 结合 。 过去 十多 年 来 , 信息 抽取 逐步 发展 成 为 自然 语言 处理 领域 的 一 个 重要 分支 , 其 独特 的 发展 轨迹 ——— 通过 系统 化 、 大 规模 的 定量 评测 推动 研究 向 前 发展 , 以及 某些 成功 启示 , 如 部分 分析 技术 的 有效 性 、 快速 NLP 系统 开发 的 必要 性 , 都 极大 地 推动 了 自然 语言 处理 研究 的 发展 , 促进 了 NLP 研究 与 应用 的 紧密 结合 。 1<2 joint joint
nlpabs1_Chi 1-15 128-152 信息 抽取 研究 旨 在 为 人们 提供 更 有力 的 信息 获取 工具 , 回顾 信息 抽取 研究 的 历史 , 总结 信息 抽取 研究 的 现状 , 将 有助 于 这 方面 研究 工作 向 前 发展 。 1-25 128-152 信息 抽取 研究 旨 在 为 人们 提供 更 有力 的 信息 获取 工具 , 以 应 对 信息 爆炸 带来 的 严重 挑战 。 回顾 信息 抽取 研究 的 历史 , 总结 信息 抽取 研究 的 现状 , 将 有助 于 这 方面 研究 工作 向 前 发展 。 1<2 evaluation evaluation
nlpabs21_Chi 1-25 136-150 内容 分发 网络 ( CDN ) 以 推 ( Push ) 和 拉 ( Pull ) 作 为 两 种 主要 的 内容分发 策略 。 目前 针对 网络 小说 服务 器 的 内容 分 发策 略 的 研究 较少 , 1-25 136-161 内容 分发 网络 ( CDN ) 以 推 ( Push ) 和 拉 ( Pull ) 作 为 两 种 主要 的 内容分发 策略 。 目前 针对 网络 小说 服务 器 的 内容 分 发策 略 的 研究 较少 , 缺乏 对 网络 小说 热度 科学 有效 的 评价 标准 。 1>2 bg-general bg-general
nlpabs21_Chi 1-25 26-37 内容 分发 网络 ( CDN ) 以 推 ( Push ) 和 拉 ( Pull ) 作 为 两 种 主要 的 内容分发 策略 。 拉 是 服务 器 对 用户 请求 给予 回应 的 方式 , 1-25 26-74 内容 分发 网络 ( CDN ) 以 推 ( Push ) 和 拉 ( Pull ) 作 为 两 种 主要 的 内容分发 策略 。 拉 是 服务 器 对 用户 请求 给予 回应 的 方式 , 在 面对 高并 发 请求 时 , 以 推方 式 预 分发 到 服务 器 上 的 内容 将 有 效 辅助 改善 服务 器 过载 的 情况 , 并 实现 热度 内容 的 主动 推送 。 1<2 elab-addition elab-addition
nlpabs21_Chi 38-44 45-66 在 面对 高并 发 请求 时 , 以 推方 式 预 分发 到 服务 器 上 的 内容 将 有 效 辅助 改善 服务 器 过载 的 情况 , 26-74 26-74 拉 是 服务 器 对 用户 请求 给予 回应 的 方式 , 在 面对 高并 发 请求 时 , 以 推方 式 预 分发 到 服务 器 上 的 内容 将 有 效 辅助 改善 服务 器 过载 的 情况 , 并 实现 热度 内容 的 主动 推送 。 拉 是 服务 器 对 用户 请求 给予 回应 的 方式 , 在 面对 高并 发 请求 时 , 以 推方 式 预 分发 到 服务 器 上 的 内容 将 有 效 辅助 改善 服务 器 过载 的 情况 , 并 实现 热度 内容 的 主动 推送 。 1>2 temporal temporal
nlpabs21_Chi 1-25 45-66 内容 分发 网络 ( CDN ) 以 推 ( Push ) 和 拉 ( Pull ) 作 为 两 种 主要 的 内容分发 策略 。 以 推方 式 预 分发 到 服务 器 上 的 内容 将 有 效 辅助 改善 服务 器 过载 的 情况 , 1-25 26-74 内容 分发 网络 ( CDN ) 以 推 ( Push ) 和 拉 ( Pull ) 作 为 两 种 主要 的 内容分发 策略 。 拉 是 服务 器 对 用户 请求 给予 回应 的 方式 , 在 面对 高并 发 请求 时 , 以 推方 式 预 分发 到 服务 器 上 的 内容 将 有 效 辅助 改善 服务 器 过载 的 情况 , 并 实现 热度 内容 的 主动 推送 。 1<2 elab-addition elab-addition
nlpabs21_Chi 45-66 67-74 以 推方 式 预 分发 到 服务 器 上 的 内容 将 有 效 辅助 改善 服务 器 过载 的 情况 , 并 实现 热度 内容 的 主动 推送 。 26-74 26-74 拉 是 服务 器 对 用户 请求 给予 回应 的 方式 , 在 面对 高并 发 请求 时 , 以 推方 式 预 分发 到 服务 器 上 的 内容 将 有 效 辅助 改善 服务 器 过载 的 情况 , 并 实现 热度 内容 的 主动 推送 。 拉 是 服务 器 对 用户 请求 给予 回应 的 方式 , 在 面对 高并 发 请求 时 , 以 推方 式 预 分发 到 服务 器 上 的 内容 将 有 效 辅助 改善 服务 器 过载 的 情况 , 并 实现 热度 内容 的 主动 推送 。 1<2 joint joint
nlpabs21_Chi 45-66 75-94 以 推方 式 预 分发 到 服务 器 上 的 内容 将 有 效 辅助 改善 服务 器 过载 的 情况 , 预 分发 内容 的 热度 高低 直接 决定 了 内容 的 边缘 命中 率 和 用户 的 启动 延迟 , 26-74 75-135 拉 是 服务 器 对 用户 请求 给予 回应 的 方式 , 在 面对 高并 发 请求 时 , 以 推方 式 预 分发 到 服务 器 上 的 内容 将 有 效 辅助 改善 服务 器 过载 的 情况 , 并 实现 热度 内容 的 主动 推送 。 预 分发 内容 的 热度 高低 直接 决定 了 内容 的 边缘 命中 率 和 用户 的 启动 延迟 , 有效 减少 预 分发 内容 替换 的 频率 和 对源 服务 器 访问 时 的 网络 堵塞 , 因 此 在 网络 小说 服务 器 中 依据 网络 小说 热度 对内 容分 发策 略 的 部署 就 显得 更为 重要 。 1<2 elab-addition elab-addition
nlpabs21_Chi 75-94 95-112 预 分发 内容 的 热度 高低 直接 决定 了 内容 的 边缘 命中 率 和 用户 的 启动 延迟 , 有效 减少 预 分发 内容 替换 的 频率 和 对源 服务 器 访问 时 的 网络 堵塞 , 75-135 75-135 预 分发 内容 的 热度 高低 直接 决定 了 内容 的 边缘 命中 率 和 用户 的 启动 延迟 , 有效 减少 预 分发 内容 替换 的 频率 和 对源 服务 器 访问 时 的 网络 堵塞 , 因 此 在 网络 小说 服务 器 中 依据 网络 小说 热度 对内 容分 发策 略 的 部署 就 显得 更为 重要 。 预 分发 内容 的 热度 高低 直接 决定 了 内容 的 边缘 命中 率 和 用户 的 启动 延迟 , 有效 减少 预 分发 内容 替换 的 频率 和 对源 服务 器 访问 时 的 网络 堵塞 , 因 此 在 网络 小说 服务 器 中 依据 网络 小说 热度 对内 容分 发策 略 的 部署 就 显得 更为 重要 。 1<2 elab-addition elab-addition
nlpabs21_Chi 95-112 113-135 有效 减少 预 分发 内容 替换 的 频率 和 对源 服务 器 访问 时 的 网络 堵塞 , 因 此 在 网络 小说 服务 器 中 依据 网络 小说 热度 对内 容分 发策 略 的 部署 就 显得 更为 重要 。 75-135 75-135 预 分发 内容 的 热度 高低 直接 决定 了 内容 的 边缘 命中 率 和 用户 的 启动 延迟 , 有效 减少 预 分发 内容 替换 的 频率 和 对源 服务 器 访问 时 的 网络 堵塞 , 因 此 在 网络 小说 服务 器 中 依据 网络 小说 热度 对内 容分 发策 略 的 部署 就 显得 更为 重要 。 预 分发 内容 的 热度 高低 直接 决定 了 内容 的 边缘 命中 率 和 用户 的 启动 延迟 , 有效 减少 预 分发 内容 替换 的 频率 和 对源 服务 器 访问 时 的 网络 堵塞 , 因 此 在 网络 小说 服务 器 中 依据 网络 小说 热度 对内 容分 发策 略 的 部署 就 显得 更为 重要 。 1<2 result result
nlpabs21_Chi 136-150 212-219 目前 针对 网络 小说 服务 器 的 内容 分 发策 略 的 研究 较少 , 该文 通过 定义 网络 小说 热度 概念 , 136-161 207-272 目前 针对 网络 小说 服务 器 的 内容 分 发策 略 的 研究 较少 , 缺乏 对 网络 小说 热度 科学 有效 的 评价 标准 。 针对 这 一 问题 , 该文 通过 定义 网络 小说 热度 概念 , 对 在 起点 中 文网 爬取 到 的 数据 进行 预 处理 , 数据 拟合 显示 数据 符合 幂律 分布 规律 , 并 建立 热度 等级 评价 标准 , 分别 采用 贝叶斯 网络 、 随机 森林 算法 与 Logistic 回归 建立 预测 模型 , 对 网络 小说 热度 预测 进行 对比 研究 。 1>2 bg-goal bg-goal
nlpabs21_Chi 136-150 151-161 目前 针对 网络 小说 服务 器 的 内容 分 发策 略 的 研究 较少 , 缺乏 对 网络 小说 热度 科学 有效 的 评价 标准 。 136-161 136-161 目前 针对 网络 小说 服务 器 的 内容 分 发策 略 的 研究 较少 , 缺乏 对 网络 小说 热度 科学 有效 的 评价 标准 。 目前 针对 网络 小说 服务 器 的 内容 分 发策 略 的 研究 较少 , 缺乏 对 网络 小说 热度 科学 有效 的 评价 标准 。 1<2 elab-addition elab-addition
nlpabs21_Chi 136-150 162-180 目前 针对 网络 小说 服务 器 的 内容 分 发策 略 的 研究 较少 , 以 服务 器 管理 人员 的 主观 经验 判断 和 低 命中 的 预 分发 内容 的 不断 替换 136-161 162-206 目前 针对 网络 小说 服务 器 的 内容 分 发策 略 的 研究 较少 , 缺乏 对 网络 小说 热度 科学 有效 的 评价 标准 。 以 服务 器 管理 人员 的 主观 经验 判断 和 低 命中 的 预 分发 内容 的 不断 替换 来 实现 内容 推送 的 策略 , 不仅 主观 性 强 , 同时 内容 的 不断 替换 更 极大 地 增加 了 服务 器 负担 。 1<2 elab-addition elab-addition
nlpabs21_Chi 162-180 181-187 以 服务 器 管理 人员 的 主观 经验 判断 和 低 命中 的 预 分发 内容 的 不断 替换 来 实现 内容 推送 的 策略 , 162-206 162-206 以 服务 器 管理 人员 的 主观 经验 判断 和 低 命中 的 预 分发 内容 的 不断 替换 来 实现 内容 推送 的 策略 , 不仅 主观 性 强 , 同时 内容 的 不断 替换 更 极大 地 增加 了 服务 器 负担 。 以 服务 器 管理 人员 的 主观 经验 判断 和 低 命中 的 预 分发 内容 的 不断 替换 来 实现 内容 推送 的 策略 , 不仅 主观 性 强 , 同时 内容 的 不断 替换 更 极大 地 增加 了 服务 器 负担 。 1<2 enablement enablement
nlpabs21_Chi 162-180 188-192 以 服务 器 管理 人员 的 主观 经验 判断 和 低 命中 的 预 分发 内容 的 不断 替换 不仅 主观 性 强 , 162-206 162-206 以 服务 器 管理 人员 的 主观 经验 判断 和 低 命中 的 预 分发 内容 的 不断 替换 来 实现 内容 推送 的 策略 , 不仅 主观 性 强 , 同时 内容 的 不断 替换 更 极大 地 增加 了 服务 器 负担 。 以 服务 器 管理 人员 的 主观 经验 判断 和 低 命中 的 预 分发 内容 的 不断 替换 来 实现 内容 推送 的 策略 , 不仅 主观 性 强 , 同时 内容 的 不断 替换 更 极大 地 增加 了 服务 器 负担 。 1<2 elab-addition elab-addition
nlpabs21_Chi 188-192 193-206 不仅 主观 性 强 , 同时 内容 的 不断 替换 更 极大 地 增加 了 服务 器 负担 。 162-206 162-206 以 服务 器 管理 人员 的 主观 经验 判断 和 低 命中 的 预 分发 内容 的 不断 替换 来 实现 内容 推送 的 策略 , 不仅 主观 性 强 , 同时 内容 的 不断 替换 更 极大 地 增加 了 服务 器 负担 。 以 服务 器 管理 人员 的 主观 经验 判断 和 低 命中 的 预 分发 内容 的 不断 替换 来 实现 内容 推送 的 策略 , 不仅 主观 性 强 , 同时 内容 的 不断 替换 更 极大 地 增加 了 服务 器 负担 。 1<2 progression progression
nlpabs21_Chi 207-211 212-219 针对 这 一 问题 , 该文 通过 定义 网络 小说 热度 概念 , 207-272 207-272 针对 这 一 问题 , 该文 通过 定义 网络 小说 热度 概念 , 对 在 起点 中 文网 爬取 到 的 数据 进行 预 处理 , 数据 拟合 显示 数据 符合 幂律 分布 规律 , 并 建立 热度 等级 评价 标准 , 分别 采用 贝叶斯 网络 、 随机 森林 算法 与 Logistic 回归 建立 预测 模型 , 对 网络 小说 热度 预测 进行 对比 研究 。 针对 这 一 问题 , 该文 通过 定义 网络 小说 热度 概念 , 对 在 起点 中 文网 爬取 到 的 数据 进行 预 处理 , 数据 拟合 显示 数据 符合 幂律 分布 规律 , 并 建立 热度 等级 评价 标准 , 分别 采用 贝叶斯 网络 、 随机 森林 算法 与 Logistic 回归 建立 预测 模型 , 对 网络 小说 热度 预测 进行 对比 研究 。 1>2 bg-general bg-general
nlpabs21_Chi 212-219 220-232 该文 通过 定义 网络 小说 热度 概念 , 对 在 起点 中 文网 爬取 到 的 数据 进行 预 处理 , 207-272 207-272 针对 这 一 问题 , 该文 通过 定义 网络 小说 热度 概念 , 对 在 起点 中 文网 爬取 到 的 数据 进行 预 处理 , 数据 拟合 显示 数据 符合 幂律 分布 规律 , 并 建立 热度 等级 评价 标准 , 分别 采用 贝叶斯 网络 、 随机 森林 算法 与 Logistic 回归 建立 预测 模型 , 对 网络 小说 热度 预测 进行 对比 研究 。 针对 这 一 问题 , 该文 通过 定义 网络 小说 热度 概念 , 对 在 起点 中 文网 爬取 到 的 数据 进行 预 处理 , 数据 拟合 显示 数据 符合 幂律 分布 规律 , 并 建立 热度 等级 评价 标准 , 分别 采用 贝叶斯 网络 、 随机 森林 算法 与 Logistic 回归 建立 预测 模型 , 对 网络 小说 热度 预测 进行 对比 研究 。 1<2 enablement enablement
nlpabs21_Chi 220-232 233-241 对 在 起点 中 文网 爬取 到 的 数据 进行 预 处理 , 数据 拟合 显示 数据 符合 幂律 分布 规律 , 207-272 207-272 针对 这 一 问题 , 该文 通过 定义 网络 小说 热度 概念 , 对 在 起点 中 文网 爬取 到 的 数据 进行 预 处理 , 数据 拟合 显示 数据 符合 幂律 分布 规律 , 并 建立 热度 等级 评价 标准 , 分别 采用 贝叶斯 网络 、 随机 森林 算法 与 Logistic 回归 建立 预测 模型 , 对 网络 小说 热度 预测 进行 对比 研究 。 针对 这 一 问题 , 该文 通过 定义 网络 小说 热度 概念 , 对 在 起点 中 文网 爬取 到 的 数据 进行 预 处理 , 数据 拟合 显示 数据 符合 幂律 分布 规律 , 并 建立 热度 等级 评价 标准 , 分别 采用 贝叶斯 网络 、 随机 森林 算法 与 Logistic 回归 建立 预测 模型 , 对 网络 小说 热度 预测 进行 对比 研究 。 1<2 elab-addition elab-addition
nlpabs21_Chi 220-232 242-248 对 在 起点 中 文网 爬取 到 的 数据 进行 预 处理 , 并 建立 热度 等级 评价 标准 , 207-272 207-272 针对 这 一 问题 , 该文 通过 定义 网络 小说 热度 概念 , 对 在 起点 中 文网 爬取 到 的 数据 进行 预 处理 , 数据 拟合 显示 数据 符合 幂律 分布 规律 , 并 建立 热度 等级 评价 标准 , 分别 采用 贝叶斯 网络 、 随机 森林 算法 与 Logistic 回归 建立 预测 模型 , 对 网络 小说 热度 预测 进行 对比 研究 。 针对 这 一 问题 , 该文 通过 定义 网络 小说 热度 概念 , 对 在 起点 中 文网 爬取 到 的 数据 进行 预 处理 , 数据 拟合 显示 数据 符合 幂律 分布 规律 , 并 建立 热度 等级 评价 标准 , 分别 采用 贝叶斯 网络 、 随机 森林 算法 与 Logistic 回归 建立 预测 模型 , 对 网络 小说 热度 预测 进行 对比 研究 。 1<2 joint joint
nlpabs21_Chi 242-248 249-263 并 建立 热度 等级 评价 标准 , 分别 采用 贝叶斯 网络 、 随机 森林 算法 与 Logistic 回归 建立 预测 模型 , 207-272 207-272 针对 这 一 问题 , 该文 通过 定义 网络 小说 热度 概念 , 对 在 起点 中 文网 爬取 到 的 数据 进行 预 处理 , 数据 拟合 显示 数据 符合 幂律 分布 规律 , 并 建立 热度 等级 评价 标准 , 分别 采用 贝叶斯 网络 、 随机 森林 算法 与 Logistic 回归 建立 预测 模型 , 对 网络 小说 热度 预测 进行 对比 研究 。 针对 这 一 问题 , 该文 通过 定义 网络 小说 热度 概念 , 对 在 起点 中 文网 爬取 到 的 数据 进行 预 处理 , 数据 拟合 显示 数据 符合 幂律 分布 规律 , 并 建立 热度 等级 评价 标准 , 分别 采用 贝叶斯 网络 、 随机 森林 算法 与 Logistic 回归 建立 预测 模型 , 对 网络 小说 热度 预测 进行 对比 研究 。 1<2 elab-addition elab-addition
nlpabs21_Chi 249-263 264-272 分别 采用 贝叶斯 网络 、 随机 森林 算法 与 Logistic 回归 建立 预测 模型 , 对 网络 小说 热度 预测 进行 对比 研究 。 207-272 207-272 针对 这 一 问题 , 该文 通过 定义 网络 小说 热度 概念 , 对 在 起点 中 文网 爬取 到 的 数据 进行 预 处理 , 数据 拟合 显示 数据 符合 幂律 分布 规律 , 并 建立 热度 等级 评价 标准 , 分别 采用 贝叶斯 网络 、 随机 森林 算法 与 Logistic 回归 建立 预测 模型 , 对 网络 小说 热度 预测 进行 对比 研究 。 针对 这 一 问题 , 该文 通过 定义 网络 小说 热度 概念 , 对 在 起点 中 文网 爬取 到 的 数据 进行 预 处理 , 数据 拟合 显示 数据 符合 幂律 分布 规律 , 并 建立 热度 等级 评价 标准 , 分别 采用 贝叶斯 网络 、 随机 森林 算法 与 Logistic 回归 建立 预测 模型 , 对 网络 小说 热度 预测 进行 对比 研究 。 1<2 enablement enablement
nlpabs21_Chi 273-275 276-285 结果 显示 , 随机 森林 算法 的 预测 正确 率 达到 97.097% , 273-301 273-301 结果 显示 , 随机 森林 算法 的 预测 正确 率 达到 97.097% , 均方 误差 为 0.112 8 , 分类 预测 效果 更优 , 且 误差 率 更低 。 结果 显示 , 随机 森林 算法 的 预测 正确 率 达到 97.097% , 均方 误差 为 0.112 8 , 分类 预测 效果 更优 , 且 误差 率 更低 。 1>2 attribution attribution
nlpabs21_Chi 249-263 276-285 分别 采用 贝叶斯 网络 、 随机 森林 算法 与 Logistic 回归 建立 预测 模型 , 随机 森林 算法 的 预测 正确 率 达到 97.097% , 207-272 273-301 针对 这 一 问题 , 该文 通过 定义 网络 小说 热度 概念 , 对 在 起点 中 文网 爬取 到 的 数据 进行 预 处理 , 数据 拟合 显示 数据 符合 幂律 分布 规律 , 并 建立 热度 等级 评价 标准 , 分别 采用 贝叶斯 网络 、 随机 森林 算法 与 Logistic 回归 建立 预测 模型 , 对 网络 小说 热度 预测 进行 对比 研究 。 结果 显示 , 随机 森林 算法 的 预测 正确 率 达到 97.097% , 均方 误差 为 0.112 8 , 分类 预测 效果 更优 , 且 误差 率 更低 。 1<2 evaluation evaluation
nlpabs21_Chi 276-285 286-291 随机 森林 算法 的 预测 正确 率 达到 97.097% , 均方 误差 为 0.112 8 , 273-301 273-301 结果 显示 , 随机 森林 算法 的 预测 正确 率 达到 97.097% , 均方 误差 为 0.112 8 , 分类 预测 效果 更优 , 且 误差 率 更低 。 结果 显示 , 随机 森林 算法 的 预测 正确 率 达到 97.097% , 均方 误差 为 0.112 8 , 分类 预测 效果 更优 , 且 误差 率 更低 。 1<2 joint joint
nlpabs21_Chi 276-285 292-296 随机 森林 算法 的 预测 正确 率 达到 97.097% , 分类 预测 效果 更优 , 273-301 273-301 结果 显示 , 随机 森林 算法 的 预测 正确 率 达到 97.097% , 均方 误差 为 0.112 8 , 分类 预测 效果 更优 , 且 误差 率 更低 。 结果 显示 , 随机 森林 算法 的 预测 正确 率 达到 97.097% , 均方 误差 为 0.112 8 , 分类 预测 效果 更优 , 且 误差 率 更低 。 1<2 elab-addition elab-addition
nlpabs21_Chi 292-296 297-301 分类 预测 效果 更优 , 且 误差 率 更低 。 273-301 273-301 结果 显示 , 随机 森林 算法 的 预测 正确 率 达到 97.097% , 均方 误差 为 0.112 8 , 分类 预测 效果 更优 , 且 误差 率 更低 。 结果 显示 , 随机 森林 算法 的 预测 正确 率 达到 97.097% , 均方 误差 为 0.112 8 , 分类 预测 效果 更优 , 且 误差 率 更低 。 1<2 joint joint
nlpabs21_Chi 292-296 302-308 分类 预测 效果 更优 , 因 此 选用 随机 森林 算法 , 273-301 302-364 结果 显示 , 随机 森林 算法 的 预测 正确 率 达到 97.097% , 均方 误差 为 0.112 8 , 分类 预测 效果 更优 , 且 误差 率 更低 。 因 此 选用 随机 森林 算法 , 依据 网络 小说 热度 评价 标准 , 能够 有效 解决 网络 小说 CDN 系统 内容 部署 不 准确 而 导致 低 命中 内容 的 不断 替换 和 用户 访问 延迟 的 问题 , 为 内 容分 发策 略 提供 有效 指导 , 从而 提高 内容 命中 率 , 提升 网络 小说 CDN 系统 运作 效率 。 1<2 result result
nlpabs21_Chi 309-315 316-341 依据 网络 小说 热度 评价 标准 , 能够 有效 解决 网络 小说 CDN 系统 内容 部署 不 准确 而 导致 低 命中 内容 的 不断 替换 和 用户 访问 延迟 的 问题 , 302-364 302-364 因 此 选用 随机 森林 算法 , 依据 网络 小说 热度 评价 标准 , 能够 有效 解决 网络 小说 CDN 系统 内容 部署 不 准确 而 导致 低 命中 内容 的 不断 替换 和 用户 访问 延迟 的 问题 , 为 内 容分 发策 略 提供 有效 指导 , 从而 提高 内容 命中 率 , 提升 网络 小说 CDN 系统 运作 效率 。 因 此 选用 随机 森林 算法 , 依据 网络 小说 热度 评价 标准 , 能够 有效 解决 网络 小说 CDN 系统 内容 部署 不 准确 而 导致 低 命中 内容 的 不断 替换 和 用户 访问 延迟 的 问题 , 为 内 容分 发策 略 提供 有效 指导 , 从而 提高 内容 命中 率 , 提升 网络 小说 CDN 系统 运作 效率 。 1>2 bg-general bg-general
nlpabs21_Chi 302-308 316-341 因 此 选用 随机 森林 算法 , 能够 有效 解决 网络 小说 CDN 系统 内容 部署 不 准确 而 导致 低 命中 内容 的 不断 替换 和 用户 访问 延迟 的 问题 , 302-364 302-364 因 此 选用 随机 森林 算法 , 依据 网络 小说 热度 评价 标准 , 能够 有效 解决 网络 小说 CDN 系统 内容 部署 不 准确 而 导致 低 命中 内容 的 不断 替换 和 用户 访问 延迟 的 问题 , 为 内 容分 发策 略 提供 有效 指导 , 从而 提高 内容 命中 率 , 提升 网络 小说 CDN 系统 运作 效率 。 因 此 选用 随机 森林 算法 , 依据 网络 小说 热度 评价 标准 , 能够 有效 解决 网络 小说 CDN 系统 内容 部署 不 准确 而 导致 低 命中 内容 的 不断 替换 和 用户 访问 延迟 的 问题 , 为 内 容分 发策 略 提供 有效 指导 , 从而 提高 内容 命中 率 , 提升 网络 小说 CDN 系统 运作 效率 。 1<2 elab-addition elab-addition
nlpabs21_Chi 316-341 342-350 能够 有效 解决 网络 小说 CDN 系统 内容 部署 不 准确 而 导致 低 命中 内容 的 不断 替换 和 用户 访问 延迟 的 问题 , 为 内 容分 发策 略 提供 有效 指导 , 302-364 302-364 因 此 选用 随机 森林 算法 , 依据 网络 小说 热度 评价 标准 , 能够 有效 解决 网络 小说 CDN 系统 内容 部署 不 准确 而 导致 低 命中 内容 的 不断 替换 和 用户 访问 延迟 的 问题 , 为 内 容分 发策 略 提供 有效 指导 , 从而 提高 内容 命中 率 , 提升 网络 小说 CDN 系统 运作 效率 。 因 此 选用 随机 森林 算法 , 依据 网络 小说 热度 评价 标准 , 能够 有效 解决 网络 小说 CDN 系统 内容 部署 不 准确 而 导致 低 命中 内容 的 不断 替换 和 用户 访问 延迟 的 问题 , 为 内 容分 发策 略 提供 有效 指导 , 从而 提高 内容 命中 率 , 提升 网络 小说 CDN 系统 运作 效率 。 1<2 elab-addition elab-addition
nlpabs21_Chi 342-350 351-356 为 内 容分 发策 略 提供 有效 指导 , 从而 提高 内容 命中 率 , 302-364 302-364 因 此 选用 随机 森林 算法 , 依据 网络 小说 热度 评价 标准 , 能够 有效 解决 网络 小说 CDN 系统 内容 部署 不 准确 而 导致 低 命中 内容 的 不断 替换 和 用户 访问 延迟 的 问题 , 为 内 容分 发策 略 提供 有效 指导 , 从而 提高 内容 命中 率 , 提升 网络 小说 CDN 系统 运作 效率 。 因 此 选用 随机 森林 算法 , 依据 网络 小说 热度 评价 标准 , 能够 有效 解决 网络 小说 CDN 系统 内容 部署 不 准确 而 导致 低 命中 内容 的 不断 替换 和 用户 访问 延迟 的 问题 , 为 内 容分 发策 略 提供 有效 指导 , 从而 提高 内容 命中 率 , 提升 网络 小说 CDN 系统 运作 效率 。 1<2 enablement enablement
nlpabs21_Chi 351-356 357-364 从而 提高 内容 命中 率 , 提升 网络 小说 CDN 系统 运作 效率 。 302-364 302-364 因 此 选用 随机 森林 算法 , 依据 网络 小说 热度 评价 标准 , 能够 有效 解决 网络 小说 CDN 系统 内容 部署 不 准确 而 导致 低 命中 内容 的 不断 替换 和 用户 访问 延迟 的 问题 , 为 内 容分 发策 略 提供 有效 指导 , 从而 提高 内容 命中 率 , 提升 网络 小说 CDN 系统 运作 效率 。 因 此 选用 随机 森林 算法 , 依据 网络 小说 热度 评价 标准 , 能够 有效 解决 网络 小说 CDN 系统 内容 部署 不 准确 而 导致 低 命中 内容 的 不断 替换 和 用户 访问 延迟 的 问题 , 为 内 容分 发策 略 提供 有效 指导 , 从而 提高 内容 命中 率 , 提升 网络 小说 CDN 系统 运作 效率 。 1<2 elab-addition elab-addition
nlpabs22_Chi 1-5 53-66 社交 媒体 快速 发展 , 该文 提出 了 一 种 企业 行为 识别 及 演化 分析 的 方法 。 1-23 50-66 社交 媒体 快速 发展 , 越来越多 的 企业 利用 它 发布 信息 , 这些 信息 具有 重要 的 商业 和 研究 价值 。 为 此 , 该文 提出 了 一 种 企业 行为 识别 及 演化 分析 的 方法 。 1>2 bg-general bg-general
nlpabs22_Chi 1-5 6-13 社交 媒体 快速 发展 , 越来越多 的 企业 利用 它 发布 信息 , 1-23 1-23 社交 媒体 快速 发展 , 越来越多 的 企业 利用 它 发布 信息 , 这些 信息 具有 重要 的 商业 和 研究 价值 。 社交 媒体 快速 发展 , 越来越多 的 企业 利用 它 发布 信息 , 这些 信息 具有 重要 的 商业 和 研究 价值 。 1<2 elab-addition elab-addition
nlpabs22_Chi 6-13 14-23 越来越多 的 企业 利用 它 发布 信息 , 这些 信息 具有 重要 的 商业 和 研究 价值 。 1-23 1-23 社交 媒体 快速 发展 , 越来越多 的 企业 利用 它 发布 信息 , 这些 信息 具有 重要 的 商业 和 研究 价值 。 社交 媒体 快速 发展 , 越来越多 的 企业 利用 它 发布 信息 , 这些 信息 具有 重要 的 商业 和 研究 价值 。 1<2 elab-addition elab-addition
nlpabs22_Chi 14-23 24-39 这些 信息 具有 重要 的 商业 和 研究 价值 。 但是 社交 媒体 数据 具有 强 噪音 、 多 类型 、 多 主题 等 特点 , 1-23 24-49 社交 媒体 快速 发展 , 越来越多 的 企业 利用 它 发布 信息 , 这些 信息 具有 重要 的 商业 和 研究 价值 。 但是 社交 媒体 数据 具有 强 噪音 、 多 类型 、 多 主题 等 特点 , 这 导致 企业 行为 演化 分析 面临 巨大 挑战 。 1<2 contrast contrast
nlpabs22_Chi 24-39 40-49 但是 社交 媒体 数据 具有 强 噪音 、 多 类型 、 多 主题 等 特点 , 这 导致 企业 行为 演化 分析 面临 巨大 挑战 。 24-49 24-49 但是 社交 媒体 数据 具有 强 噪音 、 多 类型 、 多 主题 等 特点 , 这 导致 企业 行为 演化 分析 面临 巨大 挑战 。 但是 社交 媒体 数据 具有 强 噪音 、 多 类型 、 多 主题 等 特点 , 这 导致 企业 行为 演化 分析 面临 巨大 挑战 。 1<2 result result
nlpabs22_Chi 50-52 53-66 为 此 , 该文 提出 了 一 种 企业 行为 识别 及 演化 分析 的 方法 。 50-66 50-66 为 此 , 该文 提出 了 一 种 企业 行为 识别 及 演化 分析 的 方法 。 为 此 , 该文 提出 了 一 种 企业 行为 识别 及 演化 分析 的 方法 。 1>2 bg-general bg-general
nlpabs22_Chi 53-66 67-77 该文 提出 了 一 种 企业 行为 识别 及 演化 分析 的 方法 。 首先 利用 识别 方法 对 企业 信息 进行 行为 识别 , 50-66 67-106 为 此 , 该文 提出 了 一 种 企业 行为 识别 及 演化 分析 的 方法 。 首先 利用 识别 方法 对 企业 信息 进行 行为 识别 , 然后 再 运用 已 识别 企业 行 为 数据 进行 企业 行为 演化 分析 , 最后 根据 演化 分析 结果 , 为 竞争 性 企业 提供 营销 建议 。 1<2 elab-process_step elab-process_step
nlpabs22_Chi 53-66 78-86 该文 提出 了 一 种 企业 行为 识别 及 演化 分析 的 方法 。 然后 再 运用 已 识别 企业 行 为 数据 50-66 67-106 为 此 , 该文 提出 了 一 种 企业 行为 识别 及 演化 分析 的 方法 。 首先 利用 识别 方法 对 企业 信息 进行 行为 识别 , 然后 再 运用 已 识别 企业 行 为 数据 进行 企业 行为 演化 分析 , 最后 根据 演化 分析 结果 , 为 竞争 性 企业 提供 营销 建议 。 1<2 elab-process_step elab-process_step
nlpabs22_Chi 78-86 87-92 然后 再 运用 已 识别 企业 行 为 数据 进行 企业 行为 演化 分析 , 67-106 67-106 首先 利用 识别 方法 对 企业 信息 进行 行为 识别 , 然后 再 运用 已 识别 企业 行 为 数据 进行 企业 行为 演化 分析 , 最后 根据 演化 分析 结果 , 为 竞争 性 企业 提供 营销 建议 。 首先 利用 识别 方法 对 企业 信息 进行 行为 识别 , 然后 再 运用 已 识别 企业 行 为 数据 进行 企业 行为 演化 分析 , 最后 根据 演化 分析 结果 , 为 竞争 性 企业 提供 营销 建议 。 1<2 enablement enablement
nlpabs22_Chi 53-66 93-98 该文 提出 了 一 种 企业 行为 识别 及 演化 分析 的 方法 。 最后 根据 演化 分析 结果 , 50-66 67-106 为 此 , 该文 提出 了 一 种 企业 行为 识别 及 演化 分析 的 方法 。 首先 利用 识别 方法 对 企业 信息 进行 行为 识别 , 然后 再 运用 已 识别 企业 行 为 数据 进行 企业 行为 演化 分析 , 最后 根据 演化 分析 结果 , 为 竞争 性 企业 提供 营销 建议 。 1<2 elab-process_step elab-process_step
nlpabs22_Chi 93-98 99-106 最后 根据 演化 分析 结果 , 为 竞争 性 企业 提供 营销 建议 。 67-106 67-106 首先 利用 识别 方法 对 企业 信息 进行 行为 识别 , 然后 再 运用 已 识别 企业 行 为 数据 进行 企业 行为 演化 分析 , 最后 根据 演化 分析 结果 , 为 竞争 性 企业 提供 营销 建议 。 首先 利用 识别 方法 对 企业 信息 进行 行为 识别 , 然后 再 运用 已 识别 企业 行 为 数据 进行 企业 行为 演化 分析 , 最后 根据 演化 分析 结果 , 为 竞争 性 企业 提供 营销 建议 。 1<2 elab-addition elab-addition
nlpabs22_Chi 107-110 111-127 实验 结果 表明 , 该文 提出 的 企业 行为 识别 及 演化 分析 的 方法 具有 重要 的 应用 价值 。 107-127 107-127 实验 结果 表明 , 该文 提出 的 企业 行为 识别 及 演化 分析 的 方法 具有 重要 的 应用 价值 。 实验 结果 表明 , 该文 提出 的 企业 行为 识别 及 演化 分析 的 方法 具有 重要 的 应用 价值 。 1>2 attribution attribution
nlpabs22_Chi 53-66 111-127 该文 提出 了 一 种 企业 行为 识别 及 演化 分析 的 方法 。 该文 提出 的 企业 行为 识别 及 演化 分析 的 方法 具有 重要 的 应用 价值 。 50-66 107-127 为 此 , 该文 提出 了 一 种 企业 行为 识别 及 演化 分析 的 方法 。 实验 结果 表明 , 该文 提出 的 企业 行为 识别 及 演化 分析 的 方法 具有 重要 的 应用 价值 。 1<2 evaluation evaluation
nlpabs23_Chi 1-13 35-44 广告 语 是 广告 传播 中 不可 或 缺 的 一 部分 , 提出 谐音 广告 语群 的 生成 及 评估 模型 。 1-20 21-44 广告 语 是 广告 传播 中 不可 或 缺 的 一 部分 , 凝练 着 品牌 的 核心 价值 。 该文 以 古代 诗词 为 基础 , 通过 多 特征 融合 的 方式 , 提出 谐音 广告 语群 的 生成 及 评估 模型 。 1>2 bg-general bg-general
nlpabs23_Chi 1-13 14-20 广告 语 是 广告 传播 中 不可 或 缺 的 一 部分 , 凝练 着 品牌 的 核心 价值 。 1-20 1-20 广告 语 是 广告 传播 中 不可 或 缺 的 一 部分 , 凝练 着 品牌 的 核心 价值 。 广告 语 是 广告 传播 中 不可 或 缺 的 一 部分 , 凝练 着 品牌 的 核心 价值 。 1<2 elab-addition elab-addition
nlpabs23_Chi 21-27 35-44 该文 以 古代 诗词 为 基础 , 提出 谐音 广告 语群 的 生成 及 评估 模型 。 21-44 21-44 该文 以 古代 诗词 为 基础 , 通过 多 特征 融合 的 方式 , 提出 谐音 广告 语群 的 生成 及 评估 模型 。 该文 以 古代 诗词 为 基础 , 通过 多 特征 融合 的 方式 , 提出 谐音 广告 语群 的 生成 及 评估 模型 。 1>2 bg-general bg-general
nlpabs23_Chi 28-34 35-44 通过 多 特征 融合 的 方式 , 提出 谐音 广告 语群 的 生成 及 评估 模型 。 21-44 21-44 该文 以 古代 诗词 为 基础 , 通过 多 特征 融合 的 方式 , 提出 谐音 广告 语群 的 生成 及 评估 模型 。 该文 以 古代 诗词 为 基础 , 通过 多 特征 融合 的 方式 , 提出 谐音 广告 语群 的 生成 及 评估 模型 。 1>2 manner-means manner-means
nlpabs23_Chi 35-44 45-54 提出 谐音 广告 语群 的 生成 及 评估 模型 。 在 生成 模型 中 , 首先 利用 语音 模板 , 21-44 45-59 该文 以 古代 诗词 为 基础 , 通过 多 特征 融合 的 方式 , 提出 谐音 广告 语群 的 生成 及 评估 模型 。 在 生成 模型 中 , 首先 利用 语音 模板 , 获取 候选 广告 语群 。 1<2 elab-process_step elab-process_step
nlpabs23_Chi 45-54 55-59 在 生成 模型 中 , 首先 利用 语音 模板 , 获取 候选 广告 语群 。 45-59 45-59 在 生成 模型 中 , 首先 利用 语音 模板 , 获取 候选 广告 语群 。 在 生成 模型 中 , 首先 利用 语音 模板 , 获取 候选 广告 语群 。 1<2 enablement enablement
nlpabs23_Chi 35-44 60-74 提出 谐音 广告 语群 的 生成 及 评估 模型 。 同 时分 别 通过 语音 、 形状 、 语义 和 情境 四 个 维度 , 21-44 60-90 该文 以 古代 诗词 为 基础 , 通过 多 特征 融合 的 方式 , 提出 谐音 广告 语群 的 生成 及 评估 模型 。 同 时分 别 通过 语音 、 形状 、 语义 和 情境 四 个 维度 , 计算 广告 语 的 九 大 特征 , 得到 候选 广告 语群 的 特征 矩阵 。 1<2 elab-process_step elab-process_step
nlpabs23_Chi 60-74 75-82 同 时分 别 通过 语音 、 形状 、 语义 和 情境 四 个 维度 , 计算 广告 语 的 九 大 特征 , 60-90 60-90 同 时分 别 通过 语音 、 形状 、 语义 和 情境 四 个 维度 , 计算 广告 语 的 九 大 特征 , 得到 候选 广告 语群 的 特征 矩阵 。 同 时分 别 通过 语音 、 形状 、 语义 和 情境 四 个 维度 , 计算 广告 语 的 九 大 特征 , 得到 候选 广告 语群 的 特征 矩阵 。 1<2 enablement enablement
nlpabs23_Chi 75-82 83-90 计算 广告 语 的 九 大 特征 , 得到 候选 广告 语群 的 特征 矩阵 。 60-90 60-90 同 时分 别 通过 语音 、 形状 、 语义 和 情境 四 个 维度 , 计算 广告 语 的 九 大 特征 , 得到 候选 广告 语群 的 特征 矩阵 。 同 时分 别 通过 语音 、 形状 、 语义 和 情境 四 个 维度 , 计算 广告 语 的 九 大 特征 , 得到 候选 广告 语群 的 特征 矩阵 。 1<2 enablement enablement
nlpabs23_Chi 35-44 91-105 提出 谐音 广告 语群 的 生成 及 评估 模型 。 最后 采用 基 于 主 成分 分析 和 权重 的 双 序 评 估算法 , 21-44 91-111 该文 以 古代 诗词 为 基础 , 通过 多 特征 融合 的 方式 , 提出 谐音 广告 语群 的 生成 及 评估 模型 。 最后 采用 基 于 主 成分 分析 和 权重 的 双 序 评 估算法 , 筛选 出 高分 广告 语群 。 1<2 elab-process_step elab-process_step
nlpabs23_Chi 91-105 106-111 最后 采用 基 于 主 成分 分析 和 权重 的 双 序 评 估算法 , 筛选 出 高分 广告 语群 。 91-111 91-111 最后 采用 基 于 主 成分 分析 和 权重 的 双 序 评 估算法 , 筛选 出 高分 广告 语群 。 最后 采用 基 于 主 成分 分析 和 权重 的 双 序 评 估算法 , 筛选 出 高分 广告 语群 。 1<2 enablement enablement
nlpabs23_Chi 112-115 116-127 实验 结果 表明 , 四 个 维度 的 特征 细致 地 刻画 了 广告 语 , 112-161 112-161 实验 结果 表明 , 四 个 维度 的 特征 细致 地 刻画 了 广告 语 , 在 生成 的 特征 矩阵 基础 上 , 双 序 评估 算法 能够 准确 地 评估 广告 语 的 质量 , 与 人工 评估 结果 基本 接近 , 有 一定 的 实用 价值 。 实验 结果 表明 , 四 个 维度 的 特征 细致 地 刻画 了 广告 语 , 在 生成 的 特征 矩阵 基础 上 , 双 序 评估 算法 能够 准确 地 评估 广告 语 的 质量 , 与 人工 评估 结果 基本 接近 , 有 一定 的 实用 价值 。 1>2 attribution attribution
nlpabs23_Chi 35-44 116-127 提出 谐音 广告 语群 的 生成 及 评估 模型 。 四 个 维度 的 特征 细致 地 刻画 了 广告 语 , 21-44 112-161 该文 以 古代 诗词 为 基础 , 通过 多 特征 融合 的 方式 , 提出 谐音 广告 语群 的 生成 及 评估 模型 。 实验 结果 表明 , 四 个 维度 的 特征 细致 地 刻画 了 广告 语 , 在 生成 的 特征 矩阵 基础 上 , 双 序 评估 算法 能够 准确 地 评估 广告 语 的 质量 , 与 人工 评估 结果 基本 接近 , 有 一定 的 实用 价值 。 1<2 evaluation evaluation
nlpabs23_Chi 128-135 136-148 在 生成 的 特征 矩阵 基础 上 , 双 序 评估 算法 能够 准确 地 评估 广告 语 的 质量 , 112-161 112-161 实验 结果 表明 , 四 个 维度 的 特征 细致 地 刻画 了 广告 语 , 在 生成 的 特征 矩阵 基础 上 , 双 序 评估 算法 能够 准确 地 评估 广告 语 的 质量 , 与 人工 评估 结果 基本 接近 , 有 一定 的 实用 价值 。 实验 结果 表明 , 四 个 维度 的 特征 细致 地 刻画 了 广告 语 , 在 生成 的 特征 矩阵 基础 上 , 双 序 评估 算法 能够 准确 地 评估 广告 语 的 质量 , 与 人工 评估 结果 基本 接近 , 有 一定 的 实用 价值 。 1>2 bg-general bg-general
nlpabs23_Chi 116-127 136-148 四 个 维度 的 特征 细致 地 刻画 了 广告 语 , 双 序 评估 算法 能够 准确 地 评估 广告 语 的 质量 , 112-161 112-161 实验 结果 表明 , 四 个 维度 的 特征 细致 地 刻画 了 广告 语 , 在 生成 的 特征 矩阵 基础 上 , 双 序 评估 算法 能够 准确 地 评估 广告 语 的 质量 , 与 人工 评估 结果 基本 接近 , 有 一定 的 实用 价值 。 实验 结果 表明 , 四 个 维度 的 特征 细致 地 刻画 了 广告 语 , 在 生成 的 特征 矩阵 基础 上 , 双 序 评估 算法 能够 准确 地 评估 广告 语 的 质量 , 与 人工 评估 结果 基本 接近 , 有 一定 的 实用 价值 。 1<2 joint joint
nlpabs23_Chi 136-148 149-155 双 序 评估 算法 能够 准确 地 评估 广告 语 的 质量 , 与 人工 评估 结果 基本 接近 , 112-161 112-161 实验 结果 表明 , 四 个 维度 的 特征 细致 地 刻画 了 广告 语 , 在 生成 的 特征 矩阵 基础 上 , 双 序 评估 算法 能够 准确 地 评估 广告 语 的 质量 , 与 人工 评估 结果 基本 接近 , 有 一定 的 实用 价值 。 实验 结果 表明 , 四 个 维度 的 特征 细致 地 刻画 了 广告 语 , 在 生成 的 特征 矩阵 基础 上 , 双 序 评估 算法 能够 准确 地 评估 广告 语 的 质量 , 与 人工 评估 结果 基本 接近 , 有 一定 的 实用 价值 。 1<2 elab-addition elab-addition
nlpabs23_Chi 136-148 156-161 双 序 评估 算法 能够 准确 地 评估 广告 语 的 质量 , 有 一定 的 实用 价值 。 112-161 112-161 实验 结果 表明 , 四 个 维度 的 特征 细致 地 刻画 了 广告 语 , 在 生成 的 特征 矩阵 基础 上 , 双 序 评估 算法 能够 准确 地 评估 广告 语 的 质量 , 与 人工 评估 结果 基本 接近 , 有 一定 的 实用 价值 。 实验 结果 表明 , 四 个 维度 的 特征 细致 地 刻画 了 广告 语 , 在 生成 的 特征 矩阵 基础 上 , 双 序 评估 算法 能够 准确 地 评估 广告 语 的 质量 , 与 人工 评估 结果 基本 接近 , 有 一定 的 实用 价值 。 1<2 elab-addition elab-addition
nlpabs24_Chi 1-15 16-34 机器 阅读 理解 是 自然 语言 处理 和 人工 智能 领域 的 前沿 课题 , “ 2018 机器 阅读 理解 技术 竞赛 ” 旨 在 推动 相关 技术 研究 和 应用 的 发展 。 1-34 1-34 机器 阅读 理解 是 自然 语言 处理 和 人工 智能 领域 的 前沿 课题 , “ 2018 机器 阅读 理解 技术 竞赛 ” 旨 在 推动 相关 技术 研究 和 应用 的 发展 。 机器 阅读 理解 是 自然 语言 处理 和 人工 智能 领域 的 前沿 课题 , “ 2018 机器 阅读 理解 技术 竞赛 ” 旨 在 推动 相关 技术 研究 和 应用 的 发展 。 1>2 bg-general bg-general
nlpabs24_Chi 16-34 78-95 “ 2018 机器 阅读 理解 技术 竞赛 ” 旨 在 推动 相关 技术 研究 和 应用 的 发展 。 该文 详细 介绍 技术 竞赛 的 总体 情况 、 竞赛 设置 、 组织 流程 、 评价 结果 , 1-34 78-104 机器 阅读 理解 是 自然 语言 处理 和 人工 智能 领域 的 前沿 课题 , “ 2018 机器 阅读 理解 技术 竞赛 ” 旨 在 推动 相关 技术 研究 和 应用 的 发展 。 该文 详细 介绍 技术 竞赛 的 总体 情况 、 竞赛 设置 、 组织 流程 、 评价 结果 , 并 对 参赛 系统 结果 进行 了 分析 。 1>2 bg-general bg-general
nlpabs24_Chi 16-34 35-47 “ 2018 机器 阅读 理解 技术 竞赛 ” 旨 在 推动 相关 技术 研究 和 应用 的 发展 。 竞赛 发布 了 最大 规模 的 中 文 阅读 理解 数据 集 , 1-34 35-77 机器 阅读 理解 是 自然 语言 处理 和 人工 智能 领域 的 前沿 课题 , “ 2018 机器 阅读 理解 技术 竞赛 ” 旨 在 推动 相关 技术 研究 和 应用 的 发展 。 竞赛 发布 了 最大 规模 的 中 文 阅读 理解 数据 集 , 提供 了 先进 的 开源 基线 系统 , 采用 改进 的 自动 评价 指标 , 吸引 了 国 内外 千余 支队 伍 参与 , 参赛 系统 效果 提升 显著 。 1<2 elab-addition elab-addition
nlpabs24_Chi 35-47 48-55 竞赛 发布 了 最大 规模 的 中 文 阅读 理解 数据 集 , 提供 了 先进 的 开源 基线 系统 , 35-77 35-77 竞赛 发布 了 最大 规模 的 中 文 阅读 理解 数据 集 , 提供 了 先进 的 开源 基线 系统 , 采用 改进 的 自动 评价 指标 , 吸引 了 国 内外 千余 支队 伍 参与 , 参赛 系统 效果 提升 显著 。 竞赛 发布 了 最大 规模 的 中 文 阅读 理解 数据 集 , 提供 了 先进 的 开源 基线 系统 , 采用 改进 的 自动 评价 指标 , 吸引 了 国 内外 千余 支队 伍 参与 , 参赛 系统 效果 提升 显著 。 1<2 joint joint
nlpabs24_Chi 35-47 56-62 竞赛 发布 了 最大 规模 的 中 文 阅读 理解 数据 集 , 采用 改进 的 自动 评价 指标 , 35-77 35-77 竞赛 发布 了 最大 规模 的 中 文 阅读 理解 数据 集 , 提供 了 先进 的 开源 基线 系统 , 采用 改进 的 自动 评价 指标 , 吸引 了 国 内外 千余 支队 伍 参与 , 参赛 系统 效果 提升 显著 。 竞赛 发布 了 最大 规模 的 中 文 阅读 理解 数据 集 , 提供 了 先进 的 开源 基线 系统 , 采用 改进 的 自动 评价 指标 , 吸引 了 国 内外 千余 支队 伍 参与 , 参赛 系统 效果 提升 显著 。 1<2 joint joint
nlpabs24_Chi 35-47 63-71 竞赛 发布 了 最大 规模 的 中 文 阅读 理解 数据 集 , 吸引 了 国 内外 千余 支队 伍 参与 , 35-77 35-77 竞赛 发布 了 最大 规模 的 中 文 阅读 理解 数据 集 , 提供 了 先进 的 开源 基线 系统 , 采用 改进 的 自动 评价 指标 , 吸引 了 国 内外 千余 支队 伍 参与 , 参赛 系统 效果 提升 显著 。 竞赛 发布 了 最大 规模 的 中 文 阅读 理解 数据 集 , 提供 了 先进 的 开源 基线 系统 , 采用 改进 的 自动 评价 指标 , 吸引 了 国 内外 千余 支队 伍 参与 , 参赛 系统 效果 提升 显著 。 1<2 joint joint
nlpabs24_Chi 35-47 72-77 竞赛 发布 了 最大 规模 的 中 文 阅读 理解 数据 集 , 参赛 系统 效果 提升 显著 。 35-77 35-77 竞赛 发布 了 最大 规模 的 中 文 阅读 理解 数据 集 , 提供 了 先进 的 开源 基线 系统 , 采用 改进 的 自动 评价 指标 , 吸引 了 国 内外 千余 支队 伍 参与 , 参赛 系统 效果 提升 显著 。 竞赛 发布 了 最大 规模 的 中 文 阅读 理解 数据 集 , 提供 了 先进 的 开源 基线 系统 , 采用 改进 的 自动 评价 指标 , 吸引 了 国 内外 千余 支队 伍 参与 , 参赛 系统 效果 提升 显著 。 1<2 joint joint
nlpabs24_Chi 78-95 96-104 该文 详细 介绍 技术 竞赛 的 总体 情况 、 竞赛 设置 、 组织 流程 、 评价 结果 , 并 对 参赛 系统 结果 进行 了 分析 。 78-104 78-104 该文 详细 介绍 技术 竞赛 的 总体 情况 、 竞赛 设置 、 组织 流程 、 评价 结果 , 并 对 参赛 系统 结果 进行 了 分析 。 该文 详细 介绍 技术 竞赛 的 总体 情况 、 竞赛 设置 、 组织 流程 、 评价 结果 , 并 对 参赛 系统 结果 进行 了 分析 。 1<2 elab-addition elab-addition
nlpabs25_Chi 1-13 59-69 甲骨 文 是 流行 于 我国 古代 商朝 的 成熟 文字 系统 , 该文 分析 了 甲骨 文 字 形 的 分形 性质 , 1-28 59-99 甲骨 文 是 流行 于 我国 古代 商朝 的 成熟 文字 系统 , 本质 上 是 一 种 平面 图形 , 笔画 和 结构 不是 非常 稳定 。 该文 分析 了 甲骨 文 字 形 的 分形 性质 , 在 此 基础 上 , 通过 字形 的 重心 建立 二 维 平面 直角 坐标 系 , 将 甲骨 文字 形 的 平面 图形 划分 为 四 个 象限 。 1>2 bg-general bg-general
nlpabs25_Chi 1-13 14-21 甲骨 文 是 流行 于 我国 古代 商朝 的 成熟 文字 系统 , 本质 上 是 一 种 平面 图形 , 1-28 1-28 甲骨 文 是 流行 于 我国 古代 商朝 的 成熟 文字 系统 , 本质 上 是 一 种 平面 图形 , 笔画 和 结构 不是 非常 稳定 。 甲骨 文 是 流行 于 我国 古代 商朝 的 成熟 文字 系统 , 本质 上 是 一 种 平面 图形 , 笔画 和 结构 不是 非常 稳定 。 1<2 elab-addition elab-addition
nlpabs25_Chi 14-21 22-28 本质 上 是 一 种 平面 图形 , 笔画 和 结构 不是 非常 稳定 。 1-28 1-28 甲骨 文 是 流行 于 我国 古代 商朝 的 成熟 文字 系统 , 本质 上 是 一 种 平面 图形 , 笔画 和 结构 不是 非常 稳定 。 甲骨 文 是 流行 于 我国 古代 商朝 的 成熟 文字 系统 , 本质 上 是 一 种 平面 图形 , 笔画 和 结构 不是 非常 稳定 。 1<2 elab-addition elab-addition
nlpabs25_Chi 22-28 29-34 笔画 和 结构 不是 非常 稳定 。 很多 字形 具有 图画 性质 , 1-28 29-44 甲骨 文 是 流行 于 我国 古代 商朝 的 成熟 文字 系统 , 本质 上 是 一 种 平面 图形 , 笔画 和 结构 不是 非常 稳定 。 很多 字形 具有 图画 性质 , 难 以 区分 明显 的 结构 , 难写 难记 。 1<2 elab-addition elab-addition
nlpabs25_Chi 29-34 35-41 很多 字形 具有 图画 性质 , 难 以 区分 明显 的 结构 , 29-44 29-44 很多 字形 具有 图画 性质 , 难 以 区分 明显 的 结构 , 难写 难记 。 很多 字形 具有 图画 性质 , 难 以 区分 明显 的 结构 , 难写 难记 。 1<2 elab-addition elab-addition
nlpabs25_Chi 35-41 42-44 难 以 区分 明显 的 结构 , 难写 难记 。 29-44 29-44 很多 字形 具有 图画 性质 , 难 以 区分 明显 的 结构 , 难写 难记 。 很多 字形 具有 图画 性质 , 难 以 区分 明显 的 结构 , 难写 难记 。 1<2 elab-addition elab-addition
nlpabs25_Chi 22-28 45-52 笔画 和 结构 不是 非常 稳定 。 已有 的 编码 输入 方法 受 众面小 , 1-28 45-58 甲骨 文 是 流行 于 我国 古代 商朝 的 成熟 文字 系统 , 本质 上 是 一 种 平面 图形 , 笔画 和 结构 不是 非常 稳定 。 已有 的 编码 输入 方法 受 众面小 , 效率 很低 , 使用 受限 。 1<2 result result
nlpabs25_Chi 45-52 53-55 已有 的 编码 输入 方法 受 众面小 , 效率 很低 , 45-58 45-58 已有 的 编码 输入 方法 受 众面小 , 效率 很低 , 使用 受限 。 已有 的 编码 输入 方法 受 众面小 , 效率 很低 , 使用 受限 。 1<2 joint joint
nlpabs25_Chi 45-52 56-58 已有 的 编码 输入 方法 受 众面小 , 使用 受限 。 45-58 45-58 已有 的 编码 输入 方法 受 众面小 , 效率 很低 , 使用 受限 。 已有 的 编码 输入 方法 受 众面小 , 效率 很低 , 使用 受限 。 1<2 joint joint
nlpabs25_Chi 70-74 75-86 在 此 基础 上 , 通过 字形 的 重心 建立 二 维 平面 直角 坐标 系 , 59-99 59-99 该文 分析 了 甲骨 文 字 形 的 分形 性质 , 在 此 基础 上 , 通过 字形 的 重心 建立 二 维 平面 直角 坐标 系 , 将 甲骨 文字 形 的 平面 图形 划分 为 四 个 象限 。 该文 分析 了 甲骨 文 字 形 的 分形 性质 , 在 此 基础 上 , 通过 字形 的 重心 建立 二 维 平面 直角 坐标 系 , 将 甲骨 文字 形 的 平面 图形 划分 为 四 个 象限 。 1>2 bg-general bg-general
nlpabs25_Chi 59-69 75-86 该文 分析 了 甲骨 文 字 形 的 分形 性质 , 通过 字形 的 重心 建立 二 维 平面 直角 坐标 系 , 59-99 59-99 该文 分析 了 甲骨 文 字 形 的 分形 性质 , 在 此 基础 上 , 通过 字形 的 重心 建立 二 维 平面 直角 坐标 系 , 将 甲骨 文字 形 的 平面 图形 划分 为 四 个 象限 。 该文 分析 了 甲骨 文 字 形 的 分形 性质 , 在 此 基础 上 , 通过 字形 的 重心 建立 二 维 平面 直角 坐标 系 , 将 甲骨 文字 形 的 平面 图形 划分 为 四 个 象限 。 1<2 elab-addition elab-addition
nlpabs25_Chi 75-86 87-99 通过 字形 的 重心 建立 二 维 平面 直角 坐标 系 , 将 甲骨 文字 形 的 平面 图形 划分 为 四 个 象限 。 59-99 59-99 该文 分析 了 甲骨 文 字 形 的 分形 性质 , 在 此 基础 上 , 通过 字形 的 重心 建立 二 维 平面 直角 坐标 系 , 将 甲骨 文字 形 的 平面 图形 划分 为 四 个 象限 。 该文 分析 了 甲骨 文 字 形 的 分形 性质 , 在 此 基础 上 , 通过 字形 的 重心 建立 二 维 平面 直角 坐标 系 , 将 甲骨 文字 形 的 平面 图形 划分 为 四 个 象限 。 1<2 enablement enablement
nlpabs25_Chi 100-105 116-127 利用 分形 几何 的 原理 , 将 甲骨 文字 形形式 化 为 一 组 分形 描述 码 。 100-127 100-127 利用 分形 几何 的 原理 , 通过 计算 字形 以及 各个 象限 的 分形 维数 , 将 甲骨 文字 形形式 化 为 一 组 分形 描述 码 。 利用 分形 几何 的 原理 , 通过 计算 字形 以及 各个 象限 的 分形 维数 , 将 甲骨 文字 形形式 化 为 一 组 分形 描述 码 。 1>2 manner-means manner-means
nlpabs25_Chi 100-105 106-115 利用 分形 几何 的 原理 , 通过 计算 字形 以及 各个 象限 的 分形 维数 , 100-127 100-127 利用 分形 几何 的 原理 , 通过 计算 字形 以及 各个 象限 的 分形 维数 , 将 甲骨 文字 形形式 化 为 一 组 分形 描述 码 。 利用 分形 几何 的 原理 , 通过 计算 字形 以及 各个 象限 的 分形 维数 , 将 甲骨 文字 形形式 化 为 一 组 分形 描述 码 。 1<2 elab-addition elab-addition
nlpabs25_Chi 59-69 116-127 该文 分析 了 甲骨 文 字 形 的 分形 性质 , 将 甲骨 文字 形形式 化 为 一 组 分形 描述 码 。 59-99 100-127 该文 分析 了 甲骨 文 字 形 的 分形 性质 , 在 此 基础 上 , 通过 字形 的 重心 建立 二 维 平面 直角 坐标 系 , 将 甲骨 文字 形 的 平面 图形 划分 为 四 个 象限 。 利用 分形 几何 的 原理 , 通过 计算 字形 以及 各个 象限 的 分形 维数 , 将 甲骨 文字 形形式 化 为 一 组 分形 描述 码 。 1<2 elab-process_step elab-process_step
nlpabs25_Chi 59-69 128-140 该文 分析 了 甲骨 文 字 形 的 分形 性质 , 再 通过 与 甲骨 文 字形 的 分形 特征 库 进行 配准 , 59-99 128-146 该文 分析 了 甲骨 文 字 形 的 分形 性质 , 在 此 基础 上 , 通过 字形 的 重心 建立 二 维 平面 直角 坐标 系 , 将 甲骨 文字 形 的 平面 图形 划分 为 四 个 象限 。 再 通过 与 甲骨 文 字形 的 分形 特征 库 进行 配准 , 从而 识别 甲骨 文 字形 。 1<2 elab-process_step elab-process_step
nlpabs25_Chi 128-140 141-146 再 通过 与 甲骨 文 字形 的 分形 特征 库 进行 配准 , 从而 识别 甲骨 文 字形 。 128-146 128-146 再 通过 与 甲骨 文 字形 的 分形 特征 库 进行 配准 , 从而 识别 甲骨 文 字形 。 再 通过 与 甲骨 文 字形 的 分形 特征 库 进行 配准 , 从而 识别 甲骨 文 字形 。 1<2 enablement enablement
nlpabs25_Chi 147-150 151-162 实验 结果 显示 , 利用 分形 几何 可以 较好 地 识别 甲骨 文 字 形 。 147-162 147-162 实验 结果 显示 , 利用 分形 几何 可以 较好 地 识别 甲骨 文 字 形 。 实验 结果 显示 , 利用 分形 几何 可以 较好 地 识别 甲骨 文 字 形 。 1>2 attribution attribution
nlpabs25_Chi 59-69 151-162 该文 分析 了 甲骨 文 字 形 的 分形 性质 , 利用 分形 几何 可以 较好 地 识别 甲骨 文 字 形 。 59-99 147-162 该文 分析 了 甲骨 文 字 形 的 分形 性质 , 在 此 基础 上 , 通过 字形 的 重心 建立 二 维 平面 直角 坐标 系 , 将 甲骨 文字 形 的 平面 图形 划分 为 四 个 象限 。 实验 结果 显示 , 利用 分形 几何 可以 较好 地 识别 甲骨 文 字 形 。 1<2 evaluation evaluation
nlpabs27_Chi 1-15 31-42 机器 翻译 自动 评价 发展 至 今 , 各种 自动 评价 方法 不断 涌现 。 该文 提出 了 基 于 融合 策略 的 自动 评价 方法 , 1-15 31-61 机器 翻译 自动 评价 发展 至 今 , 各种 自动 评价 方法 不断 涌现 。 该文 提出 了 基 于 融合 策略 的 自动 评价 方法 , 该 方法 可以 融合 多 个 自动 评价 方法 , 多 角度 地 综合 评价 机器 译文 质量 。 1>2 bg-general bg-general
nlpabs27_Chi 1-15 16-30 机器 翻译 自动 评价 发展 至 今 , 各种 自动 评价 方法 不断 涌现 。 不同 的 自动 评价 方法 从 不同 的 角度 评价 机器 译文 的 质量 。 1-15 16-30 机器 翻译 自动 评价 发展 至 今 , 各种 自动 评价 方法 不断 涌现 。 不同 的 自动 评价 方法 从 不同 的 角度 评价 机器 译文 的 质量 。 1<2 elab-addition elab-addition
nlpabs27_Chi 31-42 43-52 该文 提出 了 基 于 融合 策略 的 自动 评价 方法 , 该 方法 可以 融合 多 个 自动 评价 方法 , 31-61 31-61 该文 提出 了 基 于 融合 策略 的 自动 评价 方法 , 该 方法 可以 融合 多 个 自动 评价 方法 , 多 角度 地 综合 评价 机器 译文 质量 。 该文 提出 了 基 于 融合 策略 的 自动 评价 方法 , 该 方法 可以 融合 多 个 自动 评价 方法 , 多 角度 地 综合 评价 机器 译文 质量 。 1<2 elab-addition elab-addition
nlpabs27_Chi 43-52 53-61 该 方法 可以 融合 多 个 自动 评价 方法 , 多 角度 地 综合 评价 机器 译文 质量 。 31-61 31-61 该文 提出 了 基 于 融合 策略 的 自动 评价 方法 , 该 方法 可以 融合 多 个 自动 评价 方法 , 多 角度 地 综合 评价 机器 译文 质量 。 该文 提出 了 基 于 融合 策略 的 自动 评价 方法 , 该 方法 可以 融合 多 个 自动 评价 方法 , 多 角度 地 综合 评价 机器 译文 质量 。 1<2 elab-addition elab-addition
nlpabs27_Chi 31-42 62-72 该文 提出 了 基 于 融合 策略 的 自动 评价 方法 , 该 文 主要 在 以下 几 个 方面 探索 进行 : 31-61 62-212 该文 提出 了 基 于 融合 策略 的 自动 评价 方法 , 该 方法 可以 融合 多 个 自动 评价 方法 , 多 角度 地 综合 评价 机器 译文 质量 。 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 1<2 elab-addition elab-addition
nlpabs27_Chi 62-72 73-101 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 62-212 62-212 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 1<2 elab-enumember elab-enumember
nlpabs27_Chi 102-103 104-121 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; 62-212 62-212 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 1>2 attribution attribution
nlpabs27_Chi 73-101 104-121 ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; 62-212 62-212 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 1<2 evaluation evaluation
nlpabs27_Chi 62-72 122-147 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 62-212 62-212 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 1<2 elab-enumember elab-enumember
nlpabs27_Chi 148-149 150-159 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; 62-212 62-212 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 1>2 attribution attribution
nlpabs27_Chi 122-147 150-159 ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 在 当前 数据 集上 , 使用 SVM 效果 更好 ; 62-212 62-212 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 1<2 evaluation evaluation
nlpabs27_Chi 160-168 169-179 ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 62-212 62-212 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 1>2 bg-general bg-general
nlpabs27_Chi 62-72 169-179 该 文 主要 在 以下 几 个 方面 探索 进行 : 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 62-212 62-212 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 1<2 elab-enumember elab-enumember
nlpabs27_Chi 169-179 180-190 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; 62-212 62-212 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 1<2 elab-addition elab-addition
nlpabs27_Chi 62-72 191-203 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 62-212 62-212 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 1<2 elab-enumember elab-enumember
nlpabs27_Chi 191-203 204-212 ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 62-212 62-212 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 1<2 enablement enablement
nlpabs27_Chi 213-229 230-240 在 WMT16 评测 数据 上 的 实验 , 以及 参加 WMT17 评测 的 结果 均 表明 , Blend 与 人工 评价 的 一致 性 达到 领先 水平 。 213-240 213-240 在 WMT16 评测 数据 上 的 实验 , 以及 参加 WMT17 评测 的 结果 均 表明 , Blend 与 人工 评价 的 一致 性 达到 领先 水平 。 在 WMT16 评测 数据 上 的 实验 , 以及 参加 WMT17 评测 的 结果 均 表明 , Blend 与 人工 评价 的 一致 性 达到 领先 水平 。 1>2 attribution attribution
nlpabs27_Chi 191-203 230-240 ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , Blend 与 人工 评价 的 一致 性 达到 领先 水平 。 62-212 213-240 该 文 主要 在 以下 几 个 方面 探索 进行 : ( 1 ) 对比 分别 使用 相对 排序 ( RR ) 和 直接 评估 ( DA ) 两 种 人工 评价 方法 指导 训练 融合 自动 评价 方法 , 实验 表明 使用 可靠 性 高 的 DA 形成 的 融合 自动 评价 方法 ( Blend ) 性能 更好 ; ( 2 ) 对比 Blend 分别 使用 支持 向量 机 ( SVM ) 和 全 连接 神经 网络 ( FFNN ) 机器 学 习算 法 , 实验 表明 在 当前 数据 集上 , 使用 SVM 效果 更好 ; ( 3 ) 进而 在 SVM 基础 上 , 探索 使用 不同 的 评价 方法 对 Blend 的 影响 , 为 Blend 寻找 在 性能 和 效率 上 的 平衡 ; ( 4 ) 把 Blend 推广 应 用 到 其他 语言 对上 , 说明 它 的 稳定 性 及 通用 性 。 在 WMT16 评测 数据 上 的 实验 , 以及 参加 WMT17 评测 的 结果 均 表明 , Blend 与 人工 评价 的 一致 性 达到 领先 水平 。 1<2 evaluation evaluation
nlpabs28_Chi 1-10 11-22 为 提升 维汉 机器 翻译 模型 的 翻译 能力 , 该文 提出 使用 多 编码 器 多 解码 器 的 结构 , 1-33 1-33 为 提升 维汉 机器 翻译 模型 的 翻译 能力 , 该文 提出 使用 多 编码 器 多 解码 器 的 结构 , 搭建 大 规模 的 维汉 神经 网络 机器 翻译 模型 。 为 提升 维汉 机器 翻译 模型 的 翻译 能力 , 该文 提出 使用 多 编码 器 多 解码 器 的 结构 , 搭建 大 规模 的 维汉 神经 网络 机器 翻译 模型 。 1>2 result result
nlpabs28_Chi 11-22 23-33 该文 提出 使用 多 编码 器 多 解码 器 的 结构 , 搭建 大 规模 的 维汉 神经 网络 机器 翻译 模型 。 1-33 1-33 为 提升 维汉 机器 翻译 模型 的 翻译 能力 , 该文 提出 使用 多 编码 器 多 解码 器 的 结构 , 搭建 大 规模 的 维汉 神经 网络 机器 翻译 模型 。 为 提升 维汉 机器 翻译 模型 的 翻译 能力 , 该文 提出 使用 多 编码 器 多 解码 器 的 结构 , 搭建 大 规模 的 维汉 神经 网络 机器 翻译 模型 。 1<2 enablement enablement
nlpabs28_Chi 34-47 48-60 相比 于 单 编码 器 单 解码 器 的 浅层 的 小 模型 , 多 编码 器 多 解码 器 模型 具有 多 个 编码 器 , 34-88 34-88 相比 于 单 编码 器 单 解码 器 的 浅层 的 小 模型 , 多 编码 器 多 解码 器 模型 具有 多 个 编码 器 , 可以 对源 语言 进行 多 层次 、 多 视角 的 压缩 表示 ; 同时 具有 多 个 解码 器 , 可以 增强 目标 语言 的 生成 能力 。 相比 于 单 编码 器 单 解码 器 的 浅层 的 小 模型 , 多 编码 器 多 解码 器 模型 具有 多 个 编码 器 , 可以 对源 语言 进行 多 层次 、 多 视角 的 压缩 表示 ; 同时 具有 多 个 解码 器 , 可以 增强 目标 语言 的 生成 能力 。 1>2 comparison comparison
nlpabs28_Chi 11-22 48-60 该文 提出 使用 多 编码 器 多 解码 器 的 结构 , 多 编码 器 多 解码 器 模型 具有 多 个 编码 器 , 1-33 34-88 为 提升 维汉 机器 翻译 模型 的 翻译 能力 , 该文 提出 使用 多 编码 器 多 解码 器 的 结构 , 搭建 大 规模 的 维汉 神经 网络 机器 翻译 模型 。 相比 于 单 编码 器 单 解码 器 的 浅层 的 小 模型 , 多 编码 器 多 解码 器 模型 具有 多 个 编码 器 , 可以 对源 语言 进行 多 层次 、 多 视角 的 压缩 表示 ; 同时 具有 多 个 解码 器 , 可以 增强 目标 语言 的 生成 能力 。 1<2 elab-addition elab-addition
nlpabs28_Chi 48-60 61-73 多 编码 器 多 解码 器 模型 具有 多 个 编码 器 , 可以 对源 语言 进行 多 层次 、 多 视角 的 压缩 表示 ; 34-88 34-88 相比 于 单 编码 器 单 解码 器 的 浅层 的 小 模型 , 多 编码 器 多 解码 器 模型 具有 多 个 编码 器 , 可以 对源 语言 进行 多 层次 、 多 视角 的 压缩 表示 ; 同时 具有 多 个 解码 器 , 可以 增强 目标 语言 的 生成 能力 。 相比 于 单 编码 器 单 解码 器 的 浅层 的 小 模型 , 多 编码 器 多 解码 器 模型 具有 多 个 编码 器 , 可以 对源 语言 进行 多 层次 、 多 视角 的 压缩 表示 ; 同时 具有 多 个 解码 器 , 可以 增强 目标 语言 的 生成 能力 。 1<2 elab-addition elab-addition
nlpabs28_Chi 61-73 74-88 可以 对源 语言 进行 多 层次 、 多 视角 的 压缩 表示 ; 同时 具有 多 个 解码 器 , 可以 增强 目标 语言 的 生成 能力 。 34-88 34-88 相比 于 单 编码 器 单 解码 器 的 浅层 的 小 模型 , 多 编码 器 多 解码 器 模型 具有 多 个 编码 器 , 可以 对源 语言 进行 多 层次 、 多 视角 的 压缩 表示 ; 同时 具有 多 个 解码 器 , 可以 增强 目标 语言 的 生成 能力 。 相比 于 单 编码 器 单 解码 器 的 浅层 的 小 模型 , 多 编码 器 多 解码 器 模型 具有 多 个 编码 器 , 可以 对源 语言 进行 多 层次 、 多 视角 的 压缩 表示 ; 同时 具有 多 个 解码 器 , 可以 增强 目标 语言 的 生成 能力 。 1<2 joint joint
nlpabs28_Chi 89-91 92-136 实验 证明 , 在 大 规模 的 训练 数据 上 , 使用 该 方法 搭建 的 大 规模 维汉 神经 网络 机器 翻译 模型 , 译文 质量 可以 大 幅度 地 超过 基 于 短语 的 统计 机器 翻译 模型 和 基本 的 神经 网络 翻译 模型 。 89-136 89-136 实验 证明 , 在 大 规模 的 训练 数据 上 , 使用 该 方法 搭建 的 大 规模 维汉 神经 网络 机器 翻译 模型 , 译文 质量 可以 大 幅度 地 超过 基 于 短语 的 统计 机器 翻译 模型 和 基本 的 神经 网络 翻译 模型 。 实验 证明 , 在 大 规模 的 训练 数据 上 , 使用 该 方法 搭建 的 大 规模 维汉 神经 网络 机器 翻译 模型 , 译文 质量 可以 大 幅度 地 超过 基 于 短语 的 统计 机器 翻译 模型 和 基本 的 神经 网络 翻译 模型 。 1>2 attribution attribution
nlpabs28_Chi 11-22 92-136 该文 提出 使用 多 编码 器 多 解码 器 的 结构 , 在 大 规模 的 训练 数据 上 , 使用 该 方法 搭建 的 大 规模 维汉 神经 网络 机器 翻译 模型 , 译文 质量 可以 大 幅度 地 超过 基 于 短语 的 统计 机器 翻译 模型 和 基本 的 神经 网络 翻译 模型 。 1-33 89-136 为 提升 维汉 机器 翻译 模型 的 翻译 能力 , 该文 提出 使用 多 编码 器 多 解码 器 的 结构 , 搭建 大 规模 的 维汉 神经 网络 机器 翻译 模型 。 实验 证明 , 在 大 规模 的 训练 数据 上 , 使用 该 方法 搭建 的 大 规模 维汉 神经 网络 机器 翻译 模型 , 译文 质量 可以 大 幅度 地 超过 基 于 短语 的 统计 机器 翻译 模型 和 基本 的 神经 网络 翻译 模型 。 1<2 evaluation evaluation
nlpabs28_Chi 11-22 137-155 该文 提出 使用 多 编码 器 多 解码 器 的 结构 , 该文 还 针对 维汉 翻译 源端 语言 和 目标 端 语言 的 翻译 单元 粒度 进行 了 实验 , 1-33 137-196 为 提升 维汉 机器 翻译 模型 的 翻译 能力 , 该文 提出 使用 多 编码 器 多 解码 器 的 结构 , 搭建 大 规模 的 维汉 神经 网络 机器 翻译 模型 。 该文 还 针对 维汉 翻译 源端 语言 和 目标 端 语言 的 翻译 单元 粒度 进行 了 实验 , 发现 维吾尔 语端 使用 字节 对 编码 单元 、 汉 语 端 使用 字 单元 , 可以 消除 对 汉 语 分 词 器 的 依赖 , 做到 和 双 端 都 使用 字节 对 编码 单元 可比 的 效果 。 1<2 elab-addition elab-addition
nlpabs28_Chi 137-155 156-182 该文 还 针对 维汉 翻译 源端 语言 和 目标 端 语言 的 翻译 单元 粒度 进行 了 实验 , 发现 维吾尔 语端 使用 字节 对 编码 单元 、 汉 语 端 使用 字 单元 , 可以 消除 对 汉 语 分 词 器 的 依赖 , 137-196 137-196 该文 还 针对 维汉 翻译 源端 语言 和 目标 端 语言 的 翻译 单元 粒度 进行 了 实验 , 发现 维吾尔 语端 使用 字节 对 编码 单元 、 汉 语 端 使用 字 单元 , 可以 消除 对 汉 语 分 词 器 的 依赖 , 做到 和 双 端 都 使用 字节 对 编码 单元 可比 的 效果 。 该文 还 针对 维汉 翻译 源端 语言 和 目标 端 语言 的 翻译 单元 粒度 进行 了 实验 , 发现 维吾尔 语端 使用 字节 对 编码 单元 、 汉 语 端 使用 字 单元 , 可以 消除 对 汉 语 分 词 器 的 依赖 , 做到 和 双 端 都 使用 字节 对 编码 单元 可比 的 效果 。 1<2 elab-addition elab-addition
nlpabs28_Chi 156-182 183-196 发现 维吾尔 语端 使用 字节 对 编码 单元 、 汉 语 端 使用 字 单元 , 可以 消除 对 汉 语 分 词 器 的 依赖 , 做到 和 双 端 都 使用 字节 对 编码 单元 可比 的 效果 。 137-196 137-196 该文 还 针对 维汉 翻译 源端 语言 和 目标 端 语言 的 翻译 单元 粒度 进行 了 实验 , 发现 维吾尔 语端 使用 字节 对 编码 单元 、 汉 语 端 使用 字 单元 , 可以 消除 对 汉 语 分 词 器 的 依赖 , 做到 和 双 端 都 使用 字节 对 编码 单元 可比 的 效果 。 该文 还 针对 维汉 翻译 源端 语言 和 目标 端 语言 的 翻译 单元 粒度 进行 了 实验 , 发现 维吾尔 语端 使用 字节 对 编码 单元 、 汉 语 端 使用 字 单元 , 可以 消除 对 汉 语 分 词 器 的 依赖 , 做到 和 双 端 都 使用 字节 对 编码 单元 可比 的 效果 。 1<2 elab-addition elab-addition
nlpabs2_Chi 1-25 26-61 话题 检测 与 跟踪 是 一 项 面向 新闻 媒体 信息 流 进行 未知 话题 识别 和 已知 话题 跟踪 的 信息 处理 技术 。 自 从 1996 年 前瞻 性 的 探索 以来 , 该 领域 进行 的 多 次 大 规模 评测 为 信息 识别 、 采集 和 组织 等 相关 技术 提供 了 新 的 测试 平台 。 1-25 26-61 话题 检测 与 跟踪 是 一 项 面向 新闻 媒体 信息 流 进行 未知 话题 识别 和 已知 话题 跟踪 的 信息 处理 技术 。 自 从 1996 年 前瞻 性 的 探索 以来 , 该 领域 进行 的 多 次 大 规模 评测 为 信息 识别 、 采集 和 组织 等 相关 技术 提供 了 新 的 测试 平台 。 1<2 elab-addition elab-addition
nlpabs2_Chi 62-85 99-111 由于 话题 检测 与 跟踪 相对 于 信息 检索 、 信息 挖掘 和 信息 抽取 等 自然 语言 处理 技术 具备 很多 共性 , 因 此 逐渐 成 为 当前 信息 处理 领域 的 研究 热点 。 62-111 62-111 由于 话题 检测 与 跟踪 相对 于 信息 检索 、 信息 挖掘 和 信息 抽取 等 自然 语言 处理 技术 具备 很多 共性 , 并 面向 具备 突发 性 和 延续 性 规律 的 新闻 语料 , 因 此 逐渐 成 为 当前 信息 处理 领域 的 研究 热点 。 由于 话题 检测 与 跟踪 相对 于 信息 检索 、 信息 挖掘 和 信息 抽取 等 自然 语言 处理 技术 具备 很多 共性 , 并 面向 具备 突发 性 和 延续 性 规律 的 新闻 语料 , 因 此 逐渐 成 为 当前 信息 处理 领域 的 研究 热点 。 1>2 cause cause
nlpabs2_Chi 62-85 86-98 由于 话题 检测 与 跟踪 相对 于 信息 检索 、 信息 挖掘 和 信息 抽取 等 自然 语言 处理 技术 具备 很多 共性 , 并 面向 具备 突发 性 和 延续 性 规律 的 新闻 语料 , 62-111 62-111 由于 话题 检测 与 跟踪 相对 于 信息 检索 、 信息 挖掘 和 信息 抽取 等 自然 语言 处理 技术 具备 很多 共性 , 并 面向 具备 突发 性 和 延续 性 规律 的 新闻 语料 , 因 此 逐渐 成 为 当前 信息 处理 领域 的 研究 热点 。 由于 话题 检测 与 跟踪 相对 于 信息 检索 、 信息 挖掘 和 信息 抽取 等 自然 语言 处理 技术 具备 很多 共性 , 并 面向 具备 突发 性 和 延续 性 规律 的 新闻 语料 , 因 此 逐渐 成 为 当前 信息 处理 领域 的 研究 热点 。 1<2 joint joint
nlpabs2_Chi 26-61 99-111 自 从 1996 年 前瞻 性 的 探索 以来 , 该 领域 进行 的 多 次 大 规模 评测 为 信息 识别 、 采集 和 组织 等 相关 技术 提供 了 新 的 测试 平台 。 因 此 逐渐 成 为 当前 信息 处理 领域 的 研究 热点 。 26-61 62-111 自 从 1996 年 前瞻 性 的 探索 以来 , 该 领域 进行 的 多 次 大 规模 评测 为 信息 识别 、 采集 和 组织 等 相关 技术 提供 了 新 的 测试 平台 。 由于 话题 检测 与 跟踪 相对 于 信息 检索 、 信息 挖掘 和 信息 抽取 等 自然 语言 处理 技术 具备 很多 共性 , 并 面向 具备 突发 性 和 延续 性 规律 的 新闻 语料 , 因 此 逐渐 成 为 当前 信息 处理 领域 的 研究 热点 。 1<2 elab-addition elab-addition
nlpabs2_Chi 1-25 112-132 话题 检测 与 跟踪 是 一 项 面向 新闻 媒体 信息 流 进行 未知 话题 识别 和 已知 话题 跟踪 的 信息 处理 技术 。 本文 简要 介绍 了 话题 检测 与 跟踪 的 研究 背景 、 任务 定义 、 评测 方法 以及 相关 技术 , 1-25 112-147 话题 检测 与 跟踪 是 一 项 面向 新闻 媒体 信息 流 进行 未知 话题 识别 和 已知 话题 跟踪 的 信息 处理 技术 。 本文 简要 介绍 了 话题 检测 与 跟踪 的 研究 背景 、 任务 定义 、 评测 方法 以及 相关 技术 , 并 通过 分析 目前 TDT 领域 的 研究 现状 展望 未来 的 发展 趋势 。 1<2 elab-addition elab-addition
nlpabs2_Chi 112-132 133-147 本文 简要 介绍 了 话题 检测 与 跟踪 的 研究 背景 、 任务 定义 、 评测 方法 以及 相关 技术 , 并 通过 分析 目前 TDT 领域 的 研究 现状 展望 未来 的 发展 趋势 。 112-147 112-147 本文 简要 介绍 了 话题 检测 与 跟踪 的 研究 背景 、 任务 定义 、 评测 方法 以及 相关 技术 , 并 通过 分析 目前 TDT 领域 的 研究 现状 展望 未来 的 发展 趋势 。 本文 简要 介绍 了 话题 检测 与 跟踪 的 研究 背景 、 任务 定义 、 评测 方法 以及 相关 技术 , 并 通过 分析 目前 TDT 领域 的 研究 现状 展望 未来 的 发展 趋势 。 1<2 joint joint
nlpabs30_Chi 1-14 15-24 乌孜别克 语名 词 词干 识别 是 自然 语言 处理 领域 的 基础 研究 , 主要 方法 是 从 句子 中 提取 名词 词干 , 1-32 1-32 乌孜别克 语名 词 词干 识别 是 自然 语言 处理 领域 的 基础 研究 , 主要 方法 是 从 句子 中 提取 名词 词干 , 提高 名词 标注 效率 和 准确 性 。 乌孜别克 语名 词 词干 识别 是 自然 语言 处理 领域 的 基础 研究 , 主要 方法 是 从 句子 中 提取 名词 词干 , 提高 名词 标注 效率 和 准确 性 。 1<2 elab-addition elab-addition
nlpabs30_Chi 15-24 25-32 主要 方法 是 从 句子 中 提取 名词 词干 , 提高 名词 标注 效率 和 准确 性 。 1-32 1-32 乌孜别克 语名 词 词干 识别 是 自然 语言 处理 领域 的 基础 研究 , 主要 方法 是 从 句子 中 提取 名词 词干 , 提高 名词 标注 效率 和 准确 性 。 乌孜别克 语名 词 词干 识别 是 自然 语言 处理 领域 的 基础 研究 , 主要 方法 是 从 句子 中 提取 名词 词干 , 提高 名词 标注 效率 和 准确 性 。 1<2 enablement enablement
nlpabs30_Chi 1-14 33-47 乌孜别克 语名 词 词干 识别 是 自然 语言 处理 领域 的 基础 研究 , 该文 首先 陈述 形态 分析 、 形态 特征 对 识别 其 词性 的 作用 , 1-32 33-84 乌孜别克 语名 词 词干 识别 是 自然 语言 处理 领域 的 基础 研究 , 主要 方法 是 从 句子 中 提取 名词 词干 , 提高 名词 标注 效率 和 准确 性 。 该文 首先 陈述 形态 分析 、 形态 特征 对 识别 其 词性 的 作用 , 然后 讨论 乌孜别克 语 的 词类 划分 标准 、 名词 的 形态 特征 , 乌孜别克 语 西尔里 文 转换 拉丁 文 , 乌孜别克 语 词汇 翻译 、 标注 技术 , 总结 词缀 歧义 及 消解 规则 。 1<2 elab-aspect elab-aspect
nlpabs30_Chi 1-14 48-77 乌孜别克 语名 词 词干 识别 是 自然 语言 处理 领域 的 基础 研究 , 然后 讨论 乌孜别克 语 的 词类 划分 标准 、 名词 的 形态 特征 , 乌孜别克 语 西尔里 文 转换 拉丁 文 , 乌孜别克 语 词汇 翻译 、 标注 技术 , 1-32 33-84 乌孜别克 语名 词 词干 识别 是 自然 语言 处理 领域 的 基础 研究 , 主要 方法 是 从 句子 中 提取 名词 词干 , 提高 名词 标注 效率 和 准确 性 。 该文 首先 陈述 形态 分析 、 形态 特征 对 识别 其 词性 的 作用 , 然后 讨论 乌孜别克 语 的 词类 划分 标准 、 名词 的 形态 特征 , 乌孜别克 语 西尔里 文 转换 拉丁 文 , 乌孜别克 语 词汇 翻译 、 标注 技术 , 总结 词缀 歧义 及 消解 规则 。 1<2 elab-aspect elab-aspect
nlpabs30_Chi 48-77 78-84 然后 讨论 乌孜别克 语 的 词类 划分 标准 、 名词 的 形态 特征 , 乌孜别克 语 西尔里 文 转换 拉丁 文 , 乌孜别克 语 词汇 翻译 、 标注 技术 , 总结 词缀 歧义 及 消解 规则 。 33-84 33-84 该文 首先 陈述 形态 分析 、 形态 特征 对 识别 其 词性 的 作用 , 然后 讨论 乌孜别克 语 的 词类 划分 标准 、 名词 的 形态 特征 , 乌孜别克 语 西尔里 文 转换 拉丁 文 , 乌孜别克 语 词汇 翻译 、 标注 技术 , 总结 词缀 歧义 及 消解 规则 。 该文 首先 陈述 形态 分析 、 形态 特征 对 识别 其 词性 的 作用 , 然后 讨论 乌孜别克 语 的 词类 划分 标准 、 名词 的 形态 特征 , 乌孜别克 语 西尔里 文 转换 拉丁 文 , 乌孜别克 语 词汇 翻译 、 标注 技术 , 总结 词缀 歧义 及 消解 规则 。 1<2 joint joint
nlpabs30_Chi 1-14 85-97 乌孜别克 语名 词 词干 识别 是 自然 语言 处理 领域 的 基础 研究 , 该文 提出 利用 形态 规则 、 词典 、 最大 熵 融合 策略 , 1-32 85-127 乌孜别克 语名 词 词干 识别 是 自然 语言 处理 领域 的 基础 研究 , 主要 方法 是 从 句子 中 提取 名词 词干 , 提高 名词 标注 效率 和 准确 性 。 该文 提出 利用 形态 规则 、 词典 、 最大 熵 融合 策略 , 设计 现代 乌孜别克 语 新词 中 名词 词 干识 别算 法 , 其中 包括 特征 选择 及 参数 估计 、 词内 部 特征 、 前后 依 存词 特征 等 。 1<2 elab-aspect elab-aspect
nlpabs30_Chi 85-97 98-109 该文 提出 利用 形态 规则 、 词典 、 最大 熵 融合 策略 , 设计 现代 乌孜别克 语 新词 中 名词 词 干识 别算 法 , 85-127 85-127 该文 提出 利用 形态 规则 、 词典 、 最大 熵 融合 策略 , 设计 现代 乌孜别克 语 新词 中 名词 词 干识 别算 法 , 其中 包括 特征 选择 及 参数 估计 、 词内 部 特征 、 前后 依 存词 特征 等 。 该文 提出 利用 形态 规则 、 词典 、 最大 熵 融合 策略 , 设计 现代 乌孜别克 语 新词 中 名词 词 干识 别算 法 , 其中 包括 特征 选择 及 参数 估计 、 词内 部 特征 、 前后 依 存词 特征 等 。 1<2 enablement enablement
nlpabs30_Chi 98-109 110-127 设计 现代 乌孜别克 语 新词 中 名词 词 干识 别算 法 , 其中 包括 特征 选择 及 参数 估计 、 词内 部 特征 、 前后 依 存词 特征 等 。 85-127 85-127 该文 提出 利用 形态 规则 、 词典 、 最大 熵 融合 策略 , 设计 现代 乌孜别克 语 新词 中 名词 词 干识 别算 法 , 其中 包括 特征 选择 及 参数 估计 、 词内 部 特征 、 前后 依 存词 特征 等 。 该文 提出 利用 形态 规则 、 词典 、 最大 熵 融合 策略 , 设计 现代 乌孜别克 语 新词 中 名词 词 干识 别算 法 , 其中 包括 特征 选择 及 参数 估计 、 词内 部 特征 、 前后 依 存词 特征 等 。 1<2 elab-addition elab-addition
nlpabs30_Chi 1-14 128-138 乌孜别克 语名 词 词干 识别 是 自然 语言 处理 领域 的 基础 研究 , 最后 以 乌孜别克 语 网站 文本 作 为 验证 对象 , 1-32 128-146 乌孜别克 语名 词 词干 识别 是 自然 语言 处理 领域 的 基础 研究 , 主要 方法 是 从 句子 中 提取 名词 词干 , 提高 名词 标注 效率 和 准确 性 。 最后 以 乌孜别克 语 网站 文本 作 为 验证 对象 , 对 名词 词干 进行 统计 与 分析 。 1<2 elab-aspect elab-aspect
nlpabs30_Chi 128-138 139-146 最后 以 乌孜别克 语 网站 文本 作 为 验证 对象 , 对 名词 词干 进行 统计 与 分析 。 128-146 128-146 最后 以 乌孜别克 语 网站 文本 作 为 验证 对象 , 对 名词 词干 进行 统计 与 分析 。 最后 以 乌孜别克 语 网站 文本 作 为 验证 对象 , 对 名词 词干 进行 统计 与 分析 。 1<2 enablement enablement
nlpabs31_Chi 1-17 113-117 短语 作 为 语言 分析 的 一 个 层次 , 占有 十 分 重要 的 位置 。 对 短语 进行 分类 , 1-17 73-132 短语 作 为 语言 分析 的 一 个 层次 , 占有 十 分 重要 的 位置 。 该文 在 藏 语 短语 与 藏 语 句子 的 界线 研究 的 基础 上 , 根据 藏 语 信息 处理 的 特点 和 要求 , 按照 语法 功能 和 便 于 计算 机 自动 分析 和 处理 的 原则 对 短语 进行 分类 , 并 规定 了 信息 处理 中 藏 语 短语 类别 单位 的 标记 代码 。 1>2 bg-general bg-general
nlpabs31_Chi 1-17 18-50 短语 作 为 语言 分析 的 一 个 层次 , 占有 十 分 重要 的 位置 。 有效 的 短语 分析 对 降低 其后 句法 分析 的 难度 , 缩小 句法 分析 器 的 搜索 空间 , 提高 机器 翻译 的 翻译 正确 率 是 很 有 帮助 的 。 1-17 18-50 短语 作 为 语言 分析 的 一 个 层次 , 占有 十 分 重要 的 位置 。 有效 的 短语 分析 对 降低 其后 句法 分析 的 难度 , 缩小 句法 分析 器 的 搜索 空间 , 提高 机器 翻译 的 翻译 正确 率 是 很 有 帮助 的 。 1<2 elab-addition elab-addition
nlpabs31_Chi 1-17 51-64 短语 作 为 语言 分析 的 一 个 层次 , 占有 十 分 重要 的 位置 。 而 目前 面向 信息 处理 的 藏 语 短语 的 研究 刚刚 起步 , 1-17 51-72 短语 作 为 语言 分析 的 一 个 层次 , 占有 十 分 重要 的 位置 。 而 目前 面向 信息 处理 的 藏 语 短语 的 研究 刚刚 起步 , 有 待 于 进 一 步 发展 。 1<2 elab-addition elab-addition
nlpabs31_Chi 51-64 65-72 而 目前 面向 信息 处理 的 藏 语 短语 的 研究 刚刚 起步 , 有 待 于 进 一 步 发展 。 51-72 51-72 而 目前 面向 信息 处理 的 藏 语 短语 的 研究 刚刚 起步 , 有 待 于 进 一 步 发展 。 而 目前 面向 信息 处理 的 藏 语 短语 的 研究 刚刚 起步 , 有 待 于 进 一 步 发展 。 1<2 elab-addition elab-addition
nlpabs31_Chi 73-88 113-117 该文 在 藏 语 短语 与 藏 语 句子 的 界线 研究 的 基础 上 , 对 短语 进行 分类 , 73-132 73-132 该文 在 藏 语 短语 与 藏 语 句子 的 界线 研究 的 基础 上 , 根据 藏 语 信息 处理 的 特点 和 要求 , 按照 语法 功能 和 便 于 计算 机 自动 分析 和 处理 的 原则 对 短语 进行 分类 , 并 规定 了 信息 处理 中 藏 语 短语 类别 单位 的 标记 代码 。 该文 在 藏 语 短语 与 藏 语 句子 的 界线 研究 的 基础 上 , 根据 藏 语 信息 处理 的 特点 和 要求 , 按照 语法 功能 和 便 于 计算 机 自动 分析 和 处理 的 原则 对 短语 进行 分类 , 并 规定 了 信息 处理 中 藏 语 短语 类别 单位 的 标记 代码 。 1>2 bg-general bg-general
nlpabs31_Chi 89-98 113-117 根据 藏 语 信息 处理 的 特点 和 要求 , 对 短语 进行 分类 , 73-132 73-132 该文 在 藏 语 短语 与 藏 语 句子 的 界线 研究 的 基础 上 , 根据 藏 语 信息 处理 的 特点 和 要求 , 按照 语法 功能 和 便 于 计算 机 自动 分析 和 处理 的 原则 对 短语 进行 分类 , 并 规定 了 信息 处理 中 藏 语 短语 类别 单位 的 标记 代码 。 该文 在 藏 语 短语 与 藏 语 句子 的 界线 研究 的 基础 上 , 根据 藏 语 信息 处理 的 特点 和 要求 , 按照 语法 功能 和 便 于 计算 机 自动 分析 和 处理 的 原则 对 短语 进行 分类 , 并 规定 了 信息 处理 中 藏 语 短语 类别 单位 的 标记 代码 。 1>2 bg-general bg-general
nlpabs31_Chi 99-112 113-117 按照 语法 功能 和 便 于 计算 机 自动 分析 和 处理 的 原则 对 短语 进行 分类 , 73-132 73-132 该文 在 藏 语 短语 与 藏 语 句子 的 界线 研究 的 基础 上 , 根据 藏 语 信息 处理 的 特点 和 要求 , 按照 语法 功能 和 便 于 计算 机 自动 分析 和 处理 的 原则 对 短语 进行 分类 , 并 规定 了 信息 处理 中 藏 语 短语 类别 单位 的 标记 代码 。 该文 在 藏 语 短语 与 藏 语 句子 的 界线 研究 的 基础 上 , 根据 藏 语 信息 处理 的 特点 和 要求 , 按照 语法 功能 和 便 于 计算 机 自动 分析 和 处理 的 原则 对 短语 进行 分类 , 并 规定 了 信息 处理 中 藏 语 短语 类别 单位 的 标记 代码 。 1>2 bg-general bg-general
nlpabs31_Chi 113-117 118-132 对 短语 进行 分类 , 并 规定 了 信息 处理 中 藏 语 短语 类别 单位 的 标记 代码 。 73-132 73-132 该文 在 藏 语 短语 与 藏 语 句子 的 界线 研究 的 基础 上 , 根据 藏 语 信息 处理 的 特点 和 要求 , 按照 语法 功能 和 便 于 计算 机 自动 分析 和 处理 的 原则 对 短语 进行 分类 , 并 规定 了 信息 处理 中 藏 语 短语 类别 单位 的 标记 代码 。 该文 在 藏 语 短语 与 藏 语 句子 的 界线 研究 的 基础 上 , 根据 藏 语 信息 处理 的 特点 和 要求 , 按照 语法 功能 和 便 于 计算 机 自动 分析 和 处理 的 原则 对 短语 进行 分类 , 并 规定 了 信息 处理 中 藏 语 短语 类别 单位 的 标记 代码 。 1<2 joint joint
nlpabs32_Chi 1-18 98-103 自动 拼写 检查 是 自然 语言 处理 领域 一 项 极 具 挑战 性 的 研究 课题 , 利用 藏 文 字 向量 模型 1-40 87-145 自动 拼写 检查 是 自然 语言 处理 领域 一 项 极 具 挑战 性 的 研究 课题 , 在 语料 库 建设 、 文本 编辑 、 语音 和 文字 识别 等 诸多 方 面具 有 广阔 的 应用 前景 。 该文 通过 分析 藏 文 文法 中 的 构字 规则 , 利用 藏 文 字 向量 模型 将 藏 文 字用 计算 机 易 于 操作 的 数字 ( 向量 ) 表示 , 建立 基 于 规则 约束 的 藏 文字 向量 模型 , 进而 设计 该 模型 下 的 藏 文 字 拼写 检查 模型 及 算法 。 1>2 bg-general bg-general
nlpabs32_Chi 1-18 19-40 自动 拼写 检查 是 自然 语言 处理 领域 一 项 极 具 挑战 性 的 研究 课题 , 在 语料 库 建设 、 文本 编辑 、 语音 和 文字 识别 等 诸多 方 面具 有 广阔 的 应用 前景 。 1-40 1-40 自动 拼写 检查 是 自然 语言 处理 领域 一 项 极 具 挑战 性 的 研究 课题 , 在 语料 库 建设 、 文本 编辑 、 语音 和 文字 识别 等 诸多 方 面具 有 广阔 的 应用 前景 。 自动 拼写 检查 是 自然 语言 处理 领域 一 项 极 具 挑战 性 的 研究 课题 , 在 语料 库 建设 、 文本 编辑 、 语音 和 文字 识别 等 诸多 方 面具 有 广阔 的 应用 前景 。 1<2 elab-addition elab-addition
nlpabs32_Chi 1-18 41-50 自动 拼写 检查 是 自然 语言 处理 领域 一 项 极 具 挑战 性 的 研究 课题 , 藏 文 字 是 一 种 表音 拼音 文字 , 1-40 41-64 自动 拼写 检查 是 自然 语言 处理 领域 一 项 极 具 挑战 性 的 研究 课题 , 在 语料 库 建设 、 文本 编辑 、 语音 和 文字 识别 等 诸多 方 面具 有 广阔 的 应用 前景 。 藏 文 字 是 一 种 表音 拼音 文字 , 由 1 ～ 7 个 基本 构件 横向 和 纵向 拼接 而 成 。 1<2 elab-addition elab-addition
nlpabs32_Chi 41-50 51-64 藏 文 字 是 一 种 表音 拼音 文字 , 由 1 ～ 7 个 基本 构件 横向 和 纵向 拼接 而 成 。 41-64 41-64 藏 文 字 是 一 种 表音 拼音 文字 , 由 1 ～ 7 个 基本 构件 横向 和 纵向 拼接 而 成 。 藏 文 字 是 一 种 表音 拼音 文字 , 由 1 ～ 7 个 基本 构件 横向 和 纵向 拼接 而 成 。 1<2 elab-addition elab-addition
nlpabs32_Chi 41-50 65-75 藏 文 字 是 一 种 表音 拼音 文字 , 藏 文 文本 中 非 真字 出现 的 频率 很高 , 41-64 65-86 藏 文 字 是 一 种 表音 拼音 文字 , 由 1 ～ 7 个 基本 构件 横向 和 纵向 拼接 而 成 。 藏 文 文本 中 非 真字 出现 的 频率 很高 , 是 藏 文 字 拼写 检查 的 基础 和 重点 。 1<2 elab-addition elab-addition
nlpabs32_Chi 65-75 76-86 藏 文 文本 中 非 真字 出现 的 频率 很高 , 是 藏 文 字 拼写 检查 的 基础 和 重点 。 65-86 65-86 藏 文 文本 中 非 真字 出现 的 频率 很高 , 是 藏 文 字 拼写 检查 的 基础 和 重点 。 藏 文 文本 中 非 真字 出现 的 频率 很高 , 是 藏 文 字 拼写 检查 的 基础 和 重点 。 1<2 elab-addition elab-addition
nlpabs32_Chi 87-97 98-103 该文 通过 分析 藏 文 文法 中 的 构字 规则 , 利用 藏 文 字 向量 模型 87-145 87-145 该文 通过 分析 藏 文 文法 中 的 构字 规则 , 利用 藏 文 字 向量 模型 将 藏 文 字用 计算 机 易 于 操作 的 数字 ( 向量 ) 表示 , 建立 基 于 规则 约束 的 藏 文字 向量 模型 , 进而 设计 该 模型 下 的 藏 文 字 拼写 检查 模型 及 算法 。 该文 通过 分析 藏 文 文法 中 的 构字 规则 , 利用 藏 文 字 向量 模型 将 藏 文 字用 计算 机 易 于 操作 的 数字 ( 向量 ) 表示 , 建立 基 于 规则 约束 的 藏 文字 向量 模型 , 进而 设计 该 模型 下 的 藏 文 字 拼写 检查 模型 及 算法 。 1>2 manner-means manner-means
nlpabs32_Chi 98-103 104-119 利用 藏 文 字 向量 模型 将 藏 文 字用 计算 机 易 于 操作 的 数字 ( 向量 ) 表示 , 87-145 87-145 该文 通过 分析 藏 文 文法 中 的 构字 规则 , 利用 藏 文 字 向量 模型 将 藏 文 字用 计算 机 易 于 操作 的 数字 ( 向量 ) 表示 , 建立 基 于 规则 约束 的 藏 文字 向量 模型 , 进而 设计 该 模型 下 的 藏 文 字 拼写 检查 模型 及 算法 。 该文 通过 分析 藏 文 文法 中 的 构字 规则 , 利用 藏 文 字 向量 模型 将 藏 文 字用 计算 机 易 于 操作 的 数字 ( 向量 ) 表示 , 建立 基 于 规则 约束 的 藏 文字 向量 模型 , 进而 设计 该 模型 下 的 藏 文 字 拼写 检查 模型 及 算法 。 1<2 enablement enablement
nlpabs32_Chi 98-103 120-130 利用 藏 文 字 向量 模型 建立 基 于 规则 约束 的 藏 文字 向量 模型 , 87-145 87-145 该文 通过 分析 藏 文 文法 中 的 构字 规则 , 利用 藏 文 字 向量 模型 将 藏 文 字用 计算 机 易 于 操作 的 数字 ( 向量 ) 表示 , 建立 基 于 规则 约束 的 藏 文字 向量 模型 , 进而 设计 该 模型 下 的 藏 文 字 拼写 检查 模型 及 算法 。 该文 通过 分析 藏 文 文法 中 的 构字 规则 , 利用 藏 文 字 向量 模型 将 藏 文 字用 计算 机 易 于 操作 的 数字 ( 向量 ) 表示 , 建立 基 于 规则 约束 的 藏 文字 向量 模型 , 进而 设计 该 模型 下 的 藏 文 字 拼写 检查 模型 及 算法 。 1<2 elab-addition elab-addition
nlpabs32_Chi 98-103 131-145 利用 藏 文 字 向量 模型 进而 设计 该 模型 下 的 藏 文 字 拼写 检查 模型 及 算法 。 87-145 87-145 该文 通过 分析 藏 文 文法 中 的 构字 规则 , 利用 藏 文 字 向量 模型 将 藏 文 字用 计算 机 易 于 操作 的 数字 ( 向量 ) 表示 , 建立 基 于 规则 约束 的 藏 文字 向量 模型 , 进而 设计 该 模型 下 的 藏 文 字 拼写 检查 模型 及 算法 。 该文 通过 分析 藏 文 文法 中 的 构字 规则 , 利用 藏 文 字 向量 模型 将 藏 文 字用 计算 机 易 于 操作 的 数字 ( 向量 ) 表示 , 建立 基 于 规则 约束 的 藏 文字 向量 模型 , 进而 设计 该 模型 下 的 藏 文 字 拼写 检查 模型 及 算法 。 1<2 progression progression
nlpabs32_Chi 131-145 146-150 进而 设计 该 模型 下 的 藏 文 字 拼写 检查 模型 及 算法 。 算法 简单 易 实现 , 87-145 146-169 该文 通过 分析 藏 文 文法 中 的 构字 规则 , 利用 藏 文 字 向量 模型 将 藏 文 字用 计算 机 易 于 操作 的 数字 ( 向量 ) 表示 , 建立 基 于 规则 约束 的 藏 文字 向量 模型 , 进而 设计 该 模型 下 的 藏 文 字 拼写 检查 模型 及 算法 。 算法 简单 易 实现 , 经 测 试算法 拼写 检查 的 平均 准确 率 达 99.995% , 平均 每秒 检查 1060 个 字 。 1<2 evaluation evaluation
nlpabs32_Chi 146-150 151-162 算法 简单 易 实现 , 经 测 试算法 拼写 检查 的 平均 准确 率 达 99.995% , 146-169 146-169 算法 简单 易 实现 , 经 测 试算法 拼写 检查 的 平均 准确 率 达 99.995% , 平均 每秒 检查 1060 个 字 。 算法 简单 易 实现 , 经 测 试算法 拼写 检查 的 平均 准确 率 达 99.995% , 平均 每秒 检查 1060 个 字 。 1<2 elab-addition elab-addition
nlpabs32_Chi 151-162 163-169 经 测 试算法 拼写 检查 的 平均 准确 率 达 99.995% , 平均 每秒 检查 1060 个 字 。 146-169 146-169 算法 简单 易 实现 , 经 测 试算法 拼写 检查 的 平均 准确 率 达 99.995% , 平均 每秒 检查 1060 个 字 。 算法 简单 易 实现 , 经 测 试算法 拼写 检查 的 平均 准确 率 达 99.995% , 平均 每秒 检查 1060 个 字 。 1<2 joint joint
nlpabs33_Chi 1-21 22-32 非 结构 化 数据 的 结构 化 任务 是 大 数据 环境 下 管理 信息 系统 面临 的 新 课题 。 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 1-21 22-118 非 结构 化 数据 的 结构 化 任务 是 大 数据 环境 下 管理 信息 系统 面临 的 新 课题 。 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 1>2 bg-general bg-general
nlpabs33_Chi 22-32 33-45 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 22-118 22-118 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 1<2 progression progression
nlpabs33_Chi 33-45 46-59 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 22-118 22-118 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 1<2 elab-addition elab-addition
nlpabs33_Chi 46-59 60-63 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 22-118 22-118 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 1<2 joint joint
nlpabs33_Chi 60-63 64-72 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 22-118 22-118 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 1<2 enablement enablement
nlpabs33_Chi 73-78 79-85 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 22-118 22-118 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 1>2 bg-general bg-general
nlpabs33_Chi 60-63 79-85 利用 Google Word2 Vec 制定 了 不同 的 抽取 方法 : 22-118 22-118 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 1<2 elab-addition elab-addition
nlpabs33_Chi 79-85 86-87 制定 了 不同 的 抽取 方法 : 采用 词表 22-118 22-118 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 1<2 elab-addition elab-addition
nlpabs33_Chi 86-87 88-91 采用 词表 实现 事件 分类 , 22-118 22-118 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 1<2 enablement enablement
nlpabs33_Chi 86-87 92-94 采用 词表 采用 文体 特征 22-118 22-118 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 1<2 joint joint
nlpabs33_Chi 92-94 95-102 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 22-118 22-118 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 1<2 enablement enablement
nlpabs33_Chi 86-87 103-106 采用 词表 采用 文体 和 词表 22-118 22-118 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 1<2 joint joint
nlpabs33_Chi 103-106 107-118 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 22-118 22-118 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 1<2 enablement enablement
nlpabs33_Chi 119-121 149-157 实验 表明 , 平均 准确 率 分别 为 87.89% 、 91.29% , 119-172 119-172 实验 表明 , 采用 基 于 文体 和 词表 方法 在 爬取 的 Web 新闻 语料 库 和 公开 语料 库 进行 突发 事件 的 属性 进行 抽取 时 , 平均 准确 率 分别 为 87.89% 、 91.29% , 平均 召回 率 分别 为 81.76% 、 87.91% , 能 满足 应急 管理 需求 。 实验 表明 , 采用 基 于 文体 和 词表 方法 在 爬取 的 Web 新闻 语料 库 和 公开 语料 库 进行 突发 事件 的 属性 进行 抽取 时 , 平均 准确 率 分别 为 87.89% 、 91.29% , 平均 召回 率 分别 为 81.76% 、 87.91% , 能 满足 应急 管理 需求 。 1>2 attribution attribution
nlpabs33_Chi 122-148 149-157 采用 基 于 文体 和 词表 方法 在 爬取 的 Web 新闻 语料 库 和 公开 语料 库 进行 突发 事件 的 属性 进行 抽取 时 , 平均 准确 率 分别 为 87.89% 、 91.29% , 119-172 119-172 实验 表明 , 采用 基 于 文体 和 词表 方法 在 爬取 的 Web 新闻 语料 库 和 公开 语料 库 进行 突发 事件 的 属性 进行 抽取 时 , 平均 准确 率 分别 为 87.89% 、 91.29% , 平均 召回 率 分别 为 81.76% 、 87.91% , 能 满足 应急 管理 需求 。 实验 表明 , 采用 基 于 文体 和 词表 方法 在 爬取 的 Web 新闻 语料 库 和 公开 语料 库 进行 突发 事件 的 属性 进行 抽取 时 , 平均 准确 率 分别 为 87.89% 、 91.29% , 平均 召回 率 分别 为 81.76% 、 87.91% , 能 满足 应急 管理 需求 。 1>2 temporal temporal
nlpabs33_Chi 22-32 149-157 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 平均 准确 率 分别 为 87.89% 、 91.29% , 22-118 119-172 该文 从 文体 的 角度 研究 自由 文本 的 特性 , 提出 了 从 Web 新闻 中 抽取 突发 事件 属性 的 方法 , 该 方法 首先 分析 研究 了 Web 文本 和 新闻 文体 的 特征 , 利用 Google Word2 Vec 对 领域 专家 构建 的 词表 进行 扩展 , 针对 突发 事件 的 不同 属性 制定 了 不同 的 抽取 方法 : 采用 词表 实现 事件 分类 , 采用 文体 特征 进行 时间 、 事件 摘要 的 抽取 , 采用 文体 和 词表 进行 地点 、 伤亡 情况 和 经济 损失 属性 的 抽取 。 实验 表明 , 采用 基 于 文体 和 词表 方法 在 爬取 的 Web 新闻 语料 库 和 公开 语料 库 进行 突发 事件 的 属性 进行 抽取 时 , 平均 准确 率 分别 为 87.89% 、 91.29% , 平均 召回 率 分别 为 81.76% 、 87.91% , 能 满足 应急 管理 需求 。 1<2 evaluation evaluation
nlpabs33_Chi 149-157 158-166 平均 准确 率 分别 为 87.89% 、 91.29% , 平均 召回 率 分别 为 81.76% 、 87.91% , 119-172 119-172 实验 表明 , 采用 基 于 文体 和 词表 方法 在 爬取 的 Web 新闻 语料 库 和 公开 语料 库 进行 突发 事件 的 属性 进行 抽取 时 , 平均 准确 率 分别 为 87.89% 、 91.29% , 平均 召回 率 分别 为 81.76% 、 87.91% , 能 满足 应急 管理 需求 。 实验 表明 , 采用 基 于 文体 和 词表 方法 在 爬取 的 Web 新闻 语料 库 和 公开 语料 库 进行 突发 事件 的 属性 进行 抽取 时 , 平均 准确 率 分别 为 87.89% 、 91.29% , 平均 召回 率 分别 为 81.76% 、 87.91% , 能 满足 应急 管理 需求 。 1<2 joint joint
nlpabs33_Chi 149-157 167-172 平均 准确 率 分别 为 87.89% 、 91.29% , 能 满足 应急 管理 需求 。 119-172 119-172 实验 表明 , 采用 基 于 文体 和 词表 方法 在 爬取 的 Web 新闻 语料 库 和 公开 语料 库 进行 突发 事件 的 属性 进行 抽取 时 , 平均 准确 率 分别 为 87.89% 、 91.29% , 平均 召回 率 分别 为 81.76% 、 87.91% , 能 满足 应急 管理 需求 。 实验 表明 , 采用 基 于 文体 和 词表 方法 在 爬取 的 Web 新闻 语料 库 和 公开 语料 库 进行 突发 事件 的 属性 进行 抽取 时 , 平均 准确 率 分别 为 87.89% 、 91.29% , 平均 召回 率 分别 为 81.76% 、 87.91% , 能 满足 应急 管理 需求 。 1<2 elab-addition elab-addition
nlpabs34_Chi 1-11 12-36 作 为 知识 图谱 构建 过程 中 的 关键 步骤 , 关系 抽取 这 一 从 海量 自然 语言 文本 中 抽取 实体 间 关系 的 任务 近年 来 得到 了 越来越 广泛 的 关注 。 1-36 1-36 作 为 知识 图谱 构建 过程 中 的 关键 步骤 , 关系 抽取 这 一 从 海量 自然 语言 文本 中 抽取 实体 间 关系 的 任务 近年 来 得到 了 越来越 广泛 的 关注 。 作 为 知识 图谱 构建 过程 中 的 关键 步骤 , 关系 抽取 这 一 从 海量 自然 语言 文本 中 抽取 实体 间 关系 的 任务 近年 来 得到 了 越来越 广泛 的 关注 。 1>2 bg-general bg-general
nlpabs34_Chi 12-36 141-149 关系 抽取 这 一 从 海量 自然 语言 文本 中 抽取 实体 间 关系 的 任务 近年 来 得到 了 越来越 广泛 的 关注 。 该 文针 对 上述 问题 进行 了 改进 。 1-36 141-149 作 为 知识 图谱 构建 过程 中 的 关键 步骤 , 关系 抽取 这 一 从 海量 自然 语言 文本 中 抽取 实体 间 关系 的 任务 近年 来 得到 了 越来越 广泛 的 关注 。 该 文针 对 上述 问题 进行 了 改进 。 1>2 bg-general bg-general
nlpabs34_Chi 12-36 37-62 关系 抽取 这 一 从 海量 自然 语言 文本 中 抽取 实体 间 关系 的 任务 近年 来 得到 了 越来越 广泛 的 关注 。 如今 , 远程 监督 ( distant supervision ) 方法 通过 与 已有 知识 库 ( knowledge base ) 中 的 实体 和 关系 进行 对齐 , 1-36 37-78 作 为 知识 图谱 构建 过程 中 的 关键 步骤 , 关系 抽取 这 一 从 海量 自然 语言 文本 中 抽取 实体 间 关系 的 任务 近年 来 得到 了 越来越 广泛 的 关注 。 如今 , 远程 监督 ( distant supervision ) 方法 通过 与 已有 知识 库 ( knowledge base ) 中 的 实体 和 关系 进行 对齐 , 可以 直接 使用 源 文本 进行 训练 从而 省去 了 人工 标记 数据 的 过程 。 1<2 elab-addition elab-addition
nlpabs34_Chi 37-62 63-69 如今 , 远程 监督 ( distant supervision ) 方法 通过 与 已有 知识 库 ( knowledge base ) 中 的 实体 和 关系 进行 对齐 , 可以 直接 使用 源 文本 进行 训练 37-78 37-78 如今 , 远程 监督 ( distant supervision ) 方法 通过 与 已有 知识 库 ( knowledge base ) 中 的 实体 和 关系 进行 对齐 , 可以 直接 使用 源 文本 进行 训练 从而 省去 了 人工 标记 数据 的 过程 。 如今 , 远程 监督 ( distant supervision ) 方法 通过 与 已有 知识 库 ( knowledge base ) 中 的 实体 和 关系 进行 对齐 , 可以 直接 使用 源 文本 进行 训练 从而 省去 了 人工 标记 数据 的 过程 。 1<2 elab-addition elab-addition
nlpabs34_Chi 63-69 70-78 可以 直接 使用 源 文本 进行 训练 从而 省去 了 人工 标记 数据 的 过程 。 37-78 37-78 如今 , 远程 监督 ( distant supervision ) 方法 通过 与 已有 知识 库 ( knowledge base ) 中 的 实体 和 关系 进行 对齐 , 可以 直接 使用 源 文本 进行 训练 从而 省去 了 人工 标记 数据 的 过程 。 如今 , 远程 监督 ( distant supervision ) 方法 通过 与 已有 知识 库 ( knowledge base ) 中 的 实体 和 关系 进行 对齐 , 可以 直接 使用 源 文本 进行 训练 从而 省去 了 人工 标记 数据 的 过程 。 1<2 progression progression
nlpabs34_Chi 37-62 79-102 如今 , 远程 监督 ( distant supervision ) 方法 通过 与 已有 知识 库 ( knowledge base ) 中 的 实体 和 关系 进行 对齐 , 其中 , 使用 了 多 实例 多 标签 ( multi-in stance multi-label ) 模型 的 MultiR 算法 取得 了 很好 的 抽取 效果 。 37-78 79-102 如今 , 远程 监督 ( distant supervision ) 方法 通过 与 已有 知识 库 ( knowledge base ) 中 的 实体 和 关系 进行 对齐 , 可以 直接 使用 源 文本 进行 训练 从而 省去 了 人工 标记 数据 的 过程 。 其中 , 使用 了 多 实例 多 标签 ( multi-in stance multi-label ) 模型 的 MultiR 算法 取得 了 很好 的 抽取 效果 。 1<2 elab-addition elab-addition
nlpabs34_Chi 79-102 103-110 其中 , 使用 了 多 实例 多 标签 ( multi-in stance multi-label ) 模型 的 MultiR 算法 取得 了 很好 的 抽取 效果 。 但 该 算法 存在 两 个 问题 : 79-102 103-140 其中 , 使用 了 多 实例 多 标签 ( multi-in stance multi-label ) 模型 的 MultiR 算法 取得 了 很好 的 抽取 效果 。 但 该 算法 存在 两 个 问题 : 抽取 过程 中 未 考虑 实体 对 之间 可能 已 存在 的 关系 , 以及 概率 图 匹 配 计算 中 使用 的 贪心 算法 无法 获得 最 优解 。 1<2 elab-addition elab-addition
nlpabs34_Chi 103-110 111-124 但 该 算法 存在 两 个 问题 : 抽取 过程 中 未 考虑 实体 对 之间 可能 已 存在 的 关系 , 103-140 103-140 但 该 算法 存在 两 个 问题 : 抽取 过程 中 未 考虑 实体 对 之间 可能 已 存在 的 关系 , 以及 概率 图 匹 配 计算 中 使用 的 贪心 算法 无法 获得 最 优解 。 但 该 算法 存在 两 个 问题 : 抽取 过程 中 未 考虑 实体 对 之间 可能 已 存在 的 关系 , 以及 概率 图 匹 配 计算 中 使用 的 贪心 算法 无法 获得 最 优解 。 1<2 elab-addition elab-addition
nlpabs34_Chi 111-124 125-140 抽取 过程 中 未 考虑 实体 对 之间 可能 已 存在 的 关系 , 以及 概率 图 匹 配 计算 中 使用 的 贪心 算法 无法 获得 最 优解 。 103-140 103-140 但 该 算法 存在 两 个 问题 : 抽取 过程 中 未 考虑 实体 对 之间 可能 已 存在 的 关系 , 以及 概率 图 匹 配 计算 中 使用 的 贪心 算法 无法 获得 最 优解 。 但 该 算法 存在 两 个 问题 : 抽取 过程 中 未 考虑 实体 对 之间 可能 已 存在 的 关系 , 以及 概率 图 匹 配 计算 中 使用 的 贪心 算法 无法 获得 最 优解 。 1<2 joint joint
nlpabs34_Chi 150-177 178-184 首先 , 在 关系 抽取 的 打分 过程 中 , 考虑 到 同 一 实体 对 可能 存在 的 多 个 关系 之间 具有 一定 关联 性 , 该文 引入 了 关系 权重 矩阵 , 150-219 150-219 首先 , 在 关系 抽取 的 打分 过程 中 , 考虑 到 同 一 实体 对 可能 存在 的 多 个 关系 之间 具有 一定 关联 性 , 该文 引入 了 关系 权重 矩阵 , 使 其 在 抽取 过程 中 将 实体 对 已知 的 关系 转换 为 权重 向量 对 打分 进行 干预 , 以 此 减少 个别 文本 特征 的 干扰 , 提高 抽取 准确 率 。 首先 , 在 关系 抽取 的 打分 过程 中 , 考虑 到 同 一 实体 对 可能 存在 的 多 个 关系 之间 具有 一定 关联 性 , 该文 引入 了 关系 权重 矩阵 , 使 其 在 抽取 过程 中 将 实体 对 已知 的 关系 转换 为 权重 向量 对 打分 进行 干预 , 以 此 减少 个别 文本 特征 的 干扰 , 提高 抽取 准确 率 。 1>2 cause cause
nlpabs34_Chi 141-149 178-184 该 文针 对 上述 问题 进行 了 改进 。 该文 引入 了 关系 权重 矩阵 , 141-149 150-219 该 文针 对 上述 问题 进行 了 改进 。 首先 , 在 关系 抽取 的 打分 过程 中 , 考虑 到 同 一 实体 对 可能 存在 的 多 个 关系 之间 具有 一定 关联 性 , 该文 引入 了 关系 权重 矩阵 , 使 其 在 抽取 过程 中 将 实体 对 已知 的 关系 转换 为 权重 向量 对 打分 进行 干预 , 以 此 减少 个别 文本 特征 的 干扰 , 提高 抽取 准确 率 。 1<2 elab-addition elab-addition
nlpabs34_Chi 178-184 185-205 该文 引入 了 关系 权重 矩阵 , 使 其 在 抽取 过程 中 将 实体 对 已知 的 关系 转换 为 权重 向量 对 打分 进行 干预 , 150-219 150-219 首先 , 在 关系 抽取 的 打分 过程 中 , 考虑 到 同 一 实体 对 可能 存在 的 多 个 关系 之间 具有 一定 关联 性 , 该文 引入 了 关系 权重 矩阵 , 使 其 在 抽取 过程 中 将 实体 对 已知 的 关系 转换 为 权重 向量 对 打分 进行 干预 , 以 此 减少 个别 文本 特征 的 干扰 , 提高 抽取 准确 率 。 首先 , 在 关系 抽取 的 打分 过程 中 , 考虑 到 同 一 实体 对 可能 存在 的 多 个 关系 之间 具有 一定 关联 性 , 该文 引入 了 关系 权重 矩阵 , 使 其 在 抽取 过程 中 将 实体 对 已知 的 关系 转换 为 权重 向量 对 打分 进行 干预 , 以 此 减少 个别 文本 特征 的 干扰 , 提高 抽取 准确 率 。 1<2 enablement enablement
nlpabs34_Chi 185-205 206-214 使 其 在 抽取 过程 中 将 实体 对 已知 的 关系 转换 为 权重 向量 对 打分 进行 干预 , 以 此 减少 个别 文本 特征 的 干扰 , 150-219 150-219 首先 , 在 关系 抽取 的 打分 过程 中 , 考虑 到 同 一 实体 对 可能 存在 的 多 个 关系 之间 具有 一定 关联 性 , 该文 引入 了 关系 权重 矩阵 , 使 其 在 抽取 过程 中 将 实体 对 已知 的 关系 转换 为 权重 向量 对 打分 进行 干预 , 以 此 减少 个别 文本 特征 的 干扰 , 提高 抽取 准确 率 。 首先 , 在 关系 抽取 的 打分 过程 中 , 考虑 到 同 一 实体 对 可能 存在 的 多 个 关系 之间 具有 一定 关联 性 , 该文 引入 了 关系 权重 矩阵 , 使 其 在 抽取 过程 中 将 实体 对 已知 的 关系 转换 为 权重 向量 对 打分 进行 干预 , 以 此 减少 个别 文本 特征 的 干扰 , 提高 抽取 准确 率 。 1<2 enablement enablement
nlpabs34_Chi 206-214 215-219 以 此 减少 个别 文本 特征 的 干扰 , 提高 抽取 准确 率 。 150-219 150-219 首先 , 在 关系 抽取 的 打分 过程 中 , 考虑 到 同 一 实体 对 可能 存在 的 多 个 关系 之间 具有 一定 关联 性 , 该文 引入 了 关系 权重 矩阵 , 使 其 在 抽取 过程 中 将 实体 对 已知 的 关系 转换 为 权重 向量 对 打分 进行 干预 , 以 此 减少 个别 文本 特征 的 干扰 , 提高 抽取 准确 率 。 首先 , 在 关系 抽取 的 打分 过程 中 , 考虑 到 同 一 实体 对 可能 存在 的 多 个 关系 之间 具有 一定 关联 性 , 该文 引入 了 关系 权重 矩阵 , 使 其 在 抽取 过程 中 将 实体 对 已知 的 关系 转换 为 权重 向量 对 打分 进行 干预 , 以 此 减少 个别 文本 特征 的 干扰 , 提高 抽取 准确 率 。 1<2 enablement enablement
nlpabs34_Chi 220-243 244-260 其次 , 在 概率 图 匹配 过程 中 , 为了 将 图 的 匹配 从 局部 最优 值 提升 为 全局 最优 值 , 该文 将 原有 的 贪心 算法 替换 为 基 于 状态 压缩 的 动态 规划 算法 。 220-260 220-260 其次 , 在 概率 图 匹配 过程 中 , 为了 将 图 的 匹配 从 局部 最优 值 提升 为 全局 最优 值 , 该文 将 原有 的 贪心 算法 替换 为 基 于 状态 压缩 的 动态 规划 算法 。 其次 , 在 概率 图 匹配 过程 中 , 为了 将 图 的 匹配 从 局部 最优 值 提升 为 全局 最优 值 , 该文 将 原有 的 贪心 算法 替换 为 基 于 状态 压缩 的 动态 规划 算法 。 1>2 enablement enablement
nlpabs34_Chi 178-184 244-260 该文 引入 了 关系 权重 矩阵 , 该文 将 原有 的 贪心 算法 替换 为 基 于 状态 压缩 的 动态 规划 算法 。 150-219 220-260 首先 , 在 关系 抽取 的 打分 过程 中 , 考虑 到 同 一 实体 对 可能 存在 的 多 个 关系 之间 具有 一定 关联 性 , 该文 引入 了 关系 权重 矩阵 , 使 其 在 抽取 过程 中 将 实体 对 已知 的 关系 转换 为 权重 向量 对 打分 进行 干预 , 以 此 减少 个别 文本 特征 的 干扰 , 提高 抽取 准确 率 。 其次 , 在 概率 图 匹配 过程 中 , 为了 将 图 的 匹配 从 局部 最优 值 提升 为 全局 最优 值 , 该文 将 原有 的 贪心 算法 替换 为 基 于 状态 压缩 的 动态 规划 算法 。 1<2 joint joint
nlpabs34_Chi 261-264 265-286 实验 结果 证明 , 优化 后 的 MultiR 模型 , 称 之 为 Opt MultiR , 其 关系 抽取 性 能 得到 了 显著 提升 。 261-286 261-286 实验 结果 证明 , 优化 后 的 MultiR 模型 , 称 之 为 Opt MultiR , 其 关系 抽取 性 能 得到 了 显著 提升 。 实验 结果 证明 , 优化 后 的 MultiR 模型 , 称 之 为 Opt MultiR , 其 关系 抽取 性 能 得到 了 显著 提升 。 1>2 attribution attribution
nlpabs34_Chi 141-149 265-286 该 文针 对 上述 问题 进行 了 改进 。 优化 后 的 MultiR 模型 , 称 之 为 Opt MultiR , 其 关系 抽取 性 能 得到 了 显著 提升 。 141-149 261-286 该 文针 对 上述 问题 进行 了 改进 。 实验 结果 证明 , 优化 后 的 MultiR 模型 , 称 之 为 Opt MultiR , 其 关系 抽取 性 能 得到 了 显著 提升 。 1<2 evaluation evaluation
nlpabs35_Chi 1-17 59-76 带有 时间 标志 的 演化 式 摘要 是 近年 来 提出 的 自然 语言 处理 任务 , 该文 提出 了 一 种 基 于 局部 — 全局 主题 关系 的 演化 式 摘要 方法 , 1-39 40-115 带有 时间 标志 的 演化 式 摘要 是 近年 来 提出 的 自然 语言 处理 任务 , 其 本质 是 多 文档 自动 文摘 , 它 的 研究 对象 是 互联 网上 连续 报道 的 热点 新闻 文档 。 针 对 互联 网 新闻 事件 报道 的 动态 演化 、 动态 关联 和 信息 重复 等 特点 , 该文 提出 了 一 种 基 于 局部 — 全局 主题 关系 的 演化 式 摘要 方法 , 该 方法 将 新闻 事件 划分 为 多 个 不同 的 子 主题 , 在 考虑 时间 演化 的 基础 上 同时 考虑 子 主题 之间 的 主题 演化 , 最后 将 新闻 标题 作 为 摘要 输出 。 1>2 bg-general bg-general
nlpabs35_Chi 1-17 18-25 带有 时间 标志 的 演化 式 摘要 是 近年 来 提出 的 自然 语言 处理 任务 , 其 本质 是 多 文档 自动 文摘 , 1-39 1-39 带有 时间 标志 的 演化 式 摘要 是 近年 来 提出 的 自然 语言 处理 任务 , 其 本质 是 多 文档 自动 文摘 , 它 的 研究 对象 是 互联 网上 连续 报道 的 热点 新闻 文档 。 带有 时间 标志 的 演化 式 摘要 是 近年 来 提出 的 自然 语言 处理 任务 , 其 本质 是 多 文档 自动 文摘 , 它 的 研究 对象 是 互联 网上 连续 报道 的 热点 新闻 文档 。 1<2 elab-addition elab-addition
nlpabs35_Chi 18-25 26-39 其 本质 是 多 文档 自动 文摘 , 它 的 研究 对象 是 互联 网上 连续 报道 的 热点 新闻 文档 。 1-39 1-39 带有 时间 标志 的 演化 式 摘要 是 近年 来 提出 的 自然 语言 处理 任务 , 其 本质 是 多 文档 自动 文摘 , 它 的 研究 对象 是 互联 网上 连续 报道 的 热点 新闻 文档 。 带有 时间 标志 的 演化 式 摘要 是 近年 来 提出 的 自然 语言 处理 任务 , 其 本质 是 多 文档 自动 文摘 , 它 的 研究 对象 是 互联 网上 连续 报道 的 热点 新闻 文档 。 1<2 elab-addition elab-addition
nlpabs35_Chi 40-58 59-76 针 对 互联 网 新闻 事件 报道 的 动态 演化 、 动态 关联 和 信息 重复 等 特点 , 该文 提出 了 一 种 基 于 局部 — 全局 主题 关系 的 演化 式 摘要 方法 , 40-115 40-115 针 对 互联 网 新闻 事件 报道 的 动态 演化 、 动态 关联 和 信息 重复 等 特点 , 该文 提出 了 一 种 基 于 局部 — 全局 主题 关系 的 演化 式 摘要 方法 , 该 方法 将 新闻 事件 划分 为 多 个 不同 的 子 主题 , 在 考虑 时间 演化 的 基础 上 同时 考虑 子 主题 之间 的 主题 演化 , 最后 将 新闻 标题 作 为 摘要 输出 。 针 对 互联 网 新闻 事件 报道 的 动态 演化 、 动态 关联 和 信息 重复 等 特点 , 该文 提出 了 一 种 基 于 局部 — 全局 主题 关系 的 演化 式 摘要 方法 , 该 方法 将 新闻 事件 划分 为 多 个 不同 的 子 主题 , 在 考虑 时间 演化 的 基础 上 同时 考虑 子 主题 之间 的 主题 演化 , 最后 将 新闻 标题 作 为 摘要 输出 。 1>2 bg-general bg-general
nlpabs35_Chi 59-76 77-90 该文 提出 了 一 种 基 于 局部 — 全局 主题 关系 的 演化 式 摘要 方法 , 该 方法 将 新闻 事件 划分 为 多 个 不同 的 子 主题 , 40-115 40-115 针 对 互联 网 新闻 事件 报道 的 动态 演化 、 动态 关联 和 信息 重复 等 特点 , 该文 提出 了 一 种 基 于 局部 — 全局 主题 关系 的 演化 式 摘要 方法 , 该 方法 将 新闻 事件 划分 为 多 个 不同 的 子 主题 , 在 考虑 时间 演化 的 基础 上 同时 考虑 子 主题 之间 的 主题 演化 , 最后 将 新闻 标题 作 为 摘要 输出 。 针 对 互联 网 新闻 事件 报道 的 动态 演化 、 动态 关联 和 信息 重复 等 特点 , 该文 提出 了 一 种 基 于 局部 — 全局 主题 关系 的 演化 式 摘要 方法 , 该 方法 将 新闻 事件 划分 为 多 个 不同 的 子 主题 , 在 考虑 时间 演化 的 基础 上 同时 考虑 子 主题 之间 的 主题 演化 , 最后 将 新闻 标题 作 为 摘要 输出 。 1<2 elab-addition elab-addition
nlpabs35_Chi 91-97 107-115 在 考虑 时间 演化 的 基础 上 最后 将 新闻 标题 作 为 摘要 输出 。 40-115 40-115 针 对 互联 网 新闻 事件 报道 的 动态 演化 、 动态 关联 和 信息 重复 等 特点 , 该文 提出 了 一 种 基 于 局部 — 全局 主题 关系 的 演化 式 摘要 方法 , 该 方法 将 新闻 事件 划分 为 多 个 不同 的 子 主题 , 在 考虑 时间 演化 的 基础 上 同时 考虑 子 主题 之间 的 主题 演化 , 最后 将 新闻 标题 作 为 摘要 输出 。 针 对 互联 网 新闻 事件 报道 的 动态 演化 、 动态 关联 和 信息 重复 等 特点 , 该文 提出 了 一 种 基 于 局部 — 全局 主题 关系 的 演化 式 摘要 方法 , 该 方法 将 新闻 事件 划分 为 多 个 不同 的 子 主题 , 在 考虑 时间 演化 的 基础 上 同时 考虑 子 主题 之间 的 主题 演化 , 最后 将 新闻 标题 作 为 摘要 输出 。 1>2 bg-general bg-general
nlpabs35_Chi 91-97 98-106 在 考虑 时间 演化 的 基础 上 同时 考虑 子 主题 之间 的 主题 演化 , 40-115 40-115 针 对 互联 网 新闻 事件 报道 的 动态 演化 、 动态 关联 和 信息 重复 等 特点 , 该文 提出 了 一 种 基 于 局部 — 全局 主题 关系 的 演化 式 摘要 方法 , 该 方法 将 新闻 事件 划分 为 多 个 不同 的 子 主题 , 在 考虑 时间 演化 的 基础 上 同时 考虑 子 主题 之间 的 主题 演化 , 最后 将 新闻 标题 作 为 摘要 输出 。 针 对 互联 网 新闻 事件 报道 的 动态 演化 、 动态 关联 和 信息 重复 等 特点 , 该文 提出 了 一 种 基 于 局部 — 全局 主题 关系 的 演化 式 摘要 方法 , 该 方法 将 新闻 事件 划分 为 多 个 不同 的 子 主题 , 在 考虑 时间 演化 的 基础 上 同时 考虑 子 主题 之间 的 主题 演化 , 最后 将 新闻 标题 作 为 摘要 输出 。 1<2 joint joint
nlpabs35_Chi 77-90 107-115 该 方法 将 新闻 事件 划分 为 多 个 不同 的 子 主题 , 最后 将 新闻 标题 作 为 摘要 输出 。 40-115 40-115 针 对 互联 网 新闻 事件 报道 的 动态 演化 、 动态 关联 和 信息 重复 等 特点 , 该文 提出 了 一 种 基 于 局部 — 全局 主题 关系 的 演化 式 摘要 方法 , 该 方法 将 新闻 事件 划分 为 多 个 不同 的 子 主题 , 在 考虑 时间 演化 的 基础 上 同时 考虑 子 主题 之间 的 主题 演化 , 最后 将 新闻 标题 作 为 摘要 输出 。 针 对 互联 网 新闻 事件 报道 的 动态 演化 、 动态 关联 和 信息 重复 等 特点 , 该文 提出 了 一 种 基 于 局部 — 全局 主题 关系 的 演化 式 摘要 方法 , 该 方法 将 新闻 事件 划分 为 多 个 不同 的 子 主题 , 在 考虑 时间 演化 的 基础 上 同时 考虑 子 主题 之间 的 主题 演化 , 最后 将 新闻 标题 作 为 摘要 输出 。 1<2 elab-addition elab-addition
nlpabs35_Chi 116-119 120-125 实验 结果 表明 , 该 方法 是 有效 的 , 116-158 116-158 实验 结果 表明 , 该 方法 是 有效 的 , 并且 在 以 新闻 标题 作 为 输入 输出 时 , 和 当前 主流 的 多 文档 摘要 和 演化 摘要 方法 相比 , 在 Rouge 评价 指标 上 有 显著 提高 。 实验 结果 表明 , 该 方法 是 有效 的 , 并且 在 以 新闻 标题 作 为 输入 输出 时 , 和 当前 主流 的 多 文档 摘要 和 演化 摘要 方法 相比 , 在 Rouge 评价 指标 上 有 显著 提高 。 1>2 attribution attribution
nlpabs35_Chi 59-76 120-125 该文 提出 了 一 种 基 于 局部 — 全局 主题 关系 的 演化 式 摘要 方法 , 该 方法 是 有效 的 , 40-115 116-158 针 对 互联 网 新闻 事件 报道 的 动态 演化 、 动态 关联 和 信息 重复 等 特点 , 该文 提出 了 一 种 基 于 局部 — 全局 主题 关系 的 演化 式 摘要 方法 , 该 方法 将 新闻 事件 划分 为 多 个 不同 的 子 主题 , 在 考虑 时间 演化 的 基础 上 同时 考虑 子 主题 之间 的 主题 演化 , 最后 将 新闻 标题 作 为 摘要 输出 。 实验 结果 表明 , 该 方法 是 有效 的 , 并且 在 以 新闻 标题 作 为 输入 输出 时 , 和 当前 主流 的 多 文档 摘要 和 演化 摘要 方法 相比 , 在 Rouge 评价 指标 上 有 显著 提高 。 1<2 evaluation evaluation
nlpabs35_Chi 126-136 150-158 并且 在 以 新闻 标题 作 为 输入 输出 时 , 在 Rouge 评价 指标 上 有 显著 提高 。 116-158 116-158 实验 结果 表明 , 该 方法 是 有效 的 , 并且 在 以 新闻 标题 作 为 输入 输出 时 , 和 当前 主流 的 多 文档 摘要 和 演化 摘要 方法 相比 , 在 Rouge 评价 指标 上 有 显著 提高 。 实验 结果 表明 , 该 方法 是 有效 的 , 并且 在 以 新闻 标题 作 为 输入 输出 时 , 和 当前 主流 的 多 文档 摘要 和 演化 摘要 方法 相比 , 在 Rouge 评价 指标 上 有 显著 提高 。 1>2 temporal temporal
nlpabs35_Chi 137-149 150-158 和 当前 主流 的 多 文档 摘要 和 演化 摘要 方法 相比 , 在 Rouge 评价 指标 上 有 显著 提高 。 116-158 116-158 实验 结果 表明 , 该 方法 是 有效 的 , 并且 在 以 新闻 标题 作 为 输入 输出 时 , 和 当前 主流 的 多 文档 摘要 和 演化 摘要 方法 相比 , 在 Rouge 评价 指标 上 有 显著 提高 。 实验 结果 表明 , 该 方法 是 有效 的 , 并且 在 以 新闻 标题 作 为 输入 输出 时 , 和 当前 主流 的 多 文档 摘要 和 演化 摘要 方法 相比 , 在 Rouge 评价 指标 上 有 显著 提高 。 1>2 comparison comparison
nlpabs35_Chi 120-125 150-158 该 方法 是 有效 的 , 在 Rouge 评价 指标 上 有 显著 提高 。 116-158 116-158 实验 结果 表明 , 该 方法 是 有效 的 , 并且 在 以 新闻 标题 作 为 输入 输出 时 , 和 当前 主流 的 多 文档 摘要 和 演化 摘要 方法 相比 , 在 Rouge 评价 指标 上 有 显著 提高 。 实验 结果 表明 , 该 方法 是 有效 的 , 并且 在 以 新闻 标题 作 为 输入 输出 时 , 和 当前 主流 的 多 文档 摘要 和 演化 摘要 方法 相比 , 在 Rouge 评价 指标 上 有 显著 提高 。 1<2 elab-addition elab-addition
nlpabs36_Chi 1-15 78-93 中文 产科 电子 病历 中 蕴含 着 大量 的 医疗 知识 和 健康 信息 , 因 此 , 该文 将 辅助 诊断 问题 转化 为 多 标 记 分类 任务 。 1-34 78-93 中文 产科 电子 病历 中 蕴含 着 大量 的 医疗 知识 和 健康 信息 , 电子 病历 的 信息 抽取 及 辅助 诊断 对 提高 人口 的 生育 健康 水平 具有 重要 意义 。 因 此 , 该文 将 辅助 诊断 问题 转化 为 多 标 记 分类 任务 。 1>2 bg-goal bg-goal
nlpabs36_Chi 1-15 16-34 中文 产科 电子 病历 中 蕴含 着 大量 的 医疗 知识 和 健康 信息 , 电子 病历 的 信息 抽取 及 辅助 诊断 对 提高 人口 的 生育 健康 水平 具有 重要 意义 。 1-34 1-34 中文 产科 电子 病历 中 蕴含 着 大量 的 医疗 知识 和 健康 信息 , 电子 病历 的 信息 抽取 及 辅助 诊断 对 提高 人口 的 生育 健康 水平 具有 重要 意义 。 中文 产科 电子 病历 中 蕴含 着 大量 的 医疗 知识 和 健康 信息 , 电子 病历 的 信息 抽取 及 辅助 诊断 对 提高 人口 的 生育 健康 水平 具有 重要 意义 。 1<2 elab-addition elab-addition
nlpabs36_Chi 16-34 35-57 电子 病历 的 信息 抽取 及 辅助 诊断 对 提高 人口 的 生育 健康 水平 具有 重要 意义 。 电子 病历 中 , 首次 病程 记录 的 入院 诊断 是 根据 主诉 、 辅助 检查 、 查体 等 信息 得出 的 。 1-34 35-57 中文 产科 电子 病历 中 蕴含 着 大量 的 医疗 知识 和 健康 信息 , 电子 病历 的 信息 抽取 及 辅助 诊断 对 提高 人口 的 生育 健康 水平 具有 重要 意义 。 电子 病历 中 , 首次 病程 记录 的 入院 诊断 是 根据 主诉 、 辅助 检查 、 查体 等 信息 得出 的 。 1<2 elab-addition elab-addition
nlpabs36_Chi 35-57 58-77 电子 病历 中 , 首次 病程 记录 的 入院 诊断 是 根据 主诉 、 辅助 检查 、 查体 等 信息 得出 的 。 通常 情况 下 诊断 中 包含 正常 诊断 、 病理 诊断 及 并发 症 而 非 单 一 结果 。 35-57 58-77 电子 病历 中 , 首次 病程 记录 的 入院 诊断 是 根据 主诉 、 辅助 检查 、 查体 等 信息 得出 的 。 通常 情况 下 诊断 中 包含 正常 诊断 、 病理 诊断 及 并发 症 而 非 单 一 结果 。 1<2 elab-addition elab-addition
nlpabs36_Chi 78-93 94-110 因 此 , 该文 将 辅助 诊断 问题 转化 为 多 标 记 分类 任务 。 在 对 产科 电子 病历 的 首次 病程 记录 进行 数据 清洗 和 结构 化 后 , 78-93 94-178 因 此 , 该文 将 辅助 诊断 问题 转化 为 多 标 记 分类 任务 。 在 对 产科 电子 病历 的 首次 病程 记录 进行 数据 清洗 和 结构 化 后 , 规范 化 诊断 结论 , 将 LDA 所 抽取 的 文本 特征 与 病历 中 的 数字 特征 采用 向量 拼接 的 方法 融合 为 新 的 特征 , 再 按 诊断 结果 出现 的 频次 不同 形成 不同 的 多 标 记集 , 根据 首次 病程 中 部分 信息 进行 辅助 诊断 , 采用 RAkEL 、 MLkNN 、 CC 和 BP-MLL 方法 进行 多 标记 分类 。 1<2 elab-process_step elab-process_step
nlpabs36_Chi 94-110 111-115 在 对 产科 电子 病历 的 首次 病程 记录 进行 数据 清洗 和 结构 化 后 , 规范 化 诊断 结论 , 94-178 94-178 在 对 产科 电子 病历 的 首次 病程 记录 进行 数据 清洗 和 结构 化 后 , 规范 化 诊断 结论 , 将 LDA 所 抽取 的 文本 特征 与 病历 中 的 数字 特征 采用 向量 拼接 的 方法 融合 为 新 的 特征 , 再 按 诊断 结果 出现 的 频次 不同 形成 不同 的 多 标 记集 , 根据 首次 病程 中 部分 信息 进行 辅助 诊断 , 采用 RAkEL 、 MLkNN 、 CC 和 BP-MLL 方法 进行 多 标记 分类 。 在 对 产科 电子 病历 的 首次 病程 记录 进行 数据 清洗 和 结构 化 后 , 规范 化 诊断 结论 , 将 LDA 所 抽取 的 文本 特征 与 病历 中 的 数字 特征 采用 向量 拼接 的 方法 融合 为 新 的 特征 , 再 按 诊断 结果 出现 的 频次 不同 形成 不同 的 多 标 记集 , 根据 首次 病程 中 部分 信息 进行 辅助 诊断 , 采用 RAkEL 、 MLkNN 、 CC 和 BP-MLL 方法 进行 多 标记 分类 。 1<2 joint joint
nlpabs36_Chi 111-115 116-139 规范 化 诊断 结论 , 将 LDA 所 抽取 的 文本 特征 与 病历 中 的 数字 特征 采用 向量 拼接 的 方法 融合 为 新 的 特征 , 94-178 94-178 在 对 产科 电子 病历 的 首次 病程 记录 进行 数据 清洗 和 结构 化 后 , 规范 化 诊断 结论 , 将 LDA 所 抽取 的 文本 特征 与 病历 中 的 数字 特征 采用 向量 拼接 的 方法 融合 为 新 的 特征 , 再 按 诊断 结果 出现 的 频次 不同 形成 不同 的 多 标 记集 , 根据 首次 病程 中 部分 信息 进行 辅助 诊断 , 采用 RAkEL 、 MLkNN 、 CC 和 BP-MLL 方法 进行 多 标记 分类 。 在 对 产科 电子 病历 的 首次 病程 记录 进行 数据 清洗 和 结构 化 后 , 规范 化 诊断 结论 , 将 LDA 所 抽取 的 文本 特征 与 病历 中 的 数字 特征 采用 向量 拼接 的 方法 融合 为 新 的 特征 , 再 按 诊断 结果 出现 的 频次 不同 形成 不同 的 多 标 记集 , 根据 首次 病程 中 部分 信息 进行 辅助 诊断 , 采用 RAkEL 、 MLkNN 、 CC 和 BP-MLL 方法 进行 多 标记 分类 。 1<2 joint joint
nlpabs36_Chi 116-139 140-154 将 LDA 所 抽取 的 文本 特征 与 病历 中 的 数字 特征 采用 向量 拼接 的 方法 融合 为 新 的 特征 , 再 按 诊断 结果 出现 的 频次 不同 形成 不同 的 多 标 记集 , 94-178 94-178 在 对 产科 电子 病历 的 首次 病程 记录 进行 数据 清洗 和 结构 化 后 , 规范 化 诊断 结论 , 将 LDA 所 抽取 的 文本 特征 与 病历 中 的 数字 特征 采用 向量 拼接 的 方法 融合 为 新 的 特征 , 再 按 诊断 结果 出现 的 频次 不同 形成 不同 的 多 标 记集 , 根据 首次 病程 中 部分 信息 进行 辅助 诊断 , 采用 RAkEL 、 MLkNN 、 CC 和 BP-MLL 方法 进行 多 标记 分类 。 在 对 产科 电子 病历 的 首次 病程 记录 进行 数据 清洗 和 结构 化 后 , 规范 化 诊断 结论 , 将 LDA 所 抽取 的 文本 特征 与 病历 中 的 数字 特征 采用 向量 拼接 的 方法 融合 为 新 的 特征 , 再 按 诊断 结果 出现 的 频次 不同 形成 不同 的 多 标 记集 , 根据 首次 病程 中 部分 信息 进行 辅助 诊断 , 采用 RAkEL 、 MLkNN 、 CC 和 BP-MLL 方法 进行 多 标记 分类 。 1<2 joint joint
nlpabs36_Chi 140-154 155-160 再 按 诊断 结果 出现 的 频次 不同 形成 不同 的 多 标 记集 , 根据 首次 病程 中 部分 信息 94-178 94-178 在 对 产科 电子 病历 的 首次 病程 记录 进行 数据 清洗 和 结构 化 后 , 规范 化 诊断 结论 , 将 LDA 所 抽取 的 文本 特征 与 病历 中 的 数字 特征 采用 向量 拼接 的 方法 融合 为 新 的 特征 , 再 按 诊断 结果 出现 的 频次 不同 形成 不同 的 多 标 记集 , 根据 首次 病程 中 部分 信息 进行 辅助 诊断 , 采用 RAkEL 、 MLkNN 、 CC 和 BP-MLL 方法 进行 多 标记 分类 。 在 对 产科 电子 病历 的 首次 病程 记录 进行 数据 清洗 和 结构 化 后 , 规范 化 诊断 结论 , 将 LDA 所 抽取 的 文本 特征 与 病历 中 的 数字 特征 采用 向量 拼接 的 方法 融合 为 新 的 特征 , 再 按 诊断 结果 出现 的 频次 不同 形成 不同 的 多 标 记集 , 根据 首次 病程 中 部分 信息 进行 辅助 诊断 , 采用 RAkEL 、 MLkNN 、 CC 和 BP-MLL 方法 进行 多 标记 分类 。 1<2 elab-addition elab-addition
nlpabs36_Chi 155-160 161-164 根据 首次 病程 中 部分 信息 进行 辅助 诊断 , 94-178 94-178 在 对 产科 电子 病历 的 首次 病程 记录 进行 数据 清洗 和 结构 化 后 , 规范 化 诊断 结论 , 将 LDA 所 抽取 的 文本 特征 与 病历 中 的 数字 特征 采用 向量 拼接 的 方法 融合 为 新 的 特征 , 再 按 诊断 结果 出现 的 频次 不同 形成 不同 的 多 标 记集 , 根据 首次 病程 中 部分 信息 进行 辅助 诊断 , 采用 RAkEL 、 MLkNN 、 CC 和 BP-MLL 方法 进行 多 标记 分类 。 在 对 产科 电子 病历 的 首次 病程 记录 进行 数据 清洗 和 结构 化 后 , 规范 化 诊断 结论 , 将 LDA 所 抽取 的 文本 特征 与 病历 中 的 数字 特征 采用 向量 拼接 的 方法 融合 为 新 的 特征 , 再 按 诊断 结果 出现 的 频次 不同 形成 不同 的 多 标 记集 , 根据 首次 病程 中 部分 信息 进行 辅助 诊断 , 采用 RAkEL 、 MLkNN 、 CC 和 BP-MLL 方法 进行 多 标记 分类 。 1<2 enablement enablement
nlpabs36_Chi 140-154 165-178 再 按 诊断 结果 出现 的 频次 不同 形成 不同 的 多 标 记集 , 采用 RAkEL 、 MLkNN 、 CC 和 BP-MLL 方法 进行 多 标记 分类 。 94-178 94-178 在 对 产科 电子 病历 的 首次 病程 记录 进行 数据 清洗 和 结构 化 后 , 规范 化 诊断 结论 , 将 LDA 所 抽取 的 文本 特征 与 病历 中 的 数字 特征 采用 向量 拼接 的 方法 融合 为 新 的 特征 , 再 按 诊断 结果 出现 的 频次 不同 形成 不同 的 多 标 记集 , 根据 首次 病程 中 部分 信息 进行 辅助 诊断 , 采用 RAkEL 、 MLkNN 、 CC 和 BP-MLL 方法 进行 多 标记 分类 。 在 对 产科 电子 病历 的 首次 病程 记录 进行 数据 清洗 和 结构 化 后 , 规范 化 诊断 结论 , 将 LDA 所 抽取 的 文本 特征 与 病历 中 的 数字 特征 采用 向量 拼接 的 方法 融合 为 新 的 特征 , 再 按 诊断 结果 出现 的 频次 不同 形成 不同 的 多 标 记集 , 根据 首次 病程 中 部分 信息 进行 辅助 诊断 , 采用 RAkEL 、 MLkNN 、 CC 和 BP-MLL 方法 进行 多 标记 分类 。 1<2 elab-addition elab-addition
nlpabs36_Chi 179-182 192-202 实验 结果 表明 , 能够 提升 中文 产科 电子 病历 辅助 诊断 的 效果 。 179-202 179-202 实验 结果 表明 , 采用 融合 特征 的 多 标 记分类 方法 , 能够 提升 中文 产科 电子 病历 辅助 诊断 的 效果 。 实验 结果 表明 , 采用 融合 特征 的 多 标 记分类 方法 , 能够 提升 中文 产科 电子 病历 辅助 诊断 的 效果 。 1>2 attribution attribution
nlpabs36_Chi 183-191 192-202 采用 融合 特征 的 多 标 记分类 方法 , 能够 提升 中文 产科 电子 病历 辅助 诊断 的 效果 。 179-202 179-202 实验 结果 表明 , 采用 融合 特征 的 多 标 记分类 方法 , 能够 提升 中文 产科 电子 病历 辅助 诊断 的 效果 。 实验 结果 表明 , 采用 融合 特征 的 多 标 记分类 方法 , 能够 提升 中文 产科 电子 病历 辅助 诊断 的 效果 。 1>2 manner-means manner-means
nlpabs36_Chi 78-93 192-202 因 此 , 该文 将 辅助 诊断 问题 转化 为 多 标 记 分类 任务 。 能够 提升 中文 产科 电子 病历 辅助 诊断 的 效果 。 78-93 179-202 因 此 , 该文 将 辅助 诊断 问题 转化 为 多 标 记 分类 任务 。 实验 结果 表明 , 采用 融合 特征 的 多 标 记分类 方法 , 能够 提升 中文 产科 电子 病历 辅助 诊断 的 效果 。 1<2 evaluation evaluation
nlpabs37_Chi 1-17 82-93 社交 媒体 的 发展 为 抑郁 用户 的 检测 提供 了 一 条 新 的 途径 。 该 文 主 要 讨论 利用 准 私密 社交 网络 文本 数据 1-17 82-124 社交 媒体 的 发展 为 抑郁 用户 的 检测 提供 了 一 条 新 的 途径 。 该 文 主 要 讨论 利用 准 私密 社交 网络 文本 数据 检测 抑郁 用户 的 可行 性 , 包括 训练 样本 的 选择 、 特征 量化 方法 、 检测 模型 选择 和 不同 文本 特征 下 的 模型 分类 效果 等 。 1>2 bg-general bg-general
nlpabs37_Chi 1-17 18-45 社交 媒体 的 发展 为 抑郁 用户 的 检测 提供 了 一 条 新 的 途径 。 已有 的 相关 研究 通常 是 利用 用户 在 Twitter 、 微博 等 社交 网络 平台 上 的 用户 行为 数据 或 公开 发表 的 文本 内容 , 1-17 18-62 社交 媒体 的 发展 为 抑郁 用户 的 检测 提供 了 一 条 新 的 途径 。 已有 的 相关 研究 通常 是 利用 用户 在 Twitter 、 微博 等 社交 网络 平台 上 的 用户 行为 数据 或 公开 发表 的 文本 内容 , 较少 有 利用 微信朋友圈 、 QQ 空间 这 种 相对 比较 私密 的 社交 网络 数据 。 1<2 elab-addition elab-addition
nlpabs37_Chi 18-45 46-62 已有 的 相关 研究 通常 是 利用 用户 在 Twitter 、 微博 等 社交 网络 平台 上 的 用户 行为 数据 或 公开 发表 的 文本 内容 , 较少 有 利用 微信朋友圈 、 QQ 空间 这 种 相对 比较 私密 的 社交 网络 数据 。 18-62 18-62 已有 的 相关 研究 通常 是 利用 用户 在 Twitter 、 微博 等 社交 网络 平台 上 的 用户 行为 数据 或 公开 发表 的 文本 内容 , 较少 有 利用 微信朋友圈 、 QQ 空间 这 种 相对 比较 私密 的 社交 网络 数据 。 已有 的 相关 研究 通常 是 利用 用户 在 Twitter 、 微博 等 社交 网络 平台 上 的 用户 行为 数据 或 公开 发表 的 文本 内容 , 较少 有 利用 微信朋友圈 、 QQ 空间 这 种 相对 比较 私密 的 社交 网络 数据 。 1<2 elab-addition elab-addition
nlpabs37_Chi 46-62 63-81 较少 有 利用 微信朋友圈 、 QQ 空间 这 种 相对 比较 私密 的 社交 网络 数据 。 直观 地 , 这 类 准 私密 社交 网络 数据 更 能 反映 用户 的 心理 健康 状况 。 18-62 63-81 已有 的 相关 研究 通常 是 利用 用户 在 Twitter 、 微博 等 社交 网络 平台 上 的 用户 行为 数据 或 公开 发表 的 文本 内容 , 较少 有 利用 微信朋友圈 、 QQ 空间 这 种 相对 比较 私密 的 社交 网络 数据 。 直观 地 , 这 类 准 私密 社交 网络 数据 更 能 反映 用户 的 心理 健康 状况 。 1<2 elab-addition elab-addition
nlpabs37_Chi 82-93 94-100 该 文 主 要 讨论 利用 准 私密 社交 网络 文本 数据 检测 抑郁 用户 的 可行 性 , 82-124 82-124 该 文 主 要 讨论 利用 准 私密 社交 网络 文本 数据 检测 抑郁 用户 的 可行 性 , 包括 训练 样本 的 选择 、 特征 量化 方法 、 检测 模型 选择 和 不同 文本 特征 下 的 模型 分类 效果 等 。 该 文 主 要 讨论 利用 准 私密 社交 网络 文本 数据 检测 抑郁 用户 的 可行 性 , 包括 训练 样本 的 选择 、 特征 量化 方法 、 检测 模型 选择 和 不同 文本 特征 下 的 模型 分类 效果 等 。 1>2 manner-means manner-means
nlpabs37_Chi 94-100 101-124 检测 抑郁 用户 的 可行 性 , 包括 训练 样本 的 选择 、 特征 量化 方法 、 检测 模型 选择 和 不同 文本 特征 下 的 模型 分类 效果 等 。 82-124 82-124 该 文 主 要 讨论 利用 准 私密 社交 网络 文本 数据 检测 抑郁 用户 的 可行 性 , 包括 训练 样本 的 选择 、 特征 量化 方法 、 检测 模型 选择 和 不同 文本 特征 下 的 模型 分类 效果 等 。 该 文 主 要 讨论 利用 准 私密 社交 网络 文本 数据 检测 抑郁 用户 的 可行 性 , 包括 训练 样本 的 选择 、 特征 量化 方法 、 检测 模型 选择 和 不同 文本 特征 下 的 模型 分类 效果 等 。 1<2 elab-enumember elab-enumember
nlpabs37_Chi 125-127 128-155 实验 表明 , 采用 平衡 高低 分组 的 方法 选择 样本 比 非 平衡 高低 分组 样本 和 离散 化 的 高低 分组 样本 训练 的 分类 器 要 好 ; 125-195 125-195 实验 表明 , 采用 平衡 高低 分组 的 方法 选择 样本 比 非 平衡 高低 分组 样本 和 离散 化 的 高低 分组 样本 训练 的 分类 器 要 好 ; 利用 Z-score 标准 化 的 特征 量化 方法 比 直接 使用 频次 或 归一 化 频率 要 好 ; 随机 梯度 下降 模型 SGD 较 支持 向量 机 SVM 等 其他 用 于 对比 的 分类 模型 要 好 。 实验 表明 , 采用 平衡 高低 分组 的 方法 选择 样本 比 非 平衡 高低 分组 样本 和 离散 化 的 高低 分组 样本 训练 的 分类 器 要 好 ; 利用 Z-score 标准 化 的 特征 量化 方法 比 直接 使用 频次 或 归一 化 频率 要 好 ; 随机 梯度 下降 模型 SGD 较 支持 向量 机 SVM 等 其他 用 于 对比 的 分类 模型 要 好 。 1>2 attribution attribution
nlpabs37_Chi 94-100 128-155 检测 抑郁 用户 的 可行 性 , 采用 平衡 高低 分组 的 方法 选择 样本 比 非 平衡 高低 分组 样本 和 离散 化 的 高低 分组 样本 训练 的 分类 器 要 好 ; 82-124 125-195 该 文 主 要 讨论 利用 准 私密 社交 网络 文本 数据 检测 抑郁 用户 的 可行 性 , 包括 训练 样本 的 选择 、 特征 量化 方法 、 检测 模型 选择 和 不同 文本 特征 下 的 模型 分类 效果 等 。 实验 表明 , 采用 平衡 高低 分组 的 方法 选择 样本 比 非 平衡 高低 分组 样本 和 离散 化 的 高低 分组 样本 训练 的 分类 器 要 好 ; 利用 Z-score 标准 化 的 特征 量化 方法 比 直接 使用 频次 或 归一 化 频率 要 好 ; 随机 梯度 下降 模型 SGD 较 支持 向量 机 SVM 等 其他 用 于 对比 的 分类 模型 要 好 。 1<2 elab-addition elab-addition
nlpabs37_Chi 128-155 156-174 采用 平衡 高低 分组 的 方法 选择 样本 比 非 平衡 高低 分组 样本 和 离散 化 的 高低 分组 样本 训练 的 分类 器 要 好 ; 利用 Z-score 标准 化 的 特征 量化 方法 比 直接 使用 频次 或 归一 化 频率 要 好 ; 125-195 125-195 实验 表明 , 采用 平衡 高低 分组 的 方法 选择 样本 比 非 平衡 高低 分组 样本 和 离散 化 的 高低 分组 样本 训练 的 分类 器 要 好 ; 利用 Z-score 标准 化 的 特征 量化 方法 比 直接 使用 频次 或 归一 化 频率 要 好 ; 随机 梯度 下降 模型 SGD 较 支持 向量 机 SVM 等 其他 用 于 对比 的 分类 模型 要 好 。 实验 表明 , 采用 平衡 高低 分组 的 方法 选择 样本 比 非 平衡 高低 分组 样本 和 离散 化 的 高低 分组 样本 训练 的 分类 器 要 好 ; 利用 Z-score 标准 化 的 特征 量化 方法 比 直接 使用 频次 或 归一 化 频率 要 好 ; 随机 梯度 下降 模型 SGD 较 支持 向量 机 SVM 等 其他 用 于 对比 的 分类 模型 要 好 。 1<2 joint joint
nlpabs37_Chi 128-155 175-195 采用 平衡 高低 分组 的 方法 选择 样本 比 非 平衡 高低 分组 样本 和 离散 化 的 高低 分组 样本 训练 的 分类 器 要 好 ; 随机 梯度 下降 模型 SGD 较 支持 向量 机 SVM 等 其他 用 于 对比 的 分类 模型 要 好 。 125-195 125-195 实验 表明 , 采用 平衡 高低 分组 的 方法 选择 样本 比 非 平衡 高低 分组 样本 和 离散 化 的 高低 分组 样本 训练 的 分类 器 要 好 ; 利用 Z-score 标准 化 的 特征 量化 方法 比 直接 使用 频次 或 归一 化 频率 要 好 ; 随机 梯度 下降 模型 SGD 较 支持 向量 机 SVM 等 其他 用 于 对比 的 分类 模型 要 好 。 实验 表明 , 采用 平衡 高低 分组 的 方法 选择 样本 比 非 平衡 高低 分组 样本 和 离散 化 的 高低 分组 样本 训练 的 分类 器 要 好 ; 利用 Z-score 标准 化 的 特征 量化 方法 比 直接 使用 频次 或 归一 化 频率 要 好 ; 随机 梯度 下降 模型 SGD 较 支持 向量 机 SVM 等 其他 用 于 对比 的 分类 模型 要 好 。 1<2 joint joint
nlpabs37_Chi 196-199 200-216 实验 还 发现 , 相对 于 词袋 、 词 向量 等 文本 特征 , 主题 特征 有 较好 的 效果 , 196-238 196-238 实验 还 发现 , 相对 于 词袋 、 词 向量 等 文本 特征 , 主题 特征 有 较好 的 效果 , 可以 使 社交 网络 用户 抑郁 检测 模型 的 F值 达到 0.753, 而 对 抑郁 用户 的 检测 精度 达到 0.813 。 实验 还 发现 , 相对 于 词袋 、 词 向量 等 文本 特征 , 主题 特征 有 较好 的 效果 , 可以 使 社交 网络 用户 抑郁 检测 模型 的 F值 达到 0.753, 而 对 抑郁 用户 的 检测 精度 达到 0.813 。 1>2 attribution attribution
nlpabs37_Chi 128-155 200-216 采用 平衡 高低 分组 的 方法 选择 样本 比 非 平衡 高低 分组 样本 和 离散 化 的 高低 分组 样本 训练 的 分类 器 要 好 ; 相对 于 词袋 、 词 向量 等 文本 特征 , 主题 特征 有 较好 的 效果 , 125-195 196-238 实验 表明 , 采用 平衡 高低 分组 的 方法 选择 样本 比 非 平衡 高低 分组 样本 和 离散 化 的 高低 分组 样本 训练 的 分类 器 要 好 ; 利用 Z-score 标准 化 的 特征 量化 方法 比 直接 使用 频次 或 归一 化 频率 要 好 ; 随机 梯度 下降 模型 SGD 较 支持 向量 机 SVM 等 其他 用 于 对比 的 分类 模型 要 好 。 实验 还 发现 , 相对 于 词袋 、 词 向量 等 文本 特征 , 主题 特征 有 较好 的 效果 , 可以 使 社交 网络 用户 抑郁 检测 模型 的 F值 达到 0.753, 而 对 抑郁 用户 的 检测 精度 达到 0.813 。 1<2 joint joint
nlpabs37_Chi 200-216 217-228 相对 于 词袋 、 词 向量 等 文本 特征 , 主题 特征 有 较好 的 效果 , 可以 使 社交 网络 用户 抑郁 检测 模型 的 F值 达到 0.753, 196-238 196-238 实验 还 发现 , 相对 于 词袋 、 词 向量 等 文本 特征 , 主题 特征 有 较好 的 效果 , 可以 使 社交 网络 用户 抑郁 检测 模型 的 F值 达到 0.753, 而 对 抑郁 用户 的 检测 精度 达到 0.813 。 实验 还 发现 , 相对 于 词袋 、 词 向量 等 文本 特征 , 主题 特征 有 较好 的 效果 , 可以 使 社交 网络 用户 抑郁 检测 模型 的 F值 达到 0.753, 而 对 抑郁 用户 的 检测 精度 达到 0.813 。 1<2 elab-addition elab-addition
nlpabs37_Chi 217-228 229-238 可以 使 社交 网络 用户 抑郁 检测 模型 的 F值 达到 0.753, 而 对 抑郁 用户 的 检测 精度 达到 0.813 。 196-238 196-238 实验 还 发现 , 相对 于 词袋 、 词 向量 等 文本 特征 , 主题 特征 有 较好 的 效果 , 可以 使 社交 网络 用户 抑郁 检测 模型 的 F值 达到 0.753, 而 对 抑郁 用户 的 检测 精度 达到 0.813 。 实验 还 发现 , 相对 于 词袋 、 词 向量 等 文本 特征 , 主题 特征 有 较好 的 效果 , 可以 使 社交 网络 用户 抑郁 检测 模型 的 F值 达到 0.753, 而 对 抑郁 用户 的 检测 精度 达到 0.813 。 1<2 joint joint
nlpabs47_Chi 18-38 39-44 在 使用 基 于 子 词 的 方法 来 缓解 未 登录 词 和 稀疏 词汇 问题 的 基础 上 , 提出 使用 数据 泛化 的 方法 18-69 18-69 在 使用 基 于 子 词 的 方法 来 缓解 未 登录 词 和 稀疏 词汇 问题 的 基础 上 , 提出 使用 数据 泛化 的 方法 来 进 一 步 优化 未 登录 词 和 稀疏 词汇 的 翻译 , 缓解 了 子 词 方法 中 出现 的 错译 问题 。 在 使用 基 于 子 词 的 方法 来 缓解 未 登录 词 和 稀疏 词汇 问题 的 基础 上 , 提出 使用 数据 泛化 的 方法 来 进 一 步 优化 未 登录 词 和 稀疏 词汇 的 翻译 , 缓解 了 子 词 方法 中 出现 的 错译 问题 。 1>2 bg-general bg-general
nlpabs47_Chi 1-17 39-44 该文 对 神经 机器 翻译 中 的 数据 泛化 方法 和 短语 生成 方法 进行 研究 。 提出 使用 数据 泛化 的 方法 1-17 18-69 该文 对 神经 机器 翻译 中 的 数据 泛化 方法 和 短语 生成 方法 进行 研究 。 在 使用 基 于 子 词 的 方法 来 缓解 未 登录 词 和 稀疏 词汇 问题 的 基础 上 , 提出 使用 数据 泛化 的 方法 来 进 一 步 优化 未 登录 词 和 稀疏 词汇 的 翻译 , 缓解 了 子 词 方法 中 出现 的 错译 问题 。 1<2 elab-aspect elab-aspect
nlpabs47_Chi 39-44 45-58 提出 使用 数据 泛化 的 方法 来 进 一 步 优化 未 登录 词 和 稀疏 词汇 的 翻译 , 18-69 18-69 在 使用 基 于 子 词 的 方法 来 缓解 未 登录 词 和 稀疏 词汇 问题 的 基础 上 , 提出 使用 数据 泛化 的 方法 来 进 一 步 优化 未 登录 词 和 稀疏 词汇 的 翻译 , 缓解 了 子 词 方法 中 出现 的 错译 问题 。 在 使用 基 于 子 词 的 方法 来 缓解 未 登录 词 和 稀疏 词汇 问题 的 基础 上 , 提出 使用 数据 泛化 的 方法 来 进 一 步 优化 未 登录 词 和 稀疏 词汇 的 翻译 , 缓解 了 子 词 方法 中 出现 的 错译 问题 。 1<2 enablement enablement
nlpabs47_Chi 45-58 59-69 来 进 一 步 优化 未 登录 词 和 稀疏 词汇 的 翻译 , 缓解 了 子 词 方法 中 出现 的 错译 问题 。 18-69 18-69 在 使用 基 于 子 词 的 方法 来 缓解 未 登录 词 和 稀疏 词汇 问题 的 基础 上 , 提出 使用 数据 泛化 的 方法 来 进 一 步 优化 未 登录 词 和 稀疏 词汇 的 翻译 , 缓解 了 子 词 方法 中 出现 的 错译 问题 。 在 使用 基 于 子 词 的 方法 来 缓解 未 登录 词 和 稀疏 词汇 问题 的 基础 上 , 提出 使用 数据 泛化 的 方法 来 进 一 步 优化 未 登录 词 和 稀疏 词汇 的 翻译 , 缓解 了 子 词 方法 中 出现 的 错译 问题 。 1<2 joint joint
nlpabs47_Chi 39-44 70-90 提出 使用 数据 泛化 的 方法 文中 对 基 于 子词 的 方法 和 基 于 数据 泛化 的 方法 进行 了 详细 的 实验 对比 , 18-69 70-103 在 使用 基 于 子 词 的 方法 来 缓解 未 登录 词 和 稀疏 词汇 问题 的 基础 上 , 提出 使用 数据 泛化 的 方法 来 进 一 步 优化 未 登录 词 和 稀疏 词汇 的 翻译 , 缓解 了 子 词 方法 中 出现 的 错译 问题 。 文中 对 基 于 子词 的 方法 和 基 于 数据 泛化 的 方法 进行 了 详细 的 实验 对比 , 对 两 种 方法 的 优缺 点 进行 了 讨论 和 说明 。 1<2 elab-addition elab-addition
nlpabs47_Chi 70-90 91-103 文中 对 基 于 子词 的 方法 和 基 于 数据 泛化 的 方法 进行 了 详细 的 实验 对比 , 对 两 种 方法 的 优缺 点 进行 了 讨论 和 说明 。 70-103 70-103 文中 对 基 于 子词 的 方法 和 基 于 数据 泛化 的 方法 进行 了 详细 的 实验 对比 , 对 两 种 方法 的 优缺 点 进行 了 讨论 和 说明 。 文中 对 基 于 子词 的 方法 和 基 于 数据 泛化 的 方法 进行 了 详细 的 实验 对比 , 对 两 种 方法 的 优缺 点 进行 了 讨论 和 说明 。 1<2 elab-addition elab-addition
nlpabs47_Chi 104-110 111-121 针对 数据 泛化 的 处理 方法 , 提出 了 一致 性 检测 方法 和 解码 优化 方法 。 104-121 104-121 针对 数据 泛化 的 处理 方法 , 提出 了 一致 性 检测 方法 和 解码 优化 方法 。 针对 数据 泛化 的 处理 方法 , 提出 了 一致 性 检测 方法 和 解码 优化 方法 。 1>2 bg-general bg-general
nlpabs47_Chi 1-17 111-121 该文 对 神经 机器 翻译 中 的 数据 泛化 方法 和 短语 生成 方法 进行 研究 。 提出 了 一致 性 检测 方法 和 解码 优化 方法 。 1-17 104-121 该文 对 神经 机器 翻译 中 的 数据 泛化 方法 和 短语 生成 方法 进行 研究 。 针对 数据 泛化 的 处理 方法 , 提出 了 一致 性 检测 方法 和 解码 优化 方法 。 1<2 elab-aspect elab-aspect
nlpabs47_Chi 122-136 137-150 由于 标准 的 神经 机器 翻译 模型 以 词汇 为 基础 进行 翻译 建模 , 因 此 该文 提出 了 一 种 规模 可控 的 短语 生成 方法 , 122-173 122-173 由于 标准 的 神经 机器 翻译 模型 以 词汇 为 基础 进行 翻译 建模 , 因 此 该文 提出 了 一 种 规模 可控 的 短语 生成 方法 , 通过 使用 该 文方 法 生成 的 源 语言 短语 , 神经 机器 翻译 的 翻译 性 能 进 一 步 提高 。 由于 标准 的 神经 机器 翻译 模型 以 词汇 为 基础 进行 翻译 建模 , 因 此 该文 提出 了 一 种 规模 可控 的 短语 生成 方法 , 通过 使用 该 文方 法 生成 的 源 语言 短语 , 神经 机器 翻译 的 翻译 性 能 进 一 步 提高 。 1>2 exp-reason exp-reason
nlpabs47_Chi 1-17 137-150 该文 对 神经 机器 翻译 中 的 数据 泛化 方法 和 短语 生成 方法 进行 研究 。 因 此 该文 提出 了 一 种 规模 可控 的 短语 生成 方法 , 1-17 122-173 该文 对 神经 机器 翻译 中 的 数据 泛化 方法 和 短语 生成 方法 进行 研究 。 由于 标准 的 神经 机器 翻译 模型 以 词汇 为 基础 进行 翻译 建模 , 因 此 该文 提出 了 一 种 规模 可控 的 短语 生成 方法 , 通过 使用 该 文方 法 生成 的 源 语言 短语 , 神经 机器 翻译 的 翻译 性 能 进 一 步 提高 。 1<2 elab-aspect elab-aspect
nlpabs47_Chi 137-150 151-173 因 此 该文 提出 了 一 种 规模 可控 的 短语 生成 方法 , 通过 使用 该 文方 法 生成 的 源 语言 短语 , 神经 机器 翻译 的 翻译 性 能 进 一 步 提高 。 122-173 122-173 由于 标准 的 神经 机器 翻译 模型 以 词汇 为 基础 进行 翻译 建模 , 因 此 该文 提出 了 一 种 规模 可控 的 短语 生成 方法 , 通过 使用 该 文方 法 生成 的 源 语言 短语 , 神经 机器 翻译 的 翻译 性 能 进 一 步 提高 。 由于 标准 的 神经 机器 翻译 模型 以 词汇 为 基础 进行 翻译 建模 , 因 此 该文 提出 了 一 种 规模 可控 的 短语 生成 方法 , 通过 使用 该 文方 法 生成 的 源 语言 短语 , 神经 机器 翻译 的 翻译 性 能 进 一 步 提高 。 1<2 elab-addition elab-addition
nlpabs47_Chi 1-17 174-203 该文 对 神经 机器 翻译 中 的 数据 泛化 方法 和 短语 生成 方法 进行 研究 。 最终 , 在 汉 英 和 英 汉 翻译 任务 上 , 翻译 性能 与 基线 翻译 系统 相比 分 别提 高 了 1.3 和 1.2 个 BLEU 值 。 1-17 174-203 该文 对 神经 机器 翻译 中 的 数据 泛化 方法 和 短语 生成 方法 进行 研究 。 最终 , 在 汉 英 和 英 汉 翻译 任务 上 , 翻译 性能 与 基线 翻译 系统 相比 分 别提 高 了 1.3 和 1.2 个 BLEU 值 。 1<2 evaluation evaluation
nlpabs52_Chi 1-22 35-46 现有 的 维吾尔 文 文本 情感 分类 方法 以 从 空格 分词 中 得到 的 unigram 特征 作 为 文本 表示 , 该文 从 维吾尔 文 词汇 之间 的 顺序 依赖 关系 入手 , 1-34 35-87 现有 的 维吾尔 文 文本 情感 分类 方法 以 从 空格 分词 中 得到 的 unigram 特征 作 为 文本 表示 , 因而 无法 挖掘 与 情感 表达 相关 的 深层 语言 现象 。 该文 从 维吾尔 文 词汇 之间 的 顺序 依赖 关系 入手 , 总结 若干 个 词 性 组合 规则 , 提取 能够 表达 丰富 情感 信息 的 Bi-tagged 特征 , 并 基 于 支持 向量 机 ( SVM ) 分类 器 对 维吾尔 文 情感 语料 库 进行 了 正负 情感 分类 。 1>2 bg-goal bg-goal
nlpabs52_Chi 1-22 23-34 现有 的 维吾尔 文 文本 情感 分类 方法 以 从 空格 分词 中 得到 的 unigram 特征 作 为 文本 表示 , 因而 无法 挖掘 与 情感 表达 相关 的 深层 语言 现象 。 1-34 1-34 现有 的 维吾尔 文 文本 情感 分类 方法 以 从 空格 分词 中 得到 的 unigram 特征 作 为 文本 表示 , 因而 无法 挖掘 与 情感 表达 相关 的 深层 语言 现象 。 现有 的 维吾尔 文 文本 情感 分类 方法 以 从 空格 分词 中 得到 的 unigram 特征 作 为 文本 表示 , 因而 无法 挖掘 与 情感 表达 相关 的 深层 语言 现象 。 1<2 result result
nlpabs52_Chi 35-46 47-54 该文 从 维吾尔 文 词汇 之间 的 顺序 依赖 关系 入手 , 总结 若干 个 词 性 组合 规则 , 35-87 35-87 该文 从 维吾尔 文 词汇 之间 的 顺序 依赖 关系 入手 , 总结 若干 个 词 性 组合 规则 , 提取 能够 表达 丰富 情感 信息 的 Bi-tagged 特征 , 并 基 于 支持 向量 机 ( SVM ) 分类 器 对 维吾尔 文 情感 语料 库 进行 了 正负 情感 分类 。 该文 从 维吾尔 文 词汇 之间 的 顺序 依赖 关系 入手 , 总结 若干 个 词 性 组合 规则 , 提取 能够 表达 丰富 情感 信息 的 Bi-tagged 特征 , 并 基 于 支持 向量 机 ( SVM ) 分类 器 对 维吾尔 文 情感 语料 库 进行 了 正负 情感 分类 。 1<2 elab-addition elab-addition
nlpabs52_Chi 47-54 55-64 总结 若干 个 词 性 组合 规则 , 提取 能够 表达 丰富 情感 信息 的 Bi-tagged 特征 , 35-87 35-87 该文 从 维吾尔 文 词汇 之间 的 顺序 依赖 关系 入手 , 总结 若干 个 词 性 组合 规则 , 提取 能够 表达 丰富 情感 信息 的 Bi-tagged 特征 , 并 基 于 支持 向量 机 ( SVM ) 分类 器 对 维吾尔 文 情感 语料 库 进行 了 正负 情感 分类 。 该文 从 维吾尔 文 词汇 之间 的 顺序 依赖 关系 入手 , 总结 若干 个 词 性 组合 规则 , 提取 能够 表达 丰富 情感 信息 的 Bi-tagged 特征 , 并 基 于 支持 向量 机 ( SVM ) 分类 器 对 维吾尔 文 情感 语料 库 进行 了 正负 情感 分类 。 1<2 joint joint
nlpabs52_Chi 47-54 65-75 总结 若干 个 词 性 组合 规则 , 并 基 于 支持 向量 机 ( SVM ) 分类 器 35-87 35-87 该文 从 维吾尔 文 词汇 之间 的 顺序 依赖 关系 入手 , 总结 若干 个 词 性 组合 规则 , 提取 能够 表达 丰富 情感 信息 的 Bi-tagged 特征 , 并 基 于 支持 向量 机 ( SVM ) 分类 器 对 维吾尔 文 情感 语料 库 进行 了 正负 情感 分类 。 该文 从 维吾尔 文 词汇 之间 的 顺序 依赖 关系 入手 , 总结 若干 个 词 性 组合 规则 , 提取 能够 表达 丰富 情感 信息 的 Bi-tagged 特征 , 并 基 于 支持 向量 机 ( SVM ) 分类 器 对 维吾尔 文 情感 语料 库 进行 了 正负 情感 分类 。 1<2 joint joint
nlpabs52_Chi 65-75 76-87 并 基 于 支持 向量 机 ( SVM ) 分类 器 对 维吾尔 文 情感 语料 库 进行 了 正负 情感 分类 。 35-87 35-87 该文 从 维吾尔 文 词汇 之间 的 顺序 依赖 关系 入手 , 总结 若干 个 词 性 组合 规则 , 提取 能够 表达 丰富 情感 信息 的 Bi-tagged 特征 , 并 基 于 支持 向量 机 ( SVM ) 分类 器 对 维吾尔 文 情感 语料 库 进行 了 正负 情感 分类 。 该文 从 维吾尔 文 词汇 之间 的 顺序 依赖 关系 入手 , 总结 若干 个 词 性 组合 规则 , 提取 能够 表达 丰富 情感 信息 的 Bi-tagged 特征 , 并 基 于 支持 向量 机 ( SVM ) 分类 器 对 维吾尔 文 情感 语料 库 进行 了 正负 情感 分类 。 1<2 enablement enablement
nlpabs52_Chi 88-91 92-99 实验 结果 表明 , 在 维吾尔 文文 本 情感 分类 中 : 88-191 88-191 实验 结果 表明 , 在 维吾尔 文文 本 情感 分类 中 : ( 1 ) 当 包含 该文 提出 的 各项 词性 规则 时 , Bi-tagged 特征 的 性能 最优 ; ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 而且 可以 提取 否定 信息 ; ( 3 ) 与 常 用 的 unigram 、 bigram 特征 以及 unigram 和 bigram 的 组合 特征 在 该 文 数据 集上 的 分类 效果 相比 , 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 比 该文 的 Baseline 的 分类 准确 率 提高 了 4.225% 。 实验 结果 表明 , 在 维吾尔 文文 本 情感 分类 中 : ( 1 ) 当 包含 该文 提出 的 各项 词性 规则 时 , Bi-tagged 特征 的 性能 最优 ; ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 而且 可以 提取 否定 信息 ; ( 3 ) 与 常 用 的 unigram 、 bigram 特征 以及 unigram 和 bigram 的 组合 特征 在 该 文 数据 集上 的 分类 效果 相比 , 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 比 该文 的 Baseline 的 分类 准确 率 提高 了 4.225% 。 1>2 attribution attribution
nlpabs52_Chi 35-46 92-99 该文 从 维吾尔 文 词汇 之间 的 顺序 依赖 关系 入手 , 在 维吾尔 文文 本 情感 分类 中 : 35-87 88-191 该文 从 维吾尔 文 词汇 之间 的 顺序 依赖 关系 入手 , 总结 若干 个 词 性 组合 规则 , 提取 能够 表达 丰富 情感 信息 的 Bi-tagged 特征 , 并 基 于 支持 向量 机 ( SVM ) 分类 器 对 维吾尔 文 情感 语料 库 进行 了 正负 情感 分类 。 实验 结果 表明 , 在 维吾尔 文文 本 情感 分类 中 : ( 1 ) 当 包含 该文 提出 的 各项 词性 规则 时 , Bi-tagged 特征 的 性能 最优 ; ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 而且 可以 提取 否定 信息 ; ( 3 ) 与 常 用 的 unigram 、 bigram 特征 以及 unigram 和 bigram 的 组合 特征 在 该 文 数据 集上 的 分类 效果 相比 , 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 比 该文 的 Baseline 的 分类 准确 率 提高 了 4.225% 。 1<2 evaluation evaluation
nlpabs52_Chi 100-112 113-118 ( 1 ) 当 包含 该文 提出 的 各项 词性 规则 时 , Bi-tagged 特征 的 性能 最优 ; 88-191 88-191 实验 结果 表明 , 在 维吾尔 文文 本 情感 分类 中 : ( 1 ) 当 包含 该文 提出 的 各项 词性 规则 时 , Bi-tagged 特征 的 性能 最优 ; ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 而且 可以 提取 否定 信息 ; ( 3 ) 与 常 用 的 unigram 、 bigram 特征 以及 unigram 和 bigram 的 组合 特征 在 该 文 数据 集上 的 分类 效果 相比 , 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 比 该文 的 Baseline 的 分类 准确 率 提高 了 4.225% 。 实验 结果 表明 , 在 维吾尔 文文 本 情感 分类 中 : ( 1 ) 当 包含 该文 提出 的 各项 词性 规则 时 , Bi-tagged 特征 的 性能 最优 ; ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 而且 可以 提取 否定 信息 ; ( 3 ) 与 常 用 的 unigram 、 bigram 特征 以及 unigram 和 bigram 的 组合 特征 在 该 文 数据 集上 的 分类 效果 相比 , 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 比 该文 的 Baseline 的 分类 准确 率 提高 了 4.225% 。 1>2 temporal temporal
nlpabs52_Chi 92-99 113-118 在 维吾尔 文文 本 情感 分类 中 : Bi-tagged 特征 的 性能 最优 ; 88-191 88-191 实验 结果 表明 , 在 维吾尔 文文 本 情感 分类 中 : ( 1 ) 当 包含 该文 提出 的 各项 词性 规则 时 , Bi-tagged 特征 的 性能 最优 ; ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 而且 可以 提取 否定 信息 ; ( 3 ) 与 常 用 的 unigram 、 bigram 特征 以及 unigram 和 bigram 的 组合 特征 在 该 文 数据 集上 的 分类 效果 相比 , 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 比 该文 的 Baseline 的 分类 准确 率 提高 了 4.225% 。 实验 结果 表明 , 在 维吾尔 文文 本 情感 分类 中 : ( 1 ) 当 包含 该文 提出 的 各项 词性 规则 时 , Bi-tagged 特征 的 性能 最优 ; ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 而且 可以 提取 否定 信息 ; ( 3 ) 与 常 用 的 unigram 、 bigram 特征 以及 unigram 和 bigram 的 组合 特征 在 该 文 数据 集上 的 分类 效果 相比 , 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 比 该文 的 Baseline 的 分类 准确 率 提高 了 4.225% 。 1<2 elab-enumember elab-enumember
nlpabs52_Chi 113-118 119-131 Bi-tagged 特征 的 性能 最优 ; ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 88-191 88-191 实验 结果 表明 , 在 维吾尔 文文 本 情感 分类 中 : ( 1 ) 当 包含 该文 提出 的 各项 词性 规则 时 , Bi-tagged 特征 的 性能 最优 ; ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 而且 可以 提取 否定 信息 ; ( 3 ) 与 常 用 的 unigram 、 bigram 特征 以及 unigram 和 bigram 的 组合 特征 在 该 文 数据 集上 的 分类 效果 相比 , 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 比 该文 的 Baseline 的 分类 准确 率 提高 了 4.225% 。 实验 结果 表明 , 在 维吾尔 文文 本 情感 分类 中 : ( 1 ) 当 包含 该文 提出 的 各项 词性 规则 时 , Bi-tagged 特征 的 性能 最优 ; ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 而且 可以 提取 否定 信息 ; ( 3 ) 与 常 用 的 unigram 、 bigram 特征 以及 unigram 和 bigram 的 组合 特征 在 该 文 数据 集上 的 分类 效果 相比 , 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 比 该文 的 Baseline 的 分类 准确 率 提高 了 4.225% 。 1<2 joint joint
nlpabs52_Chi 119-131 132-137 ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 而且 可以 提取 否定 信息 ; 88-191 88-191 实验 结果 表明 , 在 维吾尔 文文 本 情感 分类 中 : ( 1 ) 当 包含 该文 提出 的 各项 词性 规则 时 , Bi-tagged 特征 的 性能 最优 ; ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 而且 可以 提取 否定 信息 ; ( 3 ) 与 常 用 的 unigram 、 bigram 特征 以及 unigram 和 bigram 的 组合 特征 在 该 文 数据 集上 的 分类 效果 相比 , 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 比 该文 的 Baseline 的 分类 准确 率 提高 了 4.225% 。 实验 结果 表明 , 在 维吾尔 文文 本 情感 分类 中 : ( 1 ) 当 包含 该文 提出 的 各项 词性 规则 时 , Bi-tagged 特征 的 性能 最优 ; ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 而且 可以 提取 否定 信息 ; ( 3 ) 与 常 用 的 unigram 、 bigram 特征 以及 unigram 和 bigram 的 组合 特征 在 该 文 数据 集上 的 分类 效果 相比 , 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 比 该文 的 Baseline 的 分类 准确 率 提高 了 4.225% 。 1<2 joint joint
nlpabs52_Chi 138-165 166-179 ( 3 ) 与 常 用 的 unigram 、 bigram 特征 以及 unigram 和 bigram 的 组合 特征 在 该 文 数据 集上 的 分类 效果 相比 , 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 88-191 88-191 实验 结果 表明 , 在 维吾尔 文文 本 情感 分类 中 : ( 1 ) 当 包含 该文 提出 的 各项 词性 规则 时 , Bi-tagged 特征 的 性能 最优 ; ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 而且 可以 提取 否定 信息 ; ( 3 ) 与 常 用 的 unigram 、 bigram 特征 以及 unigram 和 bigram 的 组合 特征 在 该 文 数据 集上 的 分类 效果 相比 , 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 比 该文 的 Baseline 的 分类 准确 率 提高 了 4.225% 。 实验 结果 表明 , 在 维吾尔 文文 本 情感 分类 中 : ( 1 ) 当 包含 该文 提出 的 各项 词性 规则 时 , Bi-tagged 特征 的 性能 最优 ; ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 而且 可以 提取 否定 信息 ; ( 3 ) 与 常 用 的 unigram 、 bigram 特征 以及 unigram 和 bigram 的 组合 特征 在 该 文 数据 集上 的 分类 效果 相比 , 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 比 该文 的 Baseline 的 分类 准确 率 提高 了 4.225% 。 1>2 comparison comparison
nlpabs52_Chi 113-118 166-179 Bi-tagged 特征 的 性能 最优 ; 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 88-191 88-191 实验 结果 表明 , 在 维吾尔 文文 本 情感 分类 中 : ( 1 ) 当 包含 该文 提出 的 各项 词性 规则 时 , Bi-tagged 特征 的 性能 最优 ; ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 而且 可以 提取 否定 信息 ; ( 3 ) 与 常 用 的 unigram 、 bigram 特征 以及 unigram 和 bigram 的 组合 特征 在 该 文 数据 集上 的 分类 效果 相比 , 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 比 该文 的 Baseline 的 分类 准确 率 提高 了 4.225% 。 实验 结果 表明 , 在 维吾尔 文文 本 情感 分类 中 : ( 1 ) 当 包含 该文 提出 的 各项 词性 规则 时 , Bi-tagged 特征 的 性能 最优 ; ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 而且 可以 提取 否定 信息 ; ( 3 ) 与 常 用 的 unigram 、 bigram 特征 以及 unigram 和 bigram 的 组合 特征 在 该 文 数据 集上 的 分类 效果 相比 , 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 比 该文 的 Baseline 的 分类 准确 率 提高 了 4.225% 。 1<2 joint joint
nlpabs52_Chi 166-179 180-191 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 比 该文 的 Baseline 的 分类 准确 率 提高 了 4.225% 。 88-191 88-191 实验 结果 表明 , 在 维吾尔 文文 本 情感 分类 中 : ( 1 ) 当 包含 该文 提出 的 各项 词性 规则 时 , Bi-tagged 特征 的 性能 最优 ; ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 而且 可以 提取 否定 信息 ; ( 3 ) 与 常 用 的 unigram 、 bigram 特征 以及 unigram 和 bigram 的 组合 特征 在 该 文 数据 集上 的 分类 效果 相比 , 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 比 该文 的 Baseline 的 分类 准确 率 提高 了 4.225% 。 实验 结果 表明 , 在 维吾尔 文文 本 情感 分类 中 : ( 1 ) 当 包含 该文 提出 的 各项 词性 规则 时 , Bi-tagged 特征 的 性能 最优 ; ( 2 ) Bi-tagged 特征 不仅 能够 提取 情感 丰富 的 信息 , 而且 可以 提取 否定 信息 ; ( 3 ) 与 常 用 的 unigram 、 bigram 特征 以及 unigram 和 bigram 的 组合 特征 在 该 文 数据 集上 的 分类 效果 相比 , 该文 所 提取 的 Bi-tagged 与 unigram 的 组合 特征 分类 效果 更佳 , 比 该文 的 Baseline 的 分类 准确 率 提高 了 4.225% 。 1<2 elab-addition elab-addition
nlpabs52_Chi 35-46 192-206 该文 从 维吾尔 文 词汇 之间 的 顺序 依赖 关系 入手 , 该 研究 成果 不但 可以 进 一 步 提高 维吾尔 文文 本情感 分类 效率 , 35-87 192-223 该文 从 维吾尔 文 词汇 之间 的 顺序 依赖 关系 入手 , 总结 若干 个 词 性 组合 规则 , 提取 能够 表达 丰富 情感 信息 的 Bi-tagged 特征 , 并 基 于 支持 向量 机 ( SVM ) 分类 器 对 维吾尔 文 情感 语料 库 进行 了 正负 情感 分类 。 该 研究 成果 不但 可以 进 一 步 提高 维吾尔 文文 本情感 分类 效率 , 也 可 为 哈萨克 语 、 柯尔克孜 语 等 亲属 语言 的 情感 分类 提供 借鉴 。 1<2 elab-addition elab-addition
nlpabs52_Chi 192-206 207-223 该 研究 成果 不但 可以 进 一 步 提高 维吾尔 文文 本情感 分类 效率 , 也 可 为 哈萨克 语 、 柯尔克孜 语 等 亲属 语言 的 情感 分类 提供 借鉴 。 192-223 192-223 该 研究 成果 不但 可以 进 一 步 提高 维吾尔 文文 本情感 分类 效率 , 也 可 为 哈萨克 语 、 柯尔克孜 语 等 亲属 语言 的 情感 分类 提供 借鉴 。 该 研究 成果 不但 可以 进 一 步 提高 维吾尔 文文 本情感 分类 效率 , 也 可 为 哈萨克 语 、 柯尔克孜 语 等 亲属 语言 的 情感 分类 提供 借鉴 。 1<2 joint joint
|