| doc unit1_toks unit2_toks unit1_txt unit2_txt s1_toks s2_toks unit1_sent unit2_sent dir orig_label label | |
| nlpabs100_Chi 1-30 99-120 随 着 科学 技术 的 发展 , 以 循 环 神经 网络 为 基础 的 机器 翻译 方法 由于 翻译 质量 更好 而 逐渐 取代 统计 机器 翻译 方法 , 因此 该文 提出 一 种 基 于 卷积 神经 网络 CNN ( convolutional neural network ) 的 蒙汉 机器 翻译 方法 , 1-61 62-168 随 着 科学 技术 的 发展 , 以 循 环 神经 网络 为 基础 的 机器 翻译 方法 由于 翻译 质量 更好 而 逐渐 取代 统计 机器 翻译 方法 , 特别 是 在 国际 大 语种 之间 的 互译 方面 , RNN 在 对 语料 编码 时 能够 提取 更好 的 特征 , 这 对 翻译 质量 好坏 至关 重要 。 然而 在 蒙古 语 这 类 小 语种 的 翻译 方面 , 由于 语料 不足 导致 的 数据 稀疏 和 RNN 模型 训练 梯度 消失 等 问题 , 很难 从 语料 中 充分 获取 语义 关系 , 因此 该文 提出 一 种 基 于 卷积 神经 网络 CNN ( convolutional neural network ) 的 蒙汉 机器 翻译 方法 , 在 对 源 语料 编码 时 利用 池化 层 获取 语义 关系 , 并 根据 蒙古 语构词 特点 得到 句子 的 语义 信息 , 再 通过 融合 全局 注意 力 机制 的 GRU 循环 神经 网络 将 编码 过 后 的 源 语言 解码 为 汉 语 。 1>2 bg-general bg-general | |
| nlpabs100_Chi 1-30 31-53 随 着 科学 技术 的 发展 , 以 循 环 神经 网络 为 基础 的 机器 翻译 方法 由于 翻译 质量 更好 而 逐渐 取代 统计 机器 翻译 方法 , 特别 是 在 国际 大 语种 之间 的 互译 方面 , RNN 在 对 语料 编码 时 能够 提取 更好 的 特征 , 1-61 1-61 随 着 科学 技术 的 发展 , 以 循 环 神经 网络 为 基础 的 机器 翻译 方法 由于 翻译 质量 更好 而 逐渐 取代 统计 机器 翻译 方法 , 特别 是 在 国际 大 语种 之间 的 互译 方面 , RNN 在 对 语料 编码 时 能够 提取 更好 的 特征 , 这 对 翻译 质量 好坏 至关 重要 。 随 着 科学 技术 的 发展 , 以 循 环 神经 网络 为 基础 的 机器 翻译 方法 由于 翻译 质量 更好 而 逐渐 取代 统计 机器 翻译 方法 , 特别 是 在 国际 大 语种 之间 的 互译 方面 , RNN 在 对 语料 编码 时 能够 提取 更好 的 特征 , 这 对 翻译 质量 好坏 至关 重要 。 1<2 elab-addition elab-addition | |
| nlpabs100_Chi 31-53 54-61 特别 是 在 国际 大 语种 之间 的 互译 方面 , RNN 在 对 语料 编码 时 能够 提取 更好 的 特征 , 这 对 翻译 质量 好坏 至关 重要 。 1-61 1-61 随 着 科学 技术 的 发展 , 以 循 环 神经 网络 为 基础 的 机器 翻译 方法 由于 翻译 质量 更好 而 逐渐 取代 统计 机器 翻译 方法 , 特别 是 在 国际 大 语种 之间 的 互译 方面 , RNN 在 对 语料 编码 时 能够 提取 更好 的 特征 , 这 对 翻译 质量 好坏 至关 重要 。 随 着 科学 技术 的 发展 , 以 循 环 神经 网络 为 基础 的 机器 翻译 方法 由于 翻译 质量 更好 而 逐渐 取代 统计 机器 翻译 方法 , 特别 是 在 国际 大 语种 之间 的 互译 方面 , RNN 在 对 语料 编码 时 能够 提取 更好 的 特征 , 这 对 翻译 质量 好坏 至关 重要 。 1<2 elab-addition elab-addition | |
| nlpabs100_Chi 54-61 62-98 这 对 翻译 质量 好坏 至关 重要 。 然而 在 蒙古 语 这 类 小 语种 的 翻译 方面 , 由于 语料 不足 导致 的 数据 稀疏 和 RNN 模型 训练 梯度 消失 等 问题 , 很难 从 语料 中 充分 获取 语义 关系 , 1-61 62-168 随 着 科学 技术 的 发展 , 以 循 环 神经 网络 为 基础 的 机器 翻译 方法 由于 翻译 质量 更好 而 逐渐 取代 统计 机器 翻译 方法 , 特别 是 在 国际 大 语种 之间 的 互译 方面 , RNN 在 对 语料 编码 时 能够 提取 更好 的 特征 , 这 对 翻译 质量 好坏 至关 重要 。 然而 在 蒙古 语 这 类 小 语种 的 翻译 方面 , 由于 语料 不足 导致 的 数据 稀疏 和 RNN 模型 训练 梯度 消失 等 问题 , 很难 从 语料 中 充分 获取 语义 关系 , 因此 该文 提出 一 种 基 于 卷积 神经 网络 CNN ( convolutional neural network ) 的 蒙汉 机器 翻译 方法 , 在 对 源 语料 编码 时 利用 池化 层 获取 语义 关系 , 并 根据 蒙古 语构词 特点 得到 句子 的 语义 信息 , 再 通过 融合 全局 注意 力 机制 的 GRU 循环 神经 网络 将 编码 过 后 的 源 语言 解码 为 汉 语 。 1<2 contrast contrast | |
| nlpabs100_Chi 99-120 121-168 因此 该文 提出 一 种 基 于 卷积 神经 网络 CNN ( convolutional neural network ) 的 蒙汉 机器 翻译 方法 , 在 对 源 语料 编码 时 利用 池化 层 获取 语义 关系 , 并 根据 蒙古 语构词 特点 得到 句子 的 语义 信息 , 再 通过 融合 全局 注意 力 机制 的 GRU 循环 神经 网络 将 编码 过 后 的 源 语言 解码 为 汉 语 。 62-168 62-168 然而 在 蒙古 语 这 类 小 语种 的 翻译 方面 , 由于 语料 不足 导致 的 数据 稀疏 和 RNN 模型 训练 梯度 消失 等 问题 , 很难 从 语料 中 充分 获取 语义 关系 , 因此 该文 提出 一 种 基 于 卷积 神经 网络 CNN ( convolutional neural network ) 的 蒙汉 机器 翻译 方法 , 在 对 源 语料 编码 时 利用 池化 层 获取 语义 关系 , 并 根据 蒙古 语构词 特点 得到 句子 的 语义 信息 , 再 通过 融合 全局 注意 力 机制 的 GRU 循环 神经 网络 将 编码 过 后 的 源 语言 解码 为 汉 语 。 然而 在 蒙古 语 这 类 小 语种 的 翻译 方面 , 由于 语料 不足 导致 的 数据 稀疏 和 RNN 模型 训练 梯度 消失 等 问题 , 很难 从 语料 中 充分 获取 语义 关系 , 因此 该文 提出 一 种 基 于 卷积 神经 网络 CNN ( convolutional neural network ) 的 蒙汉 机器 翻译 方法 , 在 对 源 语料 编码 时 利用 池化 层 获取 语义 关系 , 并 根据 蒙古 语构词 特点 得到 句子 的 语义 信息 , 再 通过 融合 全局 注意 力 机制 的 GRU 循环 神经 网络 将 编码 过 后 的 源 语言 解码 为 汉 语 。 1<2 elab-addition elab-addition | |
| nlpabs100_Chi 169-172 173-192 实验 结果 表明 , 该 方法 在 翻译 准确 率 和 训练 速度 两 方面 均 优 于 RNN 基准 机器 翻译 方法 。 169-192 169-192 实验 结果 表明 , 该 方法 在 翻译 准确 率 和 训练 速度 两 方面 均 优 于 RNN 基准 机器 翻译 方法 。 实验 结果 表明 , 该 方法 在 翻译 准确 率 和 训练 速度 两 方面 均 优 于 RNN 基准 机器 翻译 方法 。 1>2 attribution attribution | |
| nlpabs100_Chi 99-120 173-192 因此 该文 提出 一 种 基 于 卷积 神经 网络 CNN ( convolutional neural network ) 的 蒙汉 机器 翻译 方法 , 该 方法 在 翻译 准确 率 和 训练 速度 两 方面 均 优 于 RNN 基准 机器 翻译 方法 。 62-168 169-192 然而 在 蒙古 语 这 类 小 语种 的 翻译 方面 , 由于 语料 不足 导致 的 数据 稀疏 和 RNN 模型 训练 梯度 消失 等 问题 , 很难 从 语料 中 充分 获取 语义 关系 , 因此 该文 提出 一 种 基 于 卷积 神经 网络 CNN ( convolutional neural network ) 的 蒙汉 机器 翻译 方法 , 在 对 源 语料 编码 时 利用 池化 层 获取 语义 关系 , 并 根据 蒙古 语构词 特点 得到 句子 的 语义 信息 , 再 通过 融合 全局 注意 力 机制 的 GRU 循环 神经 网络 将 编码 过 后 的 源 语言 解码 为 汉 语 。 实验 结果 表明 , 该 方法 在 翻译 准确 率 和 训练 速度 两 方面 均 优 于 RNN 基准 机器 翻译 方法 。 1<2 evaluation evaluation | |
| nlpabs101_Chi 1-19 20-25 探索 将 循环 神经 网络 和 连接 时序 分类 算法 应用 于 藏 语 语音 识别 声学 建模 , 实现 端到端 的 模型 训练 。 1-25 1-25 探索 将 循环 神经 网络 和 连接 时序 分类 算法 应用 于 藏 语 语音 识别 声学 建模 , 实现 端到端 的 模型 训练 。 探索 将 循环 神经 网络 和 连接 时序 分类 算法 应用 于 藏 语 语音 识别 声学 建模 , 实现 端到端 的 模型 训练 。 1<2 enablement enablement | |
| nlpabs101_Chi 26-35 36-57 同时 根据 声学 模型 输入 与 输出 的 关系 , 通过 在 隐含 层 输出 序列 上 引入 时域 卷积 操作 来 对 网络 隐含 层 时域 展开 步数 进行 约简 , 26-67 26-67 同时 根据 声学 模型 输入 与 输出 的 关系 , 通过 在 隐含 层 输出 序列 上 引入 时域 卷积 操作 来 对 网络 隐含 层 时域 展开 步数 进行 约简 , 从而 有效 提升 模型 的 训练 与 解码 效率 。 同时 根据 声学 模型 输入 与 输出 的 关系 , 通过 在 隐含 层 输出 序列 上 引入 时域 卷积 操作 来 对 网络 隐含 层 时域 展开 步数 进行 约简 , 从而 有效 提升 模型 的 训练 与 解码 效率 。 1>2 bg-general bg-general | |
| nlpabs101_Chi 1-19 36-57 探索 将 循环 神经 网络 和 连接 时序 分类 算法 应用 于 藏 语 语音 识别 声学 建模 , 通过 在 隐含 层 输出 序列 上 引入 时域 卷积 操作 来 对 网络 隐含 层 时域 展开 步数 进行 约简 , 1-25 26-67 探索 将 循环 神经 网络 和 连接 时序 分类 算法 应用 于 藏 语 语音 识别 声学 建模 , 实现 端到端 的 模型 训练 。 同时 根据 声学 模型 输入 与 输出 的 关系 , 通过 在 隐含 层 输出 序列 上 引入 时域 卷积 操作 来 对 网络 隐含 层 时域 展开 步数 进行 约简 , 从而 有效 提升 模型 的 训练 与 解码 效率 。 1<2 elab-addition elab-addition | |
| nlpabs101_Chi 36-57 58-67 通过 在 隐含 层 输出 序列 上 引入 时域 卷积 操作 来 对 网络 隐含 层 时域 展开 步数 进行 约简 , 从而 有效 提升 模型 的 训练 与 解码 效率 。 26-67 26-67 同时 根据 声学 模型 输入 与 输出 的 关系 , 通过 在 隐含 层 输出 序列 上 引入 时域 卷积 操作 来 对 网络 隐含 层 时域 展开 步数 进行 约简 , 从而 有效 提升 模型 的 训练 与 解码 效率 。 同时 根据 声学 模型 输入 与 输出 的 关系 , 通过 在 隐含 层 输出 序列 上 引入 时域 卷积 操作 来 对 网络 隐含 层 时域 展开 步数 进行 约简 , 从而 有效 提升 模型 的 训练 与 解码 效率 。 1<2 enablement enablement | |
| nlpabs101_Chi 68-71 84-101 实验 结果 显示 , 循环 神经 网络 模型 在 藏 语 拉萨 话音素 识别 任务 上 具有 更好 的 识别 性能 , 68-129 68-129 实验 结果 显示 , 与 传统 基 于 隐马尔可夫 模型 的 声学 建模 方法 相比 , 循环 神经 网络 模型 在 藏 语 拉萨 话音素 识别 任务 上 具有 更好 的 识别 性能 , 而 引入 时域 卷积 操作 的 循环 神经 网络 声学 模型 在 保持 同等 识别 性能 的 情况 下 , 拥有 更高 的 训练 和 解码 效率 。 实验 结果 显示 , 与 传统 基 于 隐马尔可夫 模型 的 声学 建模 方法 相比 , 循环 神经 网络 模型 在 藏 语 拉萨 话音素 识别 任务 上 具有 更好 的 识别 性能 , 而 引入 时域 卷积 操作 的 循环 神经 网络 声学 模型 在 保持 同等 识别 性能 的 情况 下 , 拥有 更高 的 训练 和 解码 效率 。 1>2 attribution attribution | |
| nlpabs101_Chi 72-83 84-101 与 传统 基 于 隐马尔可夫 模型 的 声学 建模 方法 相比 , 循环 神经 网络 模型 在 藏 语 拉萨 话音素 识别 任务 上 具有 更好 的 识别 性能 , 68-129 68-129 实验 结果 显示 , 与 传统 基 于 隐马尔可夫 模型 的 声学 建模 方法 相比 , 循环 神经 网络 模型 在 藏 语 拉萨 话音素 识别 任务 上 具有 更好 的 识别 性能 , 而 引入 时域 卷积 操作 的 循环 神经 网络 声学 模型 在 保持 同等 识别 性能 的 情况 下 , 拥有 更高 的 训练 和 解码 效率 。 实验 结果 显示 , 与 传统 基 于 隐马尔可夫 模型 的 声学 建模 方法 相比 , 循环 神经 网络 模型 在 藏 语 拉萨 话音素 识别 任务 上 具有 更好 的 识别 性能 , 而 引入 时域 卷积 操作 的 循环 神经 网络 声学 模型 在 保持 同等 识别 性能 的 情况 下 , 拥有 更高 的 训练 和 解码 效率 。 1>2 comparison comparison | |
| nlpabs101_Chi 1-19 84-101 探索 将 循环 神经 网络 和 连接 时序 分类 算法 应用 于 藏 语 语音 识别 声学 建模 , 循环 神经 网络 模型 在 藏 语 拉萨 话音素 识别 任务 上 具有 更好 的 识别 性能 , 1-25 68-129 探索 将 循环 神经 网络 和 连接 时序 分类 算法 应用 于 藏 语 语音 识别 声学 建模 , 实现 端到端 的 模型 训练 。 实验 结果 显示 , 与 传统 基 于 隐马尔可夫 模型 的 声学 建模 方法 相比 , 循环 神经 网络 模型 在 藏 语 拉萨 话音素 识别 任务 上 具有 更好 的 识别 性能 , 而 引入 时域 卷积 操作 的 循环 神经 网络 声学 模型 在 保持 同等 识别 性能 的 情况 下 , 拥有 更高 的 训练 和 解码 效率 。 1<2 evaluation evaluation | |
| nlpabs101_Chi 84-101 102-129 循环 神经 网络 模型 在 藏 语 拉萨 话音素 识别 任务 上 具有 更好 的 识别 性能 , 而 引入 时域 卷积 操作 的 循环 神经 网络 声学 模型 在 保持 同等 识别 性能 的 情况 下 , 拥有 更高 的 训练 和 解码 效率 。 68-129 68-129 实验 结果 显示 , 与 传统 基 于 隐马尔可夫 模型 的 声学 建模 方法 相比 , 循环 神经 网络 模型 在 藏 语 拉萨 话音素 识别 任务 上 具有 更好 的 识别 性能 , 而 引入 时域 卷积 操作 的 循环 神经 网络 声学 模型 在 保持 同等 识别 性能 的 情况 下 , 拥有 更高 的 训练 和 解码 效率 。 实验 结果 显示 , 与 传统 基 于 隐马尔可夫 模型 的 声学 建模 方法 相比 , 循环 神经 网络 模型 在 藏 语 拉萨 话音素 识别 任务 上 具有 更好 的 识别 性能 , 而 引入 时域 卷积 操作 的 循环 神经 网络 声学 模型 在 保持 同等 识别 性能 的 情况 下 , 拥有 更高 的 训练 和 解码 效率 。 1<2 joint joint | |
| nlpabs103_Chi 1-18 28-45 维吾尔 语 事件 伴随 关系 是 维吾尔 语 语言 中 常见 且 重要 的 关系 之 一 。 该文 提出 一 种 基 于 深度 信念 网络 的 维吾尔 语 事件 伴随 关系 识别 方法 , 1-18 19-99 维吾尔 语 事件 伴随 关系 是 维吾尔 语 语言 中 常见 且 重要 的 关系 之 一 。 结合 对 维吾尔 语 语言 特点 的 研究 , 该文 提出 一 种 基 于 深度 信念 网络 的 维吾尔 语 事件 伴随 关系 识别 方法 , 根据 维吾尔 语 语言 特性 和 事件 伴随 关系 的 特点 , 抽取 12 项 基 于 事件 结构 信息 的 特征 ; 同时 充分 利用 事件 对 所 对应 的 两 个 触发 词 之间 的 语义 信息 , 引入 Word Embedding 计算 两 个 触发 词 之间 的 语义 相似 度 。 1>2 bg-general bg-general | |
| nlpabs103_Chi 19-27 28-45 结合 对 维吾尔 语 语言 特点 的 研究 , 该文 提出 一 种 基 于 深度 信念 网络 的 维吾尔 语 事件 伴随 关系 识别 方法 , 19-99 19-99 结合 对 维吾尔 语 语言 特点 的 研究 , 该文 提出 一 种 基 于 深度 信念 网络 的 维吾尔 语 事件 伴随 关系 识别 方法 , 根据 维吾尔 语 语言 特性 和 事件 伴随 关系 的 特点 , 抽取 12 项 基 于 事件 结构 信息 的 特征 ; 同时 充分 利用 事件 对 所 对应 的 两 个 触发 词 之间 的 语义 信息 , 引入 Word Embedding 计算 两 个 触发 词 之间 的 语义 相似 度 。 结合 对 维吾尔 语 语言 特点 的 研究 , 该文 提出 一 种 基 于 深度 信念 网络 的 维吾尔 语 事件 伴随 关系 识别 方法 , 根据 维吾尔 语 语言 特性 和 事件 伴随 关系 的 特点 , 抽取 12 项 基 于 事件 结构 信息 的 特征 ; 同时 充分 利用 事件 对 所 对应 的 两 个 触发 词 之间 的 语义 信息 , 引入 Word Embedding 计算 两 个 触发 词 之间 的 语义 相似 度 。 1>2 bg-general bg-general | |
| nlpabs103_Chi 46-57 58-68 根据 维吾尔 语 语言 特性 和 事件 伴随 关系 的 特点 , 抽取 12 项 基 于 事件 结构 信息 的 特征 ; 19-99 19-99 结合 对 维吾尔 语 语言 特点 的 研究 , 该文 提出 一 种 基 于 深度 信念 网络 的 维吾尔 语 事件 伴随 关系 识别 方法 , 根据 维吾尔 语 语言 特性 和 事件 伴随 关系 的 特点 , 抽取 12 项 基 于 事件 结构 信息 的 特征 ; 同时 充分 利用 事件 对 所 对应 的 两 个 触发 词 之间 的 语义 信息 , 引入 Word Embedding 计算 两 个 触发 词 之间 的 语义 相似 度 。 结合 对 维吾尔 语 语言 特点 的 研究 , 该文 提出 一 种 基 于 深度 信念 网络 的 维吾尔 语 事件 伴随 关系 识别 方法 , 根据 维吾尔 语 语言 特性 和 事件 伴随 关系 的 特点 , 抽取 12 项 基 于 事件 结构 信息 的 特征 ; 同时 充分 利用 事件 对 所 对应 的 两 个 触发 词 之间 的 语义 信息 , 引入 Word Embedding 计算 两 个 触发 词 之间 的 语义 相似 度 。 1>2 bg-general bg-general | |
| nlpabs103_Chi 28-45 58-68 该文 提出 一 种 基 于 深度 信念 网络 的 维吾尔 语 事件 伴随 关系 识别 方法 , 抽取 12 项 基 于 事件 结构 信息 的 特征 ; 19-99 19-99 结合 对 维吾尔 语 语言 特点 的 研究 , 该文 提出 一 种 基 于 深度 信念 网络 的 维吾尔 语 事件 伴随 关系 识别 方法 , 根据 维吾尔 语 语言 特性 和 事件 伴随 关系 的 特点 , 抽取 12 项 基 于 事件 结构 信息 的 特征 ; 同时 充分 利用 事件 对 所 对应 的 两 个 触发 词 之间 的 语义 信息 , 引入 Word Embedding 计算 两 个 触发 词 之间 的 语义 相似 度 。 结合 对 维吾尔 语 语言 特点 的 研究 , 该文 提出 一 种 基 于 深度 信念 网络 的 维吾尔 语 事件 伴随 关系 识别 方法 , 根据 维吾尔 语 语言 特性 和 事件 伴随 关系 的 特点 , 抽取 12 项 基 于 事件 结构 信息 的 特征 ; 同时 充分 利用 事件 对 所 对应 的 两 个 触发 词 之间 的 语义 信息 , 引入 Word Embedding 计算 两 个 触发 词 之间 的 语义 相似 度 。 1<2 elab-process_step elab-process_step | |
| nlpabs103_Chi 58-68 69-85 抽取 12 项 基 于 事件 结构 信息 的 特征 ; 同时 充分 利用 事件 对 所 对应 的 两 个 触发 词 之间 的 语义 信息 , 19-99 19-99 结合 对 维吾尔 语 语言 特点 的 研究 , 该文 提出 一 种 基 于 深度 信念 网络 的 维吾尔 语 事件 伴随 关系 识别 方法 , 根据 维吾尔 语 语言 特性 和 事件 伴随 关系 的 特点 , 抽取 12 项 基 于 事件 结构 信息 的 特征 ; 同时 充分 利用 事件 对 所 对应 的 两 个 触发 词 之间 的 语义 信息 , 引入 Word Embedding 计算 两 个 触发 词 之间 的 语义 相似 度 。 结合 对 维吾尔 语 语言 特点 的 研究 , 该文 提出 一 种 基 于 深度 信念 网络 的 维吾尔 语 事件 伴随 关系 识别 方法 , 根据 维吾尔 语 语言 特性 和 事件 伴随 关系 的 特点 , 抽取 12 项 基 于 事件 结构 信息 的 特征 ; 同时 充分 利用 事件 对 所 对应 的 两 个 触发 词 之间 的 语义 信息 , 引入 Word Embedding 计算 两 个 触发 词 之间 的 语义 相似 度 。 1<2 joint joint | |
| nlpabs103_Chi 69-85 86-99 同时 充分 利用 事件 对 所 对应 的 两 个 触发 词 之间 的 语义 信息 , 引入 Word Embedding 计算 两 个 触发 词 之间 的 语义 相似 度 。 19-99 19-99 结合 对 维吾尔 语 语言 特点 的 研究 , 该文 提出 一 种 基 于 深度 信念 网络 的 维吾尔 语 事件 伴随 关系 识别 方法 , 根据 维吾尔 语 语言 特性 和 事件 伴随 关系 的 特点 , 抽取 12 项 基 于 事件 结构 信息 的 特征 ; 同时 充分 利用 事件 对 所 对应 的 两 个 触发 词 之间 的 语义 信息 , 引入 Word Embedding 计算 两 个 触发 词 之间 的 语义 相似 度 。 结合 对 维吾尔 语 语言 特点 的 研究 , 该文 提出 一 种 基 于 深度 信念 网络 的 维吾尔 语 事件 伴随 关系 识别 方法 , 根据 维吾尔 语 语言 特性 和 事件 伴随 关系 的 特点 , 抽取 12 项 基 于 事件 结构 信息 的 特征 ; 同时 充分 利用 事件 对 所 对应 的 两 个 触发 词 之间 的 语义 信息 , 引入 Word Embedding 计算 两 个 触发 词 之间 的 语义 相似 度 。 1<2 enablement enablement | |
| nlpabs103_Chi 58-68 100-114 抽取 12 项 基 于 事件 结构 信息 的 特征 ; 而 后 融合 两 类 特征 作 为 DBN 模型 的 输入 进行 训练 , 19-99 100-133 结合 对 维吾尔 语 语言 特点 的 研究 , 该文 提出 一 种 基 于 深度 信念 网络 的 维吾尔 语 事件 伴随 关系 识别 方法 , 根据 维吾尔 语 语言 特性 和 事件 伴随 关系 的 特点 , 抽取 12 项 基 于 事件 结构 信息 的 特征 ; 同时 充分 利用 事件 对 所 对应 的 两 个 触发 词 之间 的 语义 信息 , 引入 Word Embedding 计算 两 个 触发 词 之间 的 语义 相似 度 。 而 后 融合 两 类 特征 作 为 DBN 模型 的 输入 进行 训练 , 最后 将 训练 结果 作 为 softmax 分类器 的 输入 实现 维吾尔 语 事件 伴随 关系 的 识别 。 1<2 joint joint | |
| nlpabs103_Chi 100-114 115-133 而 后 融合 两 类 特征 作 为 DBN 模型 的 输入 进行 训练 , 最后 将 训练 结果 作 为 softmax 分类器 的 输入 实现 维吾尔 语 事件 伴随 关系 的 识别 。 100-133 100-133 而 后 融合 两 类 特征 作 为 DBN 模型 的 输入 进行 训练 , 最后 将 训练 结果 作 为 softmax 分类器 的 输入 实现 维吾尔 语 事件 伴随 关系 的 识别 。 而 后 融合 两 类 特征 作 为 DBN 模型 的 输入 进行 训练 , 最后 将 训练 结果 作 为 softmax 分类器 的 输入 实现 维吾尔 语 事件 伴随 关系 的 识别 。 1<2 joint joint | |
| nlpabs103_Chi 28-45 134-161 该文 提出 一 种 基 于 深度 信念 网络 的 维吾尔 语 事件 伴随 关系 识别 方法 , 该 方法 用 于 维吾尔 语 事件 伴随 关系 的 识别 准确 率 P 为 81.89% 、 召回 率 R 为 84.32% 、 F1 值 为 82.48% 。 19-99 134-161 结合 对 维吾尔 语 语言 特点 的 研究 , 该文 提出 一 种 基 于 深度 信念 网络 的 维吾尔 语 事件 伴随 关系 识别 方法 , 根据 维吾尔 语 语言 特性 和 事件 伴随 关系 的 特点 , 抽取 12 项 基 于 事件 结构 信息 的 特征 ; 同时 充分 利用 事件 对 所 对应 的 两 个 触发 词 之间 的 语义 信息 , 引入 Word Embedding 计算 两 个 触发 词 之间 的 语义 相似 度 。 该 方法 用 于 维吾尔 语 事件 伴随 关系 的 识别 准确 率 P 为 81.89% 、 召回 率 R 为 84.32% 、 F1 值 为 82.48% 。 1<2 evaluation evaluation | |
| nlpabs103_Chi 162-165 173-185 实验 结果 表明 , 基 于 DBN 模型 的 方法 取 得 更好 的 识别 效果 。 162-185 162-185 实验 结果 表明 , 与 支持 向量 机 方法 相比 , 基 于 DBN 模型 的 方法 取 得 更好 的 识别 效果 。 实验 结果 表明 , 与 支持 向量 机 方法 相比 , 基 于 DBN 模型 的 方法 取 得 更好 的 识别 效果 。 1>2 elab-addition elab-addition | |
| nlpabs103_Chi 166-172 173-185 与 支持 向量 机 方法 相比 , 基 于 DBN 模型 的 方法 取 得 更好 的 识别 效果 。 162-185 162-185 实验 结果 表明 , 与 支持 向量 机 方法 相比 , 基 于 DBN 模型 的 方法 取 得 更好 的 识别 效果 。 实验 结果 表明 , 与 支持 向量 机 方法 相比 , 基 于 DBN 模型 的 方法 取 得 更好 的 识别 效果 。 1>2 contrast contrast | |
| nlpabs103_Chi 134-161 173-185 该 方法 用 于 维吾尔 语 事件 伴随 关系 的 识别 准确 率 P 为 81.89% 、 召回 率 R 为 84.32% 、 F1 值 为 82.48% 。 基 于 DBN 模型 的 方法 取 得 更好 的 识别 效果 。 134-161 162-185 该 方法 用 于 维吾尔 语 事件 伴随 关系 的 识别 准确 率 P 为 81.89% 、 召回 率 R 为 84.32% 、 F1 值 为 82.48% 。 实验 结果 表明 , 与 支持 向量 机 方法 相比 , 基 于 DBN 模型 的 方法 取 得 更好 的 识别 效果 。 1<2 elab-addition elab-addition | |
| nlpabs104_Chi 1-16 49-65 网络 化 大 数据 时代 的 到来 丰富 了 网络 空间 中 的 信息 资源 , 该文 提出 了 一 种 基 于 潜 在 语义 分析 的 文本 指纹 提取 方法 , 1-48 49-90 网络 化 大 数据 时代 的 到来 丰富 了 网络 空间 中 的 信息 资源 , 然而 由于 数据 资源 类型 的 多样 性 及 其 增长 的 快速 性 , 给 网络 空间 的 存储 和 信息 资源 的 有效 利用 带来 了 压力 和 挑战 。 该文 提出 了 一 种 基 于 潜 在 语义 分析 的 文本 指纹 提取 方法 , 该 方法 是 对 数据 信息 的 一 种 压缩 表示 , 是 针对 目前 指纹 提取 方法 语义 缺失 的 一 种 改进 。 1>2 bg-general bg-general | |
| nlpabs104_Chi 1-16 17-48 网络 化 大 数据 时代 的 到来 丰富 了 网络 空间 中 的 信息 资源 , 然而 由于 数据 资源 类型 的 多样 性 及 其 增长 的 快速 性 , 给 网络 空间 的 存储 和 信息 资源 的 有效 利用 带来 了 压力 和 挑战 。 1-48 1-48 网络 化 大 数据 时代 的 到来 丰富 了 网络 空间 中 的 信息 资源 , 然而 由于 数据 资源 类型 的 多样 性 及 其 增长 的 快速 性 , 给 网络 空间 的 存储 和 信息 资源 的 有效 利用 带来 了 压力 和 挑战 。 网络 化 大 数据 时代 的 到来 丰富 了 网络 空间 中 的 信息 资源 , 然而 由于 数据 资源 类型 的 多样 性 及 其 增长 的 快速 性 , 给 网络 空间 的 存储 和 信息 资源 的 有效 利用 带来 了 压力 和 挑战 。 1<2 contrast contrast | |
| nlpabs104_Chi 49-65 66-77 该文 提出 了 一 种 基 于 潜 在 语义 分析 的 文本 指纹 提取 方法 , 该 方法 是 对 数据 信息 的 一 种 压缩 表示 , 49-90 49-90 该文 提出 了 一 种 基 于 潜 在 语义 分析 的 文本 指纹 提取 方法 , 该 方法 是 对 数据 信息 的 一 种 压缩 表示 , 是 针对 目前 指纹 提取 方法 语义 缺失 的 一 种 改进 。 该文 提出 了 一 种 基 于 潜 在 语义 分析 的 文本 指纹 提取 方法 , 该 方法 是 对 数据 信息 的 一 种 压缩 表示 , 是 针对 目前 指纹 提取 方法 语义 缺失 的 一 种 改进 。 1<2 elab-addition elab-addition | |
| nlpabs104_Chi 66-77 78-90 该 方法 是 对 数据 信息 的 一 种 压缩 表示 , 是 针对 目前 指纹 提取 方法 语义 缺失 的 一 种 改进 。 49-90 49-90 该文 提出 了 一 种 基 于 潜 在 语义 分析 的 文本 指纹 提取 方法 , 该 方法 是 对 数据 信息 的 一 种 压缩 表示 , 是 针对 目前 指纹 提取 方法 语义 缺失 的 一 种 改进 。 该文 提出 了 一 种 基 于 潜 在 语义 分析 的 文本 指纹 提取 方法 , 该 方法 是 对 数据 信息 的 一 种 压缩 表示 , 是 针对 目前 指纹 提取 方法 语义 缺失 的 一 种 改进 。 1<2 elab-addition elab-addition | |
| nlpabs104_Chi 49-65 91-105 该文 提出 了 一 种 基 于 潜 在 语义 分析 的 文本 指纹 提取 方法 , 该 方法 主要 通过 奇异 值 分解 获取 原始 文档 的 潜在 语义 特征 , 49-90 91-152 该文 提出 了 一 种 基 于 潜 在 语义 分析 的 文本 指纹 提取 方法 , 该 方法 是 对 数据 信息 的 一 种 压缩 表示 , 是 针对 目前 指纹 提取 方法 语义 缺失 的 一 种 改进 。 该 方法 主要 通过 奇异 值 分解 获取 原始 文档 的 潜在 语义 特征 , 然后 将 原 文档 向量 空间 转换 到 与 其 对应 的 潜在 语义 空间 , 再 根据 随机 超 平面 原理 将 该 空间 的 文档 转换 成 二 进制 数字 指纹 , 最终 用 汉 明 距离 来 衡量 指纹 间 的 差异 程度 。 1<2 elab-process_step elab-process_step | |
| nlpabs104_Chi 91-105 106-121 该 方法 主要 通过 奇异 值 分解 获取 原始 文档 的 潜在 语义 特征 , 然后 将 原 文档 向量 空间 转换 到 与 其 对应 的 潜在 语义 空间 , 91-152 91-152 该 方法 主要 通过 奇异 值 分解 获取 原始 文档 的 潜在 语义 特征 , 然后 将 原 文档 向量 空间 转换 到 与 其 对应 的 潜在 语义 空间 , 再 根据 随机 超 平面 原理 将 该 空间 的 文档 转换 成 二 进制 数字 指纹 , 最终 用 汉 明 距离 来 衡量 指纹 间 的 差异 程度 。 该 方法 主要 通过 奇异 值 分解 获取 原始 文档 的 潜在 语义 特征 , 然后 将 原 文档 向量 空间 转换 到 与 其 对应 的 潜在 语义 空间 , 再 根据 随机 超 平面 原理 将 该 空间 的 文档 转换 成 二 进制 数字 指纹 , 最终 用 汉 明 距离 来 衡量 指纹 间 的 差异 程度 。 1<2 joint joint | |
| nlpabs104_Chi 106-121 122-127 然后 将 原 文档 向量 空间 转换 到 与 其 对应 的 潜在 语义 空间 , 再 根据 随机 超 平面 原理 91-152 91-152 该 方法 主要 通过 奇异 值 分解 获取 原始 文档 的 潜在 语义 特征 , 然后 将 原 文档 向量 空间 转换 到 与 其 对应 的 潜在 语义 空间 , 再 根据 随机 超 平面 原理 将 该 空间 的 文档 转换 成 二 进制 数字 指纹 , 最终 用 汉 明 距离 来 衡量 指纹 间 的 差异 程度 。 该 方法 主要 通过 奇异 值 分解 获取 原始 文档 的 潜在 语义 特征 , 然后 将 原 文档 向量 空间 转换 到 与 其 对应 的 潜在 语义 空间 , 再 根据 随机 超 平面 原理 将 该 空间 的 文档 转换 成 二 进制 数字 指纹 , 最终 用 汉 明 距离 来 衡量 指纹 间 的 差异 程度 。 1<2 joint joint | |
| nlpabs104_Chi 122-127 128-139 再 根据 随机 超 平面 原理 将 该 空间 的 文档 转换 成 二 进制 数字 指纹 , 91-152 91-152 该 方法 主要 通过 奇异 值 分解 获取 原始 文档 的 潜在 语义 特征 , 然后 将 原 文档 向量 空间 转换 到 与 其 对应 的 潜在 语义 空间 , 再 根据 随机 超 平面 原理 将 该 空间 的 文档 转换 成 二 进制 数字 指纹 , 最终 用 汉 明 距离 来 衡量 指纹 间 的 差异 程度 。 该 方法 主要 通过 奇异 值 分解 获取 原始 文档 的 潜在 语义 特征 , 然后 将 原 文档 向量 空间 转换 到 与 其 对应 的 潜在 语义 空间 , 再 根据 随机 超 平面 原理 将 该 空间 的 文档 转换 成 二 进制 数字 指纹 , 最终 用 汉 明 距离 来 衡量 指纹 间 的 差异 程度 。 1<2 elab-addition elab-addition | |
| nlpabs104_Chi 128-139 140-152 将 该 空间 的 文档 转换 成 二 进制 数字 指纹 , 最终 用 汉 明 距离 来 衡量 指纹 间 的 差异 程度 。 91-152 91-152 该 方法 主要 通过 奇异 值 分解 获取 原始 文档 的 潜在 语义 特征 , 然后 将 原 文档 向量 空间 转换 到 与 其 对应 的 潜在 语义 空间 , 再 根据 随机 超 平面 原理 将 该 空间 的 文档 转换 成 二 进制 数字 指纹 , 最终 用 汉 明 距离 来 衡量 指纹 间 的 差异 程度 。 该 方法 主要 通过 奇异 值 分解 获取 原始 文档 的 潜在 语义 特征 , 然后 将 原 文档 向量 空间 转换 到 与 其 对应 的 潜在 语义 空间 , 再 根据 随机 超 平面 原理 将 该 空间 的 文档 转换 成 二 进制 数字 指纹 , 最终 用 汉 明 距离 来 衡量 指纹 间 的 差异 程度 。 1<2 joint joint | |
| nlpabs104_Chi 49-65 153-165 该文 提出 了 一 种 基 于 潜 在 语义 分析 的 文本 指纹 提取 方法 , 实验 以 中国 知网 上 的 学术 论文 作 为 数据 对象 , 49-90 153-185 该文 提出 了 一 种 基 于 潜 在 语义 分析 的 文本 指纹 提取 方法 , 该 方法 是 对 数据 信息 的 一 种 压缩 表示 , 是 针对 目前 指纹 提取 方法 语义 缺失 的 一 种 改进 。 实验 以 中国 知网 上 的 学术 论文 作 为 数据 对象 , 通过 对 论文 文本 进行 相似 度 实验 和 聚类 实验 对 该文 提出 的 方法 进行 实验 验证 。 1<2 evaluation evaluation | |
| nlpabs104_Chi 153-165 166-185 实验 以 中国 知网 上 的 学术 论文 作 为 数据 对象 , 通过 对 论文 文本 进行 相似 度 实验 和 聚类 实验 对 该文 提出 的 方法 进行 实验 验证 。 153-185 153-185 实验 以 中国 知网 上 的 学术 论文 作 为 数据 对象 , 通过 对 论文 文本 进行 相似 度 实验 和 聚类 实验 对 该文 提出 的 方法 进行 实验 验证 。 实验 以 中国 知网 上 的 学术 论文 作 为 数据 对象 , 通过 对 论文 文本 进行 相似 度 实验 和 聚类 实验 对 该文 提出 的 方法 进行 实验 验证 。 1<2 elab-addition elab-addition | |
| nlpabs104_Chi 186-188 189-198 实验 结果 表明 该 方法 能够 较好 地 表征 文档 语义 信息 , 186-212 186-212 实验 结果 表明 该 方法 能够 较好 地 表征 文档 语义 信息 , 进而 验证 了 文本 语义 压缩 表示 的 准确 性 和 有效 性 。 实验 结果 表明 该 方法 能够 较好 地 表征 文档 语义 信息 , 进而 验证 了 文本 语义 压缩 表示 的 准确 性 和 有效 性 。 1>2 attribution attribution | |
| nlpabs104_Chi 166-185 189-198 通过 对 论文 文本 进行 相似 度 实验 和 聚类 实验 对 该文 提出 的 方法 进行 实验 验证 。 该 方法 能够 较好 地 表征 文档 语义 信息 , 153-185 186-212 实验 以 中国 知网 上 的 学术 论文 作 为 数据 对象 , 通过 对 论文 文本 进行 相似 度 实验 和 聚类 实验 对 该文 提出 的 方法 进行 实验 验证 。 实验 结果 表明 该 方法 能够 较好 地 表征 文档 语义 信息 , 进而 验证 了 文本 语义 压缩 表示 的 准确 性 和 有效 性 。 1<2 elab-addition elab-addition | |
| nlpabs104_Chi 189-198 199-212 该 方法 能够 较好 地 表征 文档 语义 信息 , 进而 验证 了 文本 语义 压缩 表示 的 准确 性 和 有效 性 。 186-212 186-212 实验 结果 表明 该 方法 能够 较好 地 表征 文档 语义 信息 , 进而 验证 了 文本 语义 压缩 表示 的 准确 性 和 有效 性 。 实验 结果 表明 该 方法 能够 较好 地 表征 文档 语义 信息 , 进而 验证 了 文本 语义 压缩 表示 的 准确 性 和 有效 性 。 1<2 elab-addition elab-addition | |
| nlpabs105_Chi 1-11 57-76 文本 是 社交 媒体 用户 的 重要 信息 之 一 , 为 此 该文 提出 一 种 融合 用户 信任 关系 及 词 相关 关系 的 词 特征 重建 方法 。 1-36 37-76 文本 是 社交 媒体 用户 的 重要 信息 之 一 , 从 文本 中 获取 用户 的 词 特征 是 实现 用户 主题 建模 、 兴趣 挖掘 及 个性 化 推荐 等 任务 的 基础 。 然而 社交 媒体 中 存在 许多 用户 ( 冷启 动用 户 ) 只 含有 少量 甚至 缺乏 文本 信息 , 为 此 该文 提出 一 种 融合 用户 信任 关系 及 词 相关 关系 的 词 特征 重建 方法 。 1>2 bg-general bg-general | |
| nlpabs105_Chi 1-11 12-36 文本 是 社交 媒体 用户 的 重要 信息 之 一 , 从 文本 中 获取 用户 的 词 特征 是 实现 用户 主题 建模 、 兴趣 挖掘 及 个性 化 推荐 等 任务 的 基础 。 1-36 1-36 文本 是 社交 媒体 用户 的 重要 信息 之 一 , 从 文本 中 获取 用户 的 词 特征 是 实现 用户 主题 建模 、 兴趣 挖掘 及 个性 化 推荐 等 任务 的 基础 。 文本 是 社交 媒体 用户 的 重要 信息 之 一 , 从 文本 中 获取 用户 的 词 特征 是 实现 用户 主题 建模 、 兴趣 挖掘 及 个性 化 推荐 等 任务 的 基础 。 1<2 elab-addition elab-addition | |
| nlpabs105_Chi 12-36 37-56 从 文本 中 获取 用户 的 词 特征 是 实现 用户 主题 建模 、 兴趣 挖掘 及 个性 化 推荐 等 任务 的 基础 。 然而 社交 媒体 中 存在 许多 用户 ( 冷启 动用 户 ) 只 含有 少量 甚至 缺乏 文本 信息 , 1-36 37-76 文本 是 社交 媒体 用户 的 重要 信息 之 一 , 从 文本 中 获取 用户 的 词 特征 是 实现 用户 主题 建模 、 兴趣 挖掘 及 个性 化 推荐 等 任务 的 基础 。 然而 社交 媒体 中 存在 许多 用户 ( 冷启 动用 户 ) 只 含有 少量 甚至 缺乏 文本 信息 , 为 此 该文 提出 一 种 融合 用户 信任 关系 及 词 相关 关系 的 词 特征 重建 方法 。 1<2 contrast contrast | |
| nlpabs105_Chi 57-76 77-99 为 此 该文 提出 一 种 融合 用户 信任 关系 及 词 相关 关系 的 词 特征 重建 方法 。 该 方法 通过 对 用户 信任 关系 矩阵 、 词相 关 关系 矩阵 和 用户 词 特征 矩阵 进行 联合 概率 矩阵 分解 37-76 77-109 然而 社交 媒体 中 存在 许多 用户 ( 冷启 动用 户 ) 只 含有 少量 甚至 缺乏 文本 信息 , 为 此 该文 提出 一 种 融合 用户 信任 关系 及 词 相关 关系 的 词 特征 重建 方法 。 该 方法 通过 对 用户 信任 关系 矩阵 、 词相 关 关系 矩阵 和 用户 词 特征 矩阵 进行 联合 概率 矩阵 分解 来 实现 对 冷启动 用户 的 词 特征 重建 。 1<2 elab-addition elab-addition | |
| nlpabs105_Chi 77-99 100-109 该 方法 通过 对 用户 信任 关系 矩阵 、 词相 关 关系 矩阵 和 用户 词 特征 矩阵 进行 联合 概率 矩阵 分解 来 实现 对 冷启动 用户 的 词 特征 重建 。 77-109 77-109 该 方法 通过 对 用户 信任 关系 矩阵 、 词相 关 关系 矩阵 和 用户 词 特征 矩阵 进行 联合 概率 矩阵 分解 来 实现 对 冷启动 用户 的 词 特征 重建 。 该 方法 通过 对 用户 信任 关系 矩阵 、 词相 关 关系 矩阵 和 用户 词 特征 矩阵 进行 联合 概率 矩阵 分解 来 实现 对 冷启动 用户 的 词 特征 重建 。 1<2 enablement enablement | |
| nlpabs105_Chi 110-124 125-144 在 新浪 微博 和 Twitter 的 四 组 数据 集上 的 实验 结果 表明 , 该文 所 提出 的 冷启 动用 户 词 特征 重建 算法 能够 取得 较好 的 词 特征 重建 结果 。 110-144 110-144 在 新浪 微博 和 Twitter 的 四 组 数据 集上 的 实验 结果 表明 , 该文 所 提出 的 冷启 动用 户 词 特征 重建 算法 能够 取得 较好 的 词 特征 重建 结果 。 在 新浪 微博 和 Twitter 的 四 组 数据 集上 的 实验 结果 表明 , 该文 所 提出 的 冷启 动用 户 词 特征 重建 算法 能够 取得 较好 的 词 特征 重建 结果 。 1>2 attribution attribution | |
| nlpabs105_Chi 57-76 125-144 为 此 该文 提出 一 种 融合 用户 信任 关系 及 词 相关 关系 的 词 特征 重建 方法 。 该文 所 提出 的 冷启 动用 户 词 特征 重建 算法 能够 取得 较好 的 词 特征 重建 结果 。 37-76 110-144 然而 社交 媒体 中 存在 许多 用户 ( 冷启 动用 户 ) 只 含有 少量 甚至 缺乏 文本 信息 , 为 此 该文 提出 一 种 融合 用户 信任 关系 及 词 相关 关系 的 词 特征 重建 方法 。 在 新浪 微博 和 Twitter 的 四 组 数据 集上 的 实验 结果 表明 , 该文 所 提出 的 冷启 动用 户 词 特征 重建 算法 能够 取得 较好 的 词 特征 重建 结果 。 1<2 evaluation evaluation | |
| nlpabs106_Chi 1-29 112-136 实体 属性 挖掘 ( slot filling , SF ) 旨 在 从 大 规模 文档 集 中 挖掘 给定 实体 ( 称作 查询 ) 的 特定 属性 信息 。 该文 提出 一 种 基 于 跨 文档 实体 共指 消解 ( cross document coreferen ce resolution , CDCR ) 的 实体 搜索 模型 。 1-29 107-136 实体 属性 挖掘 ( slot filling , SF ) 旨 在 从 大 规模 文档 集 中 挖掘 给定 实体 ( 称作 查询 ) 的 特定 属性 信息 。 针对 这 一 问题 , 该文 提出 一 种 基 于 跨 文档 实体 共指 消解 ( cross document coreferen ce resolution , CDCR ) 的 实体 搜索 模型 。 1>2 bg-general bg-general | |
| nlpabs106_Chi 1-29 30-38 实体 属性 挖掘 ( slot filling , SF ) 旨 在 从 大 规模 文档 集 中 挖掘 给定 实体 ( 称作 查询 ) 的 特定 属性 信息 。 实体 搜索 是 SF 的 重要 组成 部分 , 1-29 30-60 实体 属性 挖掘 ( slot filling , SF ) 旨 在 从 大 规模 文档 集 中 挖掘 给定 实体 ( 称作 查询 ) 的 特定 属性 信息 。 实体 搜索 是 SF 的 重要 组成 部分 , 负责 检索 包含 给定 查询 的 文档 ( 称 为 相关 文档 ) , 供 后续 模块 从中 抽取 属性 信息 。 1<2 elab-addition elab-addition | |
| nlpabs106_Chi 30-38 39-52 实体 搜索 是 SF 的 重要 组成 部分 , 负责 检索 包含 给定 查询 的 文档 ( 称 为 相关 文档 ) , 30-60 30-60 实体 搜索 是 SF 的 重要 组成 部分 , 负责 检索 包含 给定 查询 的 文档 ( 称 为 相关 文档 ) , 供 后续 模块 从中 抽取 属性 信息 。 实体 搜索 是 SF 的 重要 组成 部分 , 负责 检索 包含 给定 查询 的 文档 ( 称 为 相关 文档 ) , 供 后续 模块 从中 抽取 属性 信息 。 1<2 elab-addition elab-addition | |
| nlpabs106_Chi 39-52 53-60 负责 检索 包含 给定 查询 的 文档 ( 称 为 相关 文档 ) , 供 后续 模块 从中 抽取 属性 信息 。 30-60 30-60 实体 搜索 是 SF 的 重要 组成 部分 , 负责 检索 包含 给定 查询 的 文档 ( 称 为 相关 文档 ) , 供 后续 模块 从中 抽取 属性 信息 。 实体 搜索 是 SF 的 重要 组成 部分 , 负责 检索 包含 给定 查询 的 文档 ( 称 为 相关 文档 ) , 供 后续 模块 从中 抽取 属性 信息 。 1<2 elab-addition elab-addition | |
| nlpabs106_Chi 30-38 61-71 实体 搜索 是 SF 的 重要 组成 部分 , 目前 , SF 领域 关于 实体 搜索 的 研究 较少 , 30-60 61-106 实体 搜索 是 SF 的 重要 组成 部分 , 负责 检索 包含 给定 查询 的 文档 ( 称 为 相关 文档 ) , 供 后续 模块 从中 抽取 属性 信息 。 目前 , SF 领域 关于 实体 搜索 的 研究 较少 , 使用 的 基 于 布尔 逻辑 的 检索 模型 忽略 了 实体 查询 的 特点 , 仅 使用 查询 的 词形 信息 , 受限 于 查询 歧义 性 , 检索 结果 准确 率 较低 。 1<2 elab-addition elab-addition | |
| nlpabs106_Chi 61-71 72-87 目前 , SF 领域 关于 实体 搜索 的 研究 较少 , 使用 的 基 于 布尔 逻辑 的 检索 模型 忽略 了 实体 查询 的 特点 , 61-106 61-106 目前 , SF 领域 关于 实体 搜索 的 研究 较少 , 使用 的 基 于 布尔 逻辑 的 检索 模型 忽略 了 实体 查询 的 特点 , 仅 使用 查询 的 词形 信息 , 受限 于 查询 歧义 性 , 检索 结果 准确 率 较低 。 目前 , SF 领域 关于 实体 搜索 的 研究 较少 , 使用 的 基 于 布尔 逻辑 的 检索 模型 忽略 了 实体 查询 的 特点 , 仅 使用 查询 的 词形 信息 , 受限 于 查询 歧义 性 , 检索 结果 准确 率 较低 。 1<2 elab-addition elab-addition | |
| nlpabs106_Chi 72-87 88-100 使用 的 基 于 布尔 逻辑 的 检索 模型 忽略 了 实体 查询 的 特点 , 仅 使用 查询 的 词形 信息 , 受限 于 查询 歧义 性 , 61-106 61-106 目前 , SF 领域 关于 实体 搜索 的 研究 较少 , 使用 的 基 于 布尔 逻辑 的 检索 模型 忽略 了 实体 查询 的 特点 , 仅 使用 查询 的 词形 信息 , 受限 于 查询 歧义 性 , 检索 结果 准确 率 较低 。 目前 , SF 领域 关于 实体 搜索 的 研究 较少 , 使用 的 基 于 布尔 逻辑 的 检索 模型 忽略 了 实体 查询 的 特点 , 仅 使用 查询 的 词形 信息 , 受限 于 查询 歧义 性 , 检索 结果 准确 率 较低 。 1<2 elab-addition elab-addition | |
| nlpabs106_Chi 88-100 101-106 仅 使用 查询 的 词形 信息 , 受限 于 查询 歧义 性 , 检索 结果 准确 率 较低 。 61-106 61-106 目前 , SF 领域 关于 实体 搜索 的 研究 较少 , 使用 的 基 于 布尔 逻辑 的 检索 模型 忽略 了 实体 查询 的 特点 , 仅 使用 查询 的 词形 信息 , 受限 于 查询 歧义 性 , 检索 结果 准确 率 较低 。 目前 , SF 领域 关于 实体 搜索 的 研究 较少 , 使用 的 基 于 布尔 逻辑 的 检索 模型 忽略 了 实体 查询 的 特点 , 仅 使用 查询 的 词形 信息 , 受限 于 查询 歧义 性 , 检索 结果 准确 率 较低 。 1<2 result result | |
| nlpabs106_Chi 107-111 112-136 针对 这 一 问题 , 该文 提出 一 种 基 于 跨 文档 实体 共指 消解 ( cross document coreferen ce resolution , CDCR ) 的 实体 搜索 模型 。 107-136 107-136 针对 这 一 问题 , 该文 提出 一 种 基 于 跨 文档 实体 共指 消解 ( cross document coreferen ce resolution , CDCR ) 的 实体 搜索 模型 。 针对 这 一 问题 , 该文 提出 一 种 基 于 跨 文档 实体 共指 消解 ( cross document coreferen ce resolution , CDCR ) 的 实体 搜索 模型 。 1>2 bg-general bg-general | |
| nlpabs106_Chi 112-136 137-153 该文 提出 一 种 基 于 跨 文档 实体 共指 消解 ( cross document coreferen ce resolution , CDCR ) 的 实体 搜索 模型 。 该 方法 通过 对 召回 率 较高 但 准确 率 较低 的 候选 结果 进行 CDCR , 107-136 137-172 针对 这 一 问题 , 该文 提出 一 种 基 于 跨 文档 实体 共指 消解 ( cross document coreferen ce resolution , CDCR ) 的 实体 搜索 模型 。 该 方法 通过 对 召回 率 较高 但 准确 率 较低 的 候选 结果 进行 CDCR , 过滤 不 包含 与 给定 实体 共 指 实体 的 文档 , 提高 检索 结果 的 准确 率 。 1<2 elab-addition elab-addition | |
| nlpabs106_Chi 137-153 154-165 该 方法 通过 对 召回 率 较高 但 准确 率 较低 的 候选 结果 进行 CDCR , 过滤 不 包含 与 给定 实体 共 指 实体 的 文档 , 137-172 137-172 该 方法 通过 对 召回 率 较高 但 准确 率 较低 的 候选 结果 进行 CDCR , 过滤 不 包含 与 给定 实体 共 指 实体 的 文档 , 提高 检索 结果 的 准确 率 。 该 方法 通过 对 召回 率 较高 但 准确 率 较低 的 候选 结果 进行 CDCR , 过滤 不 包含 与 给定 实体 共 指 实体 的 文档 , 提高 检索 结果 的 准确 率 。 1<2 enablement enablement | |
| nlpabs106_Chi 154-165 166-172 过滤 不 包含 与 给定 实体 共 指 实体 的 文档 , 提高 检索 结果 的 准确 率 。 137-172 137-172 该 方法 通过 对 召回 率 较高 但 准确 率 较低 的 候选 结果 进行 CDCR , 过滤 不 包含 与 给定 实体 共 指 实体 的 文档 , 提高 检索 结果 的 准确 率 。 该 方法 通过 对 召回 率 较高 但 准确 率 较低 的 候选 结果 进行 CDCR , 过滤 不 包含 与 给定 实体 共 指 实体 的 文档 , 提高 检索 结果 的 准确 率 。 1<2 enablement enablement | |
| nlpabs106_Chi 173-181 182-194 为了 降低 过滤 造成 的 召回 率 损失 , 该文 使用 伪 相关 反馈 方法 扩充 查询 实体 的 描述 信息 。 173-194 173-194 为了 降低 过滤 造成 的 召回 率 损失 , 该文 使用 伪 相关 反馈 方法 扩充 查询 实体 的 描述 信息 。 为了 降低 过滤 造成 的 召回 率 损失 , 该文 使用 伪 相关 反馈 方法 扩充 查询 实体 的 描述 信息 。 1>2 enablement enablement | |
| nlpabs106_Chi 112-136 182-194 该文 提出 一 种 基 于 跨 文档 实体 共指 消解 ( cross document coreferen ce resolution , CDCR ) 的 实体 搜索 模型 。 该文 使用 伪 相关 反馈 方法 扩充 查询 实体 的 描述 信息 。 107-136 173-194 针对 这 一 问题 , 该文 提出 一 种 基 于 跨 文档 实体 共指 消解 ( cross document coreferen ce resolution , CDCR ) 的 实体 搜索 模型 。 为了 降低 过滤 造成 的 召回 率 损失 , 该文 使用 伪 相关 反馈 方法 扩充 查询 实体 的 描述 信息 。 1<2 elab-addition elab-addition | |
| nlpabs106_Chi 195-198 204-211 实验 结果 显示 , 该 方法 能 有效 提升 检索 结果 , 195-221 195-221 实验 结果 显示 , 相比 于 基准 系统 , 该 方法 能 有效 提升 检索 结果 , 准确 率 和 F1 分别 提升 5.63% 、 2.56% 。 实验 结果 显示 , 相比 于 基准 系统 , 该 方法 能 有效 提升 检索 结果 , 准确 率 和 F1 分别 提升 5.63% 、 2.56% 。 1>2 attribution attribution | |
| nlpabs106_Chi 199-203 204-211 相比 于 基准 系统 , 该 方法 能 有效 提升 检索 结果 , 195-221 195-221 实验 结果 显示 , 相比 于 基准 系统 , 该 方法 能 有效 提升 检索 结果 , 准确 率 和 F1 分别 提升 5.63% 、 2.56% 。 实验 结果 显示 , 相比 于 基准 系统 , 该 方法 能 有效 提升 检索 结果 , 准确 率 和 F1 分别 提升 5.63% 、 2.56% 。 1>2 comparison comparison | |
| nlpabs106_Chi 112-136 204-211 该文 提出 一 种 基 于 跨 文档 实体 共指 消解 ( cross document coreferen ce resolution , CDCR ) 的 实体 搜索 模型 。 该 方法 能 有效 提升 检索 结果 , 107-136 195-221 针对 这 一 问题 , 该文 提出 一 种 基 于 跨 文档 实体 共指 消解 ( cross document coreferen ce resolution , CDCR ) 的 实体 搜索 模型 。 实验 结果 显示 , 相比 于 基准 系统 , 该 方法 能 有效 提升 检索 结果 , 准确 率 和 F1 分别 提升 5.63% 、 2.56% 。 1<2 evaluation evaluation | |
| nlpabs106_Chi 204-211 212-221 该 方法 能 有效 提升 检索 结果 , 准确 率 和 F1 分别 提升 5.63% 、 2.56% 。 195-221 195-221 实验 结果 显示 , 相比 于 基准 系统 , 该 方法 能 有效 提升 检索 结果 , 准确 率 和 F1 分别 提升 5.63% 、 2.56% 。 实验 结果 显示 , 相比 于 基准 系统 , 该 方法 能 有效 提升 检索 结果 , 准确 率 和 F1 分别 提升 5.63% 、 2.56% 。 1<2 elab-addition elab-addition | |
| nlpabs107_Chi 1-21 75-92 在 文本 情感 分析 时 , 使用 无 监督 的 聚类 方法 , 可以 有效 节省 人力 和 数据 资源 , 提出 一 种 基 于 子 空间 的 文本 语义 相似 度 计算 方法 ( RESS ) 。 1-31 32-92 在 文本 情感 分析 时 , 使用 无 监督 的 聚类 方法 , 可以 有效 节省 人力 和 数据 资源 , 但 同时 也 面临 聚类 精度 不高 的 问题 。 相似 性 是 文本 聚类 的 主要 依据 , 该文 从 文本 相似 度 计算 的 角度 , 针对 情感 聚类 中 文本 — 特征 向量 的 高维 和 稀疏 问题 , 以及 对 评论 文本 潜在 情感 因素 的 表示 问题 , 提出 一 种 基 于 子 空间 的 文本 语义 相似 度 计算 方法 ( RESS ) 。 1>2 bg-compare bg-compare | |
| nlpabs107_Chi 1-21 22-31 在 文本 情感 分析 时 , 使用 无 监督 的 聚类 方法 , 可以 有效 节省 人力 和 数据 资源 , 但 同时 也 面临 聚类 精度 不高 的 问题 。 1-31 1-31 在 文本 情感 分析 时 , 使用 无 监督 的 聚类 方法 , 可以 有效 节省 人力 和 数据 资源 , 但 同时 也 面临 聚类 精度 不高 的 问题 。 在 文本 情感 分析 时 , 使用 无 监督 的 聚类 方法 , 可以 有效 节省 人力 和 数据 资源 , 但 同时 也 面临 聚类 精度 不高 的 问题 。 1<2 contrast contrast | |
| nlpabs107_Chi 32-40 75-92 相似 性 是 文本 聚类 的 主要 依据 , 提出 一 种 基 于 子 空间 的 文本 语义 相似 度 计算 方法 ( RESS ) 。 32-92 32-92 相似 性 是 文本 聚类 的 主要 依据 , 该文 从 文本 相似 度 计算 的 角度 , 针对 情感 聚类 中 文本 — 特征 向量 的 高维 和 稀疏 问题 , 以及 对 评论 文本 潜在 情感 因素 的 表示 问题 , 提出 一 种 基 于 子 空间 的 文本 语义 相似 度 计算 方法 ( RESS ) 。 相似 性 是 文本 聚类 的 主要 依据 , 该文 从 文本 相似 度 计算 的 角度 , 针对 情感 聚类 中 文本 — 特征 向量 的 高维 和 稀疏 问题 , 以及 对 评论 文本 潜在 情感 因素 的 表示 问题 , 提出 一 种 基 于 子 空间 的 文本 语义 相似 度 计算 方法 ( RESS ) 。 1>2 exp-reason exp-reason | |
| nlpabs107_Chi 41-63 75-92 该文 从 文本 相似 度 计算 的 角度 , 针对 情感 聚类 中 文本 — 特征 向量 的 高维 和 稀疏 问题 , 提出 一 种 基 于 子 空间 的 文本 语义 相似 度 计算 方法 ( RESS ) 。 32-92 32-92 相似 性 是 文本 聚类 的 主要 依据 , 该文 从 文本 相似 度 计算 的 角度 , 针对 情感 聚类 中 文本 — 特征 向量 的 高维 和 稀疏 问题 , 以及 对 评论 文本 潜在 情感 因素 的 表示 问题 , 提出 一 种 基 于 子 空间 的 文本 语义 相似 度 计算 方法 ( RESS ) 。 相似 性 是 文本 聚类 的 主要 依据 , 该文 从 文本 相似 度 计算 的 角度 , 针对 情感 聚类 中 文本 — 特征 向量 的 高维 和 稀疏 问题 , 以及 对 评论 文本 潜在 情感 因素 的 表示 问题 , 提出 一 种 基 于 子 空间 的 文本 语义 相似 度 计算 方法 ( RESS ) 。 1>2 bg-goal bg-goal | |
| nlpabs107_Chi 41-63 64-74 该文 从 文本 相似 度 计算 的 角度 , 针对 情感 聚类 中 文本 — 特征 向量 的 高维 和 稀疏 问题 , 以及 对 评论 文本 潜在 情感 因素 的 表示 问题 , 32-92 32-92 相似 性 是 文本 聚类 的 主要 依据 , 该文 从 文本 相似 度 计算 的 角度 , 针对 情感 聚类 中 文本 — 特征 向量 的 高维 和 稀疏 问题 , 以及 对 评论 文本 潜在 情感 因素 的 表示 问题 , 提出 一 种 基 于 子 空间 的 文本 语义 相似 度 计算 方法 ( RESS ) 。 相似 性 是 文本 聚类 的 主要 依据 , 该文 从 文本 相似 度 计算 的 角度 , 针对 情感 聚类 中 文本 — 特征 向量 的 高维 和 稀疏 问题 , 以及 对 评论 文本 潜在 情感 因素 的 表示 问题 , 提出 一 种 基 于 子 空间 的 文本 语义 相似 度 计算 方法 ( RESS ) 。 1<2 joint joint | |
| nlpabs107_Chi 93-96 97-115 实验 结果 表明 , 基 于 RESS 的 文本 相似 度 计算 方法 , 有效 解决 了 文本 向量 的 高维 问题 , 93-132 93-132 实验 结果 表明 , 基 于 RESS 的 文本 相似 度 计算 方法 , 有效 解决 了 文本 向量 的 高维 问题 , 更好 地 表达 了 文本 间 情感 相似 性 , 并 获得 较好 的 聚类 结果 。 实验 结果 表明 , 基 于 RESS 的 文本 相似 度 计算 方法 , 有效 解决 了 文本 向量 的 高维 问题 , 更好 地 表达 了 文本 间 情感 相似 性 , 并 获得 较好 的 聚类 结果 。 1>2 attribution attribution | |
| nlpabs107_Chi 75-92 97-115 提出 一 种 基 于 子 空间 的 文本 语义 相似 度 计算 方法 ( RESS ) 。 基 于 RESS 的 文本 相似 度 计算 方法 , 有效 解决 了 文本 向量 的 高维 问题 , 32-92 93-132 相似 性 是 文本 聚类 的 主要 依据 , 该文 从 文本 相似 度 计算 的 角度 , 针对 情感 聚类 中 文本 — 特征 向量 的 高维 和 稀疏 问题 , 以及 对 评论 文本 潜在 情感 因素 的 表示 问题 , 提出 一 种 基 于 子 空间 的 文本 语义 相似 度 计算 方法 ( RESS ) 。 实验 结果 表明 , 基 于 RESS 的 文本 相似 度 计算 方法 , 有效 解决 了 文本 向量 的 高维 问题 , 更好 地 表达 了 文本 间 情感 相似 性 , 并 获得 较好 的 聚类 结果 。 1<2 evaluation evaluation | |
| nlpabs107_Chi 97-115 116-125 基 于 RESS 的 文本 相似 度 计算 方法 , 有效 解决 了 文本 向量 的 高维 问题 , 更好 地 表达 了 文本 间 情感 相似 性 , 93-132 93-132 实验 结果 表明 , 基 于 RESS 的 文本 相似 度 计算 方法 , 有效 解决 了 文本 向量 的 高维 问题 , 更好 地 表达 了 文本 间 情感 相似 性 , 并 获得 较好 的 聚类 结果 。 实验 结果 表明 , 基 于 RESS 的 文本 相似 度 计算 方法 , 有效 解决 了 文本 向量 的 高维 问题 , 更好 地 表达 了 文本 间 情感 相似 性 , 并 获得 较好 的 聚类 结果 。 1<2 elab-addition elab-addition | |
| nlpabs107_Chi 116-125 126-132 更好 地 表达 了 文本 间 情感 相似 性 , 并 获得 较好 的 聚类 结果 。 93-132 93-132 实验 结果 表明 , 基 于 RESS 的 文本 相似 度 计算 方法 , 有效 解决 了 文本 向量 的 高维 问题 , 更好 地 表达 了 文本 间 情感 相似 性 , 并 获得 较好 的 聚类 结果 。 实验 结果 表明 , 基 于 RESS 的 文本 相似 度 计算 方法 , 有效 解决 了 文本 向量 的 高维 问题 , 更好 地 表达 了 文本 间 情感 相似 性 , 并 获得 较好 的 聚类 结果 。 1<2 elab-addition elab-addition | |
| nlpabs108_Chi 1-17 57-74 随 着 互联 网 的 飞速 发展 , 网络 舆情 引发 的 问题 也 越发 突出 。 该文 从 主题 热度 变化 、 内容 变化 及 关键 词 等 多 方面 进行 了 研究 。 1-17 36-74 随 着 互联 网 的 飞速 发展 , 网络 舆情 引发 的 问题 也 越发 突出 。 主题 演化 是 网络 舆情 分析 的 重要 内容 之 一 , 为了 把 握关 于 新疆 的 舆情 动态 , 该文 从 主题 热度 变化 、 内容 变化 及 关键 词 等 多 方面 进行 了 研究 。 1>2 bg-general bg-general | |
| nlpabs108_Chi 1-17 18-35 随 着 互联 网 的 飞速 发展 , 网络 舆情 引发 的 问题 也 越发 突出 。 尤其 是 近年 来 发生 的 新疆 暴恐 事件 , 已 成 为 公众 关注 的 焦点 。 1-17 18-35 随 着 互联 网 的 飞速 发展 , 网络 舆情 引发 的 问题 也 越发 突出 。 尤其 是 近年 来 发生 的 新疆 暴恐 事件 , 已 成 为 公众 关注 的 焦点 。 1<2 elab-addition elab-addition | |
| nlpabs108_Chi 36-47 57-74 主题 演化 是 网络 舆情 分析 的 重要 内容 之 一 , 该文 从 主题 热度 变化 、 内容 变化 及 关键 词 等 多 方面 进行 了 研究 。 36-74 36-74 主题 演化 是 网络 舆情 分析 的 重要 内容 之 一 , 为了 把 握关 于 新疆 的 舆情 动态 , 该文 从 主题 热度 变化 、 内容 变化 及 关键 词 等 多 方面 进行 了 研究 。 主题 演化 是 网络 舆情 分析 的 重要 内容 之 一 , 为了 把 握关 于 新疆 的 舆情 动态 , 该文 从 主题 热度 变化 、 内容 变化 及 关键 词 等 多 方面 进行 了 研究 。 1>2 bg-general bg-general | |
| nlpabs108_Chi 48-56 57-74 为了 把 握关 于 新疆 的 舆情 动态 , 该文 从 主题 热度 变化 、 内容 变化 及 关键 词 等 多 方面 进行 了 研究 。 36-74 36-74 主题 演化 是 网络 舆情 分析 的 重要 内容 之 一 , 为了 把 握关 于 新疆 的 舆情 动态 , 该文 从 主题 热度 变化 、 内容 变化 及 关键 词 等 多 方面 进行 了 研究 。 主题 演化 是 网络 舆情 分析 的 重要 内容 之 一 , 为了 把 握关 于 新疆 的 舆情 动态 , 该文 从 主题 热度 变化 、 内容 变化 及 关键 词 等 多 方面 进行 了 研究 。 1>2 enablement enablement | |
| nlpabs108_Chi 57-74 75-97 该文 从 主题 热度 变化 、 内容 变化 及 关键 词 等 多 方面 进行 了 研究 。 该文 首先 抓取 了 2013 年 1 月 到 2015 年 12 月 互联 网 中 关于 新疆 暴恐 事件 的 新闻 , 36-74 75-117 主题 演化 是 网络 舆情 分析 的 重要 内容 之 一 , 为了 把 握关 于 新疆 的 舆情 动态 , 该文 从 主题 热度 变化 、 内容 变化 及 关键 词 等 多 方面 进行 了 研究 。 该文 首先 抓取 了 2013 年 1 月 到 2015 年 12 月 互联 网 中 关于 新疆 暴恐 事件 的 新闻 , 并 以 此作 为 数据 集 建立 了 动态 主题 模型 , 实现 对 新闻 的 主题 演化 分析 。 1<2 elab-addition elab-addition | |
| nlpabs108_Chi 75-97 98-109 该文 首先 抓取 了 2013 年 1 月 到 2015 年 12 月 互联 网 中 关于 新疆 暴恐 事件 的 新闻 , 并 以 此作 为 数据 集 建立 了 动态 主题 模型 , 75-117 75-117 该文 首先 抓取 了 2013 年 1 月 到 2015 年 12 月 互联 网 中 关于 新疆 暴恐 事件 的 新闻 , 并 以 此作 为 数据 集 建立 了 动态 主题 模型 , 实现 对 新闻 的 主题 演化 分析 。 该文 首先 抓取 了 2013 年 1 月 到 2015 年 12 月 互联 网 中 关于 新疆 暴恐 事件 的 新闻 , 并 以 此作 为 数据 集 建立 了 动态 主题 模型 , 实现 对 新闻 的 主题 演化 分析 。 1<2 joint joint | |
| nlpabs108_Chi 98-109 110-117 并 以 此作 为 数据 集 建立 了 动态 主题 模型 , 实现 对 新闻 的 主题 演化 分析 。 75-117 75-117 该文 首先 抓取 了 2013 年 1 月 到 2015 年 12 月 互联 网 中 关于 新疆 暴恐 事件 的 新闻 , 并 以 此作 为 数据 集 建立 了 动态 主题 模型 , 实现 对 新闻 的 主题 演化 分析 。 该文 首先 抓取 了 2013 年 1 月 到 2015 年 12 月 互联 网 中 关于 新疆 暴恐 事件 的 新闻 , 并 以 此作 为 数据 集 建立 了 动态 主题 模型 , 实现 对 新闻 的 主题 演化 分析 。 1<2 enablement enablement | |
| nlpabs108_Chi 98-109 118-130 并 以 此作 为 数据 集 建立 了 动态 主题 模型 , 该 模型 采用 两 次 非 负 矩阵 分解 来 生成 主题 , 75-117 118-155 该文 首先 抓取 了 2013 年 1 月 到 2015 年 12 月 互联 网 中 关于 新疆 暴恐 事件 的 新闻 , 并 以 此作 为 数据 集 建立 了 动态 主题 模型 , 实现 对 新闻 的 主题 演化 分析 。 该 模型 采用 两 次 非 负 矩阵 分解 来 生成 主题 , 以 层级 式 狄利克雷 过程 为 对比 实验 , 通过 可 视 化 分析 与 比较 , 总结 出 新疆 暴恐 事件 的 一些 规律 1<2 elab-addition elab-addition | |
| nlpabs108_Chi 118-130 131-139 该 模型 采用 两 次 非 负 矩阵 分解 来 生成 主题 , 以 层级 式 狄利克雷 过程 为 对比 实验 , 118-155 118-155 该 模型 采用 两 次 非 负 矩阵 分解 来 生成 主题 , 以 层级 式 狄利克雷 过程 为 对比 实验 , 通过 可 视 化 分析 与 比较 , 总结 出 新疆 暴恐 事件 的 一些 规律 该 模型 采用 两 次 非 负 矩阵 分解 来 生成 主题 , 以 层级 式 狄利克雷 过程 为 对比 实验 , 通过 可 视 化 分析 与 比较 , 总结 出 新疆 暴恐 事件 的 一些 规律 1<2 elab-addition elab-addition | |
| nlpabs108_Chi 131-139 140-155 以 层级 式 狄利克雷 过程 为 对比 实验 , 通过 可 视 化 分析 与 比较 , 总结 出 新疆 暴恐 事件 的 一些 规律 118-155 118-155 该 模型 采用 两 次 非 负 矩阵 分解 来 生成 主题 , 以 层级 式 狄利克雷 过程 为 对比 实验 , 通过 可 视 化 分析 与 比较 , 总结 出 新疆 暴恐 事件 的 一些 规律 该 模型 采用 两 次 非 负 矩阵 分解 来 生成 主题 , 以 层级 式 狄利克雷 过程 为 对比 实验 , 通过 可 视 化 分析 与 比较 , 总结 出 新疆 暴恐 事件 的 一些 规律 1<2 elab-addition elab-addition | |
| nlpabs10_Chi 1-29 100-121 作 为 自然 语言 处理 一 个 新 的 研究 方向 , 话题 识别 与 跟踪 旨 在 发展 一 系列 基 于 事件 的 信息 组织 技术 , 该文 介绍 了 话题 识别 与 跟踪 研究 的 发展 历史 、 研究 任务 、 主要 技术 及 评价 方法 等 , 1-49 100-134 作 为 自然 语言 处理 一 个 新 的 研究 方向 , 话题 识别 与 跟踪 旨 在 发展 一 系列 基 于 事件 的 信息 组织 技术 , 以 实现 对 新闻 媒体信 息流 中 新 话题 的 自动 识别 以及 对 已知 话题 的 动态 跟踪 。 该文 介绍 了 话题 识别 与 跟踪 研究 的 发展 历史 、 研究 任务 、 主要 技术 及 评价 方法 等 , 希望 能 引起 相关 研究 者 对 这 项 研究 的 关注 。 1>2 bg-general bg-general | |
| nlpabs10_Chi 1-29 30-49 作 为 自然 语言 处理 一 个 新 的 研究 方向 , 话题 识别 与 跟踪 旨 在 发展 一 系列 基 于 事件 的 信息 组织 技术 , 以 实现 对 新闻 媒体信 息流 中 新 话题 的 自动 识别 以及 对 已知 话题 的 动态 跟踪 。 1-49 1-49 作 为 自然 语言 处理 一 个 新 的 研究 方向 , 话题 识别 与 跟踪 旨 在 发展 一 系列 基 于 事件 的 信息 组织 技术 , 以 实现 对 新闻 媒体信 息流 中 新 话题 的 自动 识别 以及 对 已知 话题 的 动态 跟踪 。 作 为 自然 语言 处理 一 个 新 的 研究 方向 , 话题 识别 与 跟踪 旨 在 发展 一 系列 基 于 事件 的 信息 组织 技术 , 以 实现 对 新闻 媒体信 息流 中 新 话题 的 自动 识别 以及 对 已知 话题 的 动态 跟踪 。 1<2 enablement enablement | |
| nlpabs10_Chi 1-29 50-86 作 为 自然 语言 处理 一 个 新 的 研究 方向 , 话题 识别 与 跟踪 旨 在 发展 一 系列 基 于 事件 的 信息 组织 技术 , 自 1997 年 以来 连续 举行 的 多 次 大 规模 评测 使得 话题 识别 与 跟踪 研究 正 逐步 成 为 近来 自然 语言 处理 尤其 是 信息 检索 领域 的 一 个 研究 热点 , 1-49 50-99 作 为 自然 语言 处理 一 个 新 的 研究 方向 , 话题 识别 与 跟踪 旨 在 发展 一 系列 基 于 事件 的 信息 组织 技术 , 以 实现 对 新闻 媒体信 息流 中 新 话题 的 自动 识别 以及 对 已知 话题 的 动态 跟踪 。 自 1997 年 以来 连续 举行 的 多 次 大 规模 评测 使得 话题 识别 与 跟踪 研究 正 逐步 成 为 近来 自然 语言 处理 尤其 是 信息 检索 领域 的 一 个 研究 热点 , 目前 国内 在 这 方面 的 研究 尚 处 在 起步 阶段 。 1<2 elab-addition elab-addition | |
| nlpabs10_Chi 50-86 87-99 自 1997 年 以来 连续 举行 的 多 次 大 规模 评测 使得 话题 识别 与 跟踪 研究 正 逐步 成 为 近来 自然 语言 处理 尤其 是 信息 检索 领域 的 一 个 研究 热点 , 目前 国内 在 这 方面 的 研究 尚 处 在 起步 阶段 。 50-99 50-99 自 1997 年 以来 连续 举行 的 多 次 大 规模 评测 使得 话题 识别 与 跟踪 研究 正 逐步 成 为 近来 自然 语言 处理 尤其 是 信息 检索 领域 的 一 个 研究 热点 , 目前 国内 在 这 方面 的 研究 尚 处 在 起步 阶段 。 自 1997 年 以来 连续 举行 的 多 次 大 规模 评测 使得 话题 识别 与 跟踪 研究 正 逐步 成 为 近来 自然 语言 处理 尤其 是 信息 检索 领域 的 一 个 研究 热点 , 目前 国内 在 这 方面 的 研究 尚 处 在 起步 阶段 。 1<2 elab-addition elab-addition | |
| nlpabs10_Chi 100-121 122-134 该文 介绍 了 话题 识别 与 跟踪 研究 的 发展 历史 、 研究 任务 、 主要 技术 及 评价 方法 等 , 希望 能 引起 相关 研究 者 对 这 项 研究 的 关注 。 100-134 100-134 该文 介绍 了 话题 识别 与 跟踪 研究 的 发展 历史 、 研究 任务 、 主要 技术 及 评价 方法 等 , 希望 能 引起 相关 研究 者 对 这 项 研究 的 关注 。 该文 介绍 了 话题 识别 与 跟踪 研究 的 发展 历史 、 研究 任务 、 主要 技术 及 评价 方法 等 , 希望 能 引起 相关 研究 者 对 这 项 研究 的 关注 。 1<2 elab-addition elab-addition | |
| nlpabs11_Chi 1-10 66-76 自然 语言 是 人类 交流 最 自然 的 方式 。 受控 自然 语言 随 着 这些 需求 应运 而 生 。 1-10 26-76 自然 语言 是 人类 交流 最 自然 的 方式 。 现代 社会 尤其 是 当前 信息 时代 面对 大量 的 信息 数据 , 不少 工业 场景 和 科研 领域 以及 各种 人机 交互 的 应用 要求 清晰 精准 、 标准 化 而 又 较为 自然 的 表达 和 交流 , 受控 自然 语言 随 着 这些 需求 应运 而 生 。 1>2 bg-general bg-general | |
| nlpabs11_Chi 1-10 11-25 自然 语言 是 人类 交流 最 自然 的 方式 。 但 其 复杂 性 和 模糊 性 常常 给 有效 的 交流 带来 问题 。 1-10 11-25 自然 语言 是 人类 交流 最 自然 的 方式 。 但 其 复杂 性 和 模糊 性 常常 给 有效 的 交流 带来 问题 。 1<2 elab-addition elab-addition | |
| nlpabs11_Chi 26-38 77-99 现代 社会 尤其 是 当前 信息 时代 面对 大量 的 信息 数据 , 该 文 讨论 受控 自然 语言 及 其 性质 、 分类 和 应用 , 以及 受控 自然 语言 的 计算 处理 方法 。 26-76 77-99 现代 社会 尤其 是 当前 信息 时代 面对 大量 的 信息 数据 , 不少 工业 场景 和 科研 领域 以及 各种 人机 交互 的 应用 要求 清晰 精准 、 标准 化 而 又 较为 自然 的 表达 和 交流 , 受控 自然 语言 随 着 这些 需求 应运 而 生 。 该 文 讨论 受控 自然 语言 及 其 性质 、 分类 和 应用 , 以及 受控 自然 语言 的 计算 处理 方法 。 1>2 bg-general bg-general | |
| nlpabs11_Chi 26-38 39-65 现代 社会 尤其 是 当前 信息 时代 面对 大量 的 信息 数据 , 不少 工业 场景 和 科研 领域 以及 各种 人机 交互 的 应用 要求 清晰 精准 、 标准 化 而 又 较为 自然 的 表达 和 交流 , 26-76 26-76 现代 社会 尤其 是 当前 信息 时代 面对 大量 的 信息 数据 , 不少 工业 场景 和 科研 领域 以及 各种 人机 交互 的 应用 要求 清晰 精准 、 标准 化 而 又 较为 自然 的 表达 和 交流 , 受控 自然 语言 随 着 这些 需求 应运 而 生 。 现代 社会 尤其 是 当前 信息 时代 面对 大量 的 信息 数据 , 不少 工业 场景 和 科研 领域 以及 各种 人机 交互 的 应用 要求 清晰 精准 、 标准 化 而 又 较为 自然 的 表达 和 交流 , 受控 自然 语言 随 着 这些 需求 应运 而 生 。 1<2 elab-addition elab-addition | |
| nlpabs11_Chi 39-65 66-76 不少 工业 场景 和 科研 领域 以及 各种 人机 交互 的 应用 要求 清晰 精准 、 标准 化 而 又 较为 自然 的 表达 和 交流 , 受控 自然 语言 随 着 这些 需求 应运 而 生 。 26-76 26-76 现代 社会 尤其 是 当前 信息 时代 面对 大量 的 信息 数据 , 不少 工业 场景 和 科研 领域 以及 各种 人机 交互 的 应用 要求 清晰 精准 、 标准 化 而 又 较为 自然 的 表达 和 交流 , 受控 自然 语言 随 着 这些 需求 应运 而 生 。 现代 社会 尤其 是 当前 信息 时代 面对 大量 的 信息 数据 , 不少 工业 场景 和 科研 领域 以及 各种 人机 交互 的 应用 要求 清晰 精准 、 标准 化 而 又 较为 自然 的 表达 和 交流 , 受控 自然 语言 随 着 这些 需求 应运 而 生 。 1<2 elab-addition elab-addition | |
| nlpabs11_Chi 77-99 100-116 该 文 讨论 受控 自然 语言 及 其 性质 、 分类 和 应用 , 以及 受控 自然 语言 的 计算 处理 方法 。 该文 将 以 航空 工业 民 用 飞机 所 涉及 的 英 语 文本 数据 为 例 77-99 100-157 该 文 讨论 受控 自然 语言 及 其 性质 、 分类 和 应用 , 以及 受控 自然 语言 的 计算 处理 方法 。 该文 将 以 航空 工业 民 用 飞机 所 涉及 的 英 语 文本 数据 为 例 来 阐述 受控 自然 语言 在 工业 场景 中 的 作用 和 重要 性 , 并且 简要 讨论 受控 自然 语言 更为 广泛 的 意义 和 价值 , 涉及 其他 领域 包括 当前 热门 的 人工 智能 等 相关 的 课题 1<2 elab-addition elab-addition | |
| nlpabs11_Chi 100-116 117-131 该文 将 以 航空 工业 民 用 飞机 所 涉及 的 英 语 文本 数据 为 例 来 阐述 受控 自然 语言 在 工业 场景 中 的 作用 和 重要 性 , 100-157 100-157 该文 将 以 航空 工业 民 用 飞机 所 涉及 的 英 语 文本 数据 为 例 来 阐述 受控 自然 语言 在 工业 场景 中 的 作用 和 重要 性 , 并且 简要 讨论 受控 自然 语言 更为 广泛 的 意义 和 价值 , 涉及 其他 领域 包括 当前 热门 的 人工 智能 等 相关 的 课题 该文 将 以 航空 工业 民 用 飞机 所 涉及 的 英 语 文本 数据 为 例 来 阐述 受控 自然 语言 在 工业 场景 中 的 作用 和 重要 性 , 并且 简要 讨论 受控 自然 语言 更为 广泛 的 意义 和 价值 , 涉及 其他 领域 包括 当前 热门 的 人工 智能 等 相关 的 课题 1<2 enablement enablement | |
| nlpabs11_Chi 117-131 132-144 来 阐述 受控 自然 语言 在 工业 场景 中 的 作用 和 重要 性 , 并且 简要 讨论 受控 自然 语言 更为 广泛 的 意义 和 价值 , 100-157 100-157 该文 将 以 航空 工业 民 用 飞机 所 涉及 的 英 语 文本 数据 为 例 来 阐述 受控 自然 语言 在 工业 场景 中 的 作用 和 重要 性 , 并且 简要 讨论 受控 自然 语言 更为 广泛 的 意义 和 价值 , 涉及 其他 领域 包括 当前 热门 的 人工 智能 等 相关 的 课题 该文 将 以 航空 工业 民 用 飞机 所 涉及 的 英 语 文本 数据 为 例 来 阐述 受控 自然 语言 在 工业 场景 中 的 作用 和 重要 性 , 并且 简要 讨论 受控 自然 语言 更为 广泛 的 意义 和 价值 , 涉及 其他 领域 包括 当前 热门 的 人工 智能 等 相关 的 课题 1<2 joint joint | |
| nlpabs11_Chi 132-144 145-157 并且 简要 讨论 受控 自然 语言 更为 广泛 的 意义 和 价值 , 涉及 其他 领域 包括 当前 热门 的 人工 智能 等 相关 的 课题 100-157 100-157 该文 将 以 航空 工业 民 用 飞机 所 涉及 的 英 语 文本 数据 为 例 来 阐述 受控 自然 语言 在 工业 场景 中 的 作用 和 重要 性 , 并且 简要 讨论 受控 自然 语言 更为 广泛 的 意义 和 价值 , 涉及 其他 领域 包括 当前 热门 的 人工 智能 等 相关 的 课题 该文 将 以 航空 工业 民 用 飞机 所 涉及 的 英 语 文本 数据 为 例 来 阐述 受控 自然 语言 在 工业 场景 中 的 作用 和 重要 性 , 并且 简要 讨论 受控 自然 语言 更为 广泛 的 意义 和 价值 , 涉及 其他 领域 包括 当前 热门 的 人工 智能 等 相关 的 课题 1<2 elab-addition elab-addition | |
| nlpabs12_Chi 1-30 103-119 随 着 移动 互联 网 与 社会 网络 的 深度 融合 , 基 于 位置 服务 ( Location Based Service , LBS ) 的 社交 媒体 应用 更加 流行 , 从 LBSN 时空 数据 抽取 、 海量 时空 数据 可 视 化 等 方面 进行 综述 , 1-45 89-180 随 着 移动 互联 网 与 社会 网络 的 深度 融合 , 基 于 位置 服务 ( Location Based Service , LBS ) 的 社交 媒体 应用 更加 流行 , 成 为 地理 社会 网络 ( Geo-Social Networks , GSN ) 的 研究 重点 。 该文 以 GSN 中 抽取 出 的 海量 时空 数据 为 分析 对象 , 从 LBSN 时空 数据 抽取 、 海量 时空 数据 可 视 化 等 方面 进行 综述 , 对 地理 社会 网络 时空 数据 交互 可 视 化 分析 技术 开展 研究 , 以期 能够 实现 比较 方便 、 快速 、 直接 地 从 地理 社会 网络 的 海量 数据 中 提取 出 有用 、 可靠 、 可 知识 化 的 综合 信息 , 并 通过 信息 可 视 化 方式 进行 直观 表达 、 展示 与 分析 。 1>2 bg-general bg-general | |
| nlpabs12_Chi 1-30 31-45 随 着 移动 互联 网 与 社会 网络 的 深度 融合 , 基 于 位置 服务 ( Location Based Service , LBS ) 的 社交 媒体 应用 更加 流行 , 成 为 地理 社会 网络 ( Geo-Social Networks , GSN ) 的 研究 重点 。 1-45 1-45 随 着 移动 互联 网 与 社会 网络 的 深度 融合 , 基 于 位置 服务 ( Location Based Service , LBS ) 的 社交 媒体 应用 更加 流行 , 成 为 地理 社会 网络 ( Geo-Social Networks , GSN ) 的 研究 重点 。 随 着 移动 互联 网 与 社会 网络 的 深度 融合 , 基 于 位置 服务 ( Location Based Service , LBS ) 的 社交 媒体 应用 更加 流行 , 成 为 地理 社会 网络 ( Geo-Social Networks , GSN ) 的 研究 重点 。 1<2 joint joint | |
| nlpabs12_Chi 1-30 46-65 随 着 移动 互联 网 与 社会 网络 的 深度 融合 , 基 于 位置 服务 ( Location Based Service , LBS ) 的 社交 媒体 应用 更加 流行 , 基 于 位置 信息 的 社会 网络 ( Location Based Social Network , LBSN ) 由于 具有 时空 特性 , 1-45 46-88 随 着 移动 互联 网 与 社会 网络 的 深度 融合 , 基 于 位置 服务 ( Location Based Service , LBS ) 的 社交 媒体 应用 更加 流行 , 成 为 地理 社会 网络 ( Geo-Social Networks , GSN ) 的 研究 重点 。 基 于 位置 信息 的 社会 网络 ( Location Based Social Network , LBSN ) 由于 具有 时空 特性 , 其 海量 数据 可 视 化 不同 于 传统 信息 可 视 化 , 必须 结合 其 地理 信息 特征 进行 表达 。 1<2 elab-addition elab-addition | |
| nlpabs12_Chi 46-65 66-79 基 于 位置 信息 的 社会 网络 ( Location Based Social Network , LBSN ) 由于 具有 时空 特性 , 其 海量 数据 可 视 化 不同 于 传统 信息 可 视 化 , 46-88 46-88 基 于 位置 信息 的 社会 网络 ( Location Based Social Network , LBSN ) 由于 具有 时空 特性 , 其 海量 数据 可 视 化 不同 于 传统 信息 可 视 化 , 必须 结合 其 地理 信息 特征 进行 表达 。 基 于 位置 信息 的 社会 网络 ( Location Based Social Network , LBSN ) 由于 具有 时空 特性 , 其 海量 数据 可 视 化 不同 于 传统 信息 可 视 化 , 必须 结合 其 地理 信息 特征 进行 表达 。 1<2 result result | |
| nlpabs12_Chi 66-79 80-88 其 海量 数据 可 视 化 不同 于 传统 信息 可 视 化 , 必须 结合 其 地理 信息 特征 进行 表达 。 46-88 46-88 基 于 位置 信息 的 社会 网络 ( Location Based Social Network , LBSN ) 由于 具有 时空 特性 , 其 海量 数据 可 视 化 不同 于 传统 信息 可 视 化 , 必须 结合 其 地理 信息 特征 进行 表达 。 基 于 位置 信息 的 社会 网络 ( Location Based Social Network , LBSN ) 由于 具有 时空 特性 , 其 海量 数据 可 视 化 不同 于 传统 信息 可 视 化 , 必须 结合 其 地理 信息 特征 进行 表达 。 1<2 elab-addition elab-addition | |
| nlpabs12_Chi 89-102 103-119 该文 以 GSN 中 抽取 出 的 海量 时空 数据 为 分析 对象 , 从 LBSN 时空 数据 抽取 、 海量 时空 数据 可 视 化 等 方面 进行 综述 , 89-180 89-180 该文 以 GSN 中 抽取 出 的 海量 时空 数据 为 分析 对象 , 从 LBSN 时空 数据 抽取 、 海量 时空 数据 可 视 化 等 方面 进行 综述 , 对 地理 社会 网络 时空 数据 交互 可 视 化 分析 技术 开展 研究 , 以期 能够 实现 比较 方便 、 快速 、 直接 地 从 地理 社会 网络 的 海量 数据 中 提取 出 有用 、 可靠 、 可 知识 化 的 综合 信息 , 并 通过 信息 可 视 化 方式 进行 直观 表达 、 展示 与 分析 。 该文 以 GSN 中 抽取 出 的 海量 时空 数据 为 分析 对象 , 从 LBSN 时空 数据 抽取 、 海量 时空 数据 可 视 化 等 方面 进行 综述 , 对 地理 社会 网络 时空 数据 交互 可 视 化 分析 技术 开展 研究 , 以期 能够 实现 比较 方便 、 快速 、 直接 地 从 地理 社会 网络 的 海量 数据 中 提取 出 有用 、 可靠 、 可 知识 化 的 综合 信息 , 并 通过 信息 可 视 化 方式 进行 直观 表达 、 展示 与 分析 。 1>2 bg-general bg-general | |
| nlpabs12_Chi 103-119 120-134 从 LBSN 时空 数据 抽取 、 海量 时空 数据 可 视 化 等 方面 进行 综述 , 对 地理 社会 网络 时空 数据 交互 可 视 化 分析 技术 开展 研究 , 89-180 89-180 该文 以 GSN 中 抽取 出 的 海量 时空 数据 为 分析 对象 , 从 LBSN 时空 数据 抽取 、 海量 时空 数据 可 视 化 等 方面 进行 综述 , 对 地理 社会 网络 时空 数据 交互 可 视 化 分析 技术 开展 研究 , 以期 能够 实现 比较 方便 、 快速 、 直接 地 从 地理 社会 网络 的 海量 数据 中 提取 出 有用 、 可靠 、 可 知识 化 的 综合 信息 , 并 通过 信息 可 视 化 方式 进行 直观 表达 、 展示 与 分析 。 该文 以 GSN 中 抽取 出 的 海量 时空 数据 为 分析 对象 , 从 LBSN 时空 数据 抽取 、 海量 时空 数据 可 视 化 等 方面 进行 综述 , 对 地理 社会 网络 时空 数据 交互 可 视 化 分析 技术 开展 研究 , 以期 能够 实现 比较 方便 、 快速 、 直接 地 从 地理 社会 网络 的 海量 数据 中 提取 出 有用 、 可靠 、 可 知识 化 的 综合 信息 , 并 通过 信息 可 视 化 方式 进行 直观 表达 、 展示 与 分析 。 1<2 joint joint | |
| nlpabs12_Chi 103-119 135-165 从 LBSN 时空 数据 抽取 、 海量 时空 数据 可 视 化 等 方面 进行 综述 , 以期 能够 实现 比较 方便 、 快速 、 直接 地 从 地理 社会 网络 的 海量 数据 中 提取 出 有用 、 可靠 、 可 知识 化 的 综合 信息 , 89-180 89-180 该文 以 GSN 中 抽取 出 的 海量 时空 数据 为 分析 对象 , 从 LBSN 时空 数据 抽取 、 海量 时空 数据 可 视 化 等 方面 进行 综述 , 对 地理 社会 网络 时空 数据 交互 可 视 化 分析 技术 开展 研究 , 以期 能够 实现 比较 方便 、 快速 、 直接 地 从 地理 社会 网络 的 海量 数据 中 提取 出 有用 、 可靠 、 可 知识 化 的 综合 信息 , 并 通过 信息 可 视 化 方式 进行 直观 表达 、 展示 与 分析 。 该文 以 GSN 中 抽取 出 的 海量 时空 数据 为 分析 对象 , 从 LBSN 时空 数据 抽取 、 海量 时空 数据 可 视 化 等 方面 进行 综述 , 对 地理 社会 网络 时空 数据 交互 可 视 化 分析 技术 开展 研究 , 以期 能够 实现 比较 方便 、 快速 、 直接 地 从 地理 社会 网络 的 海量 数据 中 提取 出 有用 、 可靠 、 可 知识 化 的 综合 信息 , 并 通过 信息 可 视 化 方式 进行 直观 表达 、 展示 与 分析 。 1<2 enablement enablement | |
| nlpabs12_Chi 135-165 166-180 以期 能够 实现 比较 方便 、 快速 、 直接 地 从 地理 社会 网络 的 海量 数据 中 提取 出 有用 、 可靠 、 可 知识 化 的 综合 信息 , 并 通过 信息 可 视 化 方式 进行 直观 表达 、 展示 与 分析 。 89-180 89-180 该文 以 GSN 中 抽取 出 的 海量 时空 数据 为 分析 对象 , 从 LBSN 时空 数据 抽取 、 海量 时空 数据 可 视 化 等 方面 进行 综述 , 对 地理 社会 网络 时空 数据 交互 可 视 化 分析 技术 开展 研究 , 以期 能够 实现 比较 方便 、 快速 、 直接 地 从 地理 社会 网络 的 海量 数据 中 提取 出 有用 、 可靠 、 可 知识 化 的 综合 信息 , 并 通过 信息 可 视 化 方式 进行 直观 表达 、 展示 与 分析 。 该文 以 GSN 中 抽取 出 的 海量 时空 数据 为 分析 对象 , 从 LBSN 时空 数据 抽取 、 海量 时空 数据 可 视 化 等 方面 进行 综述 , 对 地理 社会 网络 时空 数据 交互 可 视 化 分析 技术 开展 研究 , 以期 能够 实现 比较 方便 、 快速 、 直接 地 从 地理 社会 网络 的 海量 数据 中 提取 出 有用 、 可靠 、 可 知识 化 的 综合 信息 , 并 通过 信息 可 视 化 方式 进行 直观 表达 、 展示 与 分析 。 1<2 joint joint | |
| nlpabs13_Chi 1-10 11-23 该文 吸收 已 有 动词 研究 的 相关 成果 , 提出 了 动词 语义 词典 开发 的 相关 原则 和 研制 思路 , 1-55 1-55 该文 吸收 已 有 动词 研究 的 相关 成果 , 提出 了 动词 语义 词典 开发 的 相关 原则 和 研制 思路 , 界定 并 描写 了 词典 中 所 涉及 的 相关 属性 信息 , 并 对 词典 的 总体 文件 结构 及 其 各个 库 的 信息 进行 了 描写 和 说明 。 该文 吸收 已 有 动词 研究 的 相关 成果 , 提出 了 动词 语义 词典 开发 的 相关 原则 和 研制 思路 , 界定 并 描写 了 词典 中 所 涉及 的 相关 属性 信息 , 并 对 词典 的 总体 文件 结构 及 其 各个 库 的 信息 进行 了 描写 和 说明 。 1>2 bg-general bg-general | |
| nlpabs13_Chi 11-23 24-36 提出 了 动词 语义 词典 开发 的 相关 原则 和 研制 思路 , 界定 并 描写 了 词典 中 所 涉及 的 相关 属性 信息 , 1-55 1-55 该文 吸收 已 有 动词 研究 的 相关 成果 , 提出 了 动词 语义 词典 开发 的 相关 原则 和 研制 思路 , 界定 并 描写 了 词典 中 所 涉及 的 相关 属性 信息 , 并 对 词典 的 总体 文件 结构 及 其 各个 库 的 信息 进行 了 描写 和 说明 。 该文 吸收 已 有 动词 研究 的 相关 成果 , 提出 了 动词 语义 词典 开发 的 相关 原则 和 研制 思路 , 界定 并 描写 了 词典 中 所 涉及 的 相关 属性 信息 , 并 对 词典 的 总体 文件 结构 及 其 各个 库 的 信息 进行 了 描写 和 说明 。 1<2 elab-addition elab-addition | |
| nlpabs13_Chi 24-36 37-55 界定 并 描写 了 词典 中 所 涉及 的 相关 属性 信息 , 并 对 词典 的 总体 文件 结构 及 其 各个 库 的 信息 进行 了 描写 和 说明 。 1-55 1-55 该文 吸收 已 有 动词 研究 的 相关 成果 , 提出 了 动词 语义 词典 开发 的 相关 原则 和 研制 思路 , 界定 并 描写 了 词典 中 所 涉及 的 相关 属性 信息 , 并 对 词典 的 总体 文件 结构 及 其 各个 库 的 信息 进行 了 描写 和 说明 。 该文 吸收 已 有 动词 研究 的 相关 成果 , 提出 了 动词 语义 词典 开发 的 相关 原则 和 研制 思路 , 界定 并 描写 了 词典 中 所 涉及 的 相关 属性 信息 , 并 对 词典 的 总体 文件 结构 及 其 各个 库 的 信息 进行 了 描写 和 说明 。 1<2 joint joint | |
| nlpabs13_Chi 11-23 56-100 提出 了 动词 语义 词典 开发 的 相关 原则 和 研制 思路 , 最终 开发 了 融合 词汇 语义 和 句法 语义 , 涵盖 词形 、 词性 、 释义 、 义类 、 义场 、 句法 范畴 信息 、 语义 范畴 信息 、 语义 句模 等 多 种 信息 参数 的 开放 性 的 动词 语义 知识 词典 。 1-55 56-100 该文 吸收 已 有 动词 研究 的 相关 成果 , 提出 了 动词 语义 词典 开发 的 相关 原则 和 研制 思路 , 界定 并 描写 了 词典 中 所 涉及 的 相关 属性 信息 , 并 对 词典 的 总体 文件 结构 及 其 各个 库 的 信息 进行 了 描写 和 说明 。 最终 开发 了 融合 词汇 语义 和 句法 语义 , 涵盖 词形 、 词性 、 释义 、 义类 、 义场 、 句法 范畴 信息 、 语义 范畴 信息 、 语义 句模 等 多 种 信息 参数 的 开放 性 的 动词 语义 知识 词典 。 1<2 enablement enablement | |
| nlpabs13_Chi 56-100 101-123 最终 开发 了 融合 词汇 语义 和 句法 语义 , 涵盖 词形 、 词性 、 释义 、 义类 、 义场 、 句法 范畴 信息 、 语义 范畴 信息 、 语义 句模 等 多 种 信息 参数 的 开放 性 的 动词 语义 知识 词典 。 该 词典 可以 在 歧义 分化 、 词义 关系 考察 、 句法 — 语义 接口 、 句模 抽取 等 方面 提供 支持 。 56-100 101-123 最终 开发 了 融合 词汇 语义 和 句法 语义 , 涵盖 词形 、 词性 、 释义 、 义类 、 义场 、 句法 范畴 信息 、 语义 范畴 信息 、 语义 句模 等 多 种 信息 参数 的 开放 性 的 动词 语义 知识 词典 。 该 词典 可以 在 歧义 分化 、 词义 关系 考察 、 句法 — 语义 接口 、 句模 抽取 等 方面 提供 支持 。 1<2 elab-addition elab-addition | |
| nlpabs14_Chi 1-29 90-102 近 十 年 来 , 依存 句法 分析 由于 具有 表示 形式 简单 、 灵活 、 分析 效率 高 等 特点 , 得到 了 学术 界 广泛 关注 。 为 此 , 该文 充分 参考 了 已有 的 数据 标注 工作 , 1-29 90-132 近 十 年 来 , 依存 句法 分析 由于 具有 表示 形式 简单 、 灵活 、 分析 效率 高 等 特点 , 得到 了 学术 界 广泛 关注 。 为 此 , 该文 充分 参考 了 已有 的 数据 标注 工作 , 同时 结合 实际 标注 中 遇到 的 问题 , 制定 了 一 个 新 的 适应 多 领域 多来源 文本 的 汉 语 依 存句 法 数据 标注 规范 。 1>2 bg-general bg-general | |
| nlpabs14_Chi 1-29 30-51 近 十 年 来 , 依存 句法 分析 由于 具有 表示 形式 简单 、 灵活 、 分析 效率 高 等 特点 , 得到 了 学术 界 广泛 关注 。 为了 支持 汉 语 依存 句法 分析 研究 , 国内 同行 分别 标注 了 几 个 汉 语 依存 句法 树库 。 1-29 30-51 近 十 年 来 , 依存 句法 分析 由于 具有 表示 形式 简单 、 灵活 、 分析 效率 高 等 特点 , 得到 了 学术 界 广泛 关注 。 为了 支持 汉 语 依存 句法 分析 研究 , 国内 同行 分别 标注 了 几 个 汉 语 依存 句法 树库 。 1<2 elab-addition elab-addition | |
| nlpabs14_Chi 30-51 52-72 为了 支持 汉 语 依存 句法 分析 研究 , 国内 同行 分别 标注 了 几 个 汉 语 依存 句法 树库 。 然而 , 目前 还 没有 一 个 公开 、 完整 、 系统 的 汉 语 依 存句法 数据 标注 规范 , 30-51 52-89 为了 支持 汉 语 依存 句法 分析 研究 , 国内 同行 分别 标注 了 几 个 汉 语 依存 句法 树库 。 然而 , 目前 还 没有 一 个 公开 、 完整 、 系统 的 汉 语 依 存句法 数据 标注 规范 , 并且 已有 的 树库 标注 工作 对 网络 文本 中 的 特殊 语言 现象 考虑 较少 。 1<2 contrast contrast | |
| nlpabs14_Chi 52-72 73-89 然而 , 目前 还 没有 一 个 公开 、 完整 、 系统 的 汉 语 依 存句法 数据 标注 规范 , 并且 已有 的 树库 标注 工作 对 网络 文本 中 的 特殊 语言 现象 考虑 较少 。 52-89 52-89 然而 , 目前 还 没有 一 个 公开 、 完整 、 系统 的 汉 语 依 存句法 数据 标注 规范 , 并且 已有 的 树库 标注 工作 对 网络 文本 中 的 特殊 语言 现象 考虑 较少 。 然而 , 目前 还 没有 一 个 公开 、 完整 、 系统 的 汉 语 依 存句法 数据 标注 规范 , 并且 已有 的 树库 标注 工作 对 网络 文本 中 的 特殊 语言 现象 考虑 较少 。 1<2 joint joint | |
| nlpabs14_Chi 90-102 112-132 为 此 , 该文 充分 参考 了 已有 的 数据 标注 工作 , 制定 了 一 个 新 的 适应 多 领域 多来源 文本 的 汉 语 依 存句 法 数据 标注 规范 。 90-132 90-132 为 此 , 该文 充分 参考 了 已有 的 数据 标注 工作 , 同时 结合 实际 标注 中 遇到 的 问题 , 制定 了 一 个 新 的 适应 多 领域 多来源 文本 的 汉 语 依 存句 法 数据 标注 规范 。 为 此 , 该文 充分 参考 了 已有 的 数据 标注 工作 , 同时 结合 实际 标注 中 遇到 的 问题 , 制定 了 一 个 新 的 适应 多 领域 多来源 文本 的 汉 语 依 存句 法 数据 标注 规范 。 1>2 manner-means manner-means | |
| nlpabs14_Chi 90-102 103-111 为 此 , 该文 充分 参考 了 已有 的 数据 标注 工作 , 同时 结合 实际 标注 中 遇到 的 问题 , 90-132 90-132 为 此 , 该文 充分 参考 了 已有 的 数据 标注 工作 , 同时 结合 实际 标注 中 遇到 的 问题 , 制定 了 一 个 新 的 适应 多 领域 多来源 文本 的 汉 语 依 存句 法 数据 标注 规范 。 为 此 , 该文 充分 参考 了 已有 的 数据 标注 工作 , 同时 结合 实际 标注 中 遇到 的 问题 , 制定 了 一 个 新 的 适应 多 领域 多来源 文本 的 汉 语 依 存句 法 数据 标注 规范 。 1<2 joint joint | |
| nlpabs14_Chi 112-132 133-153 制定 了 一 个 新 的 适应 多 领域 多来源 文本 的 汉 语 依 存句 法 数据 标注 规范 。 我们 制定 规范 的 目标 是 准确 刻画 各种 语言 现象 的 句法 结构 , 同时 保证 标注 一致 性 。 90-132 133-153 为 此 , 该文 充分 参考 了 已有 的 数据 标注 工作 , 同时 结合 实际 标注 中 遇到 的 问题 , 制定 了 一 个 新 的 适应 多 领域 多来源 文本 的 汉 语 依 存句 法 数据 标注 规范 。 我们 制定 规范 的 目标 是 准确 刻画 各种 语言 现象 的 句法 结构 , 同时 保证 标注 一致 性 。 1<2 bg-goal bg-goal | |
| nlpabs14_Chi 154-157 158-171 利用 此 规范 , 我们 已经 标注 了 约 3万 句 汉 语 依存 句法 树 库 。 154-171 154-171 利用 此 规范 , 我们 已经 标注 了 约 3万 句 汉 语 依存 句法 树 库 。 利用 此 规范 , 我们 已经 标注 了 约 3万 句 汉 语 依存 句法 树 库 。 1>2 manner-means manner-means | |
| nlpabs14_Chi 112-132 158-171 制定 了 一 个 新 的 适应 多 领域 多来源 文本 的 汉 语 依 存句 法 数据 标注 规范 。 我们 已经 标注 了 约 3万 句 汉 语 依存 句法 树 库 。 90-132 154-171 为 此 , 该文 充分 参考 了 已有 的 数据 标注 工作 , 同时 结合 实际 标注 中 遇到 的 问题 , 制定 了 一 个 新 的 适应 多 领域 多来源 文本 的 汉 语 依 存句 法 数据 标注 规范 。 利用 此 规范 , 我们 已经 标注 了 约 3万 句 汉 语 依存 句法 树 库 。 1<2 elab-addition elab-addition | |
| nlpabs15_Chi 1-21 126-145 基 于 注意 力 机 制 的 神经 网络 机器 翻译 模型 已经 成 为 目前 主流 的 翻译 模型 , 该文 使用 了 一 种 简单 循环 单元 ( sim ple recurrent unit , SRU ) 代替 GRU 单元 , 1-50 126-168 基 于 注意 力 机 制 的 神经 网络 机器 翻译 模型 已经 成 为 目前 主流 的 翻译 模型 , 在 许多 翻译 方向 上 均 超过 了 统计 机器 翻译 模型 , 尤其 是 在 训练 语料 规模 比 较大 的 情况 下 , 优势 更加 明显 。 该文 使用 了 一 种 简单 循环 单元 ( sim ple recurrent unit , SRU ) 代替 GRU 单元 , 通过 堆叠 网络 层数 加深 编码 器 和 解码 器 的 结构 , 提高 了 神经 网络 机器 翻译 模型 的 性能 。 1>2 bg-compare bg-compare | |
| nlpabs15_Chi 1-21 22-50 基 于 注意 力 机 制 的 神经 网络 机器 翻译 模型 已经 成 为 目前 主流 的 翻译 模型 , 在 许多 翻译 方向 上 均 超过 了 统计 机器 翻译 模型 , 尤其 是 在 训练 语料 规模 比 较大 的 情况 下 , 优势 更加 明显 。 1-50 1-50 基 于 注意 力 机 制 的 神经 网络 机器 翻译 模型 已经 成 为 目前 主流 的 翻译 模型 , 在 许多 翻译 方向 上 均 超过 了 统计 机器 翻译 模型 , 尤其 是 在 训练 语料 规模 比 较大 的 情况 下 , 优势 更加 明显 。 基 于 注意 力 机 制 的 神经 网络 机器 翻译 模型 已经 成 为 目前 主流 的 翻译 模型 , 在 许多 翻译 方向 上 均 超过 了 统计 机器 翻译 模型 , 尤其 是 在 训练 语料 规模 比 较大 的 情况 下 , 优势 更加 明显 。 1<2 elab-addition elab-addition | |
| nlpabs15_Chi 1-21 51-60 基 于 注意 力 机 制 的 神经 网络 机器 翻译 模型 已经 成 为 目前 主流 的 翻译 模型 , 该 模型 使用 编码 器 — 解码 器 框架 , 1-50 51-72 基 于 注意 力 机 制 的 神经 网络 机器 翻译 模型 已经 成 为 目前 主流 的 翻译 模型 , 在 许多 翻译 方向 上 均 超过 了 统计 机器 翻译 模型 , 尤其 是 在 训练 语料 规模 比 较大 的 情况 下 , 优势 更加 明显 。 该 模型 使用 编码 器 — 解码 器 框架 , 将 翻译 任务 建模 成 序 列 到 序列 的 问题 。 1<2 elab-addition elab-addition | |
| nlpabs15_Chi 51-60 61-72 该 模型 使用 编码 器 — 解码 器 框架 , 将 翻译 任务 建模 成 序 列 到 序列 的 问题 。 51-72 51-72 该 模型 使用 编码 器 — 解码 器 框架 , 将 翻译 任务 建模 成 序 列 到 序列 的 问题 。 该 模型 使用 编码 器 — 解码 器 框架 , 将 翻译 任务 建模 成 序 列 到 序列 的 问题 。 1<2 enablement enablement | |
| nlpabs15_Chi 1-21 73-114 基 于 注意 力 机 制 的 神经 网络 机器 翻译 模型 已经 成 为 目前 主流 的 翻译 模型 , 然而 , 在 基 于 门 控 循环 单元 ( gated recurren t unit , GRU ) 的 编码 器 — 解码 器 模型 中 , 随 着 模型 层数 的 增加 , 梯度 消失 的 问题 使 模型 难 以 收敛 1-50 73-125 基 于 注意 力 机 制 的 神经 网络 机器 翻译 模型 已经 成 为 目前 主流 的 翻译 模型 , 在 许多 翻译 方向 上 均 超过 了 统计 机器 翻译 模型 , 尤其 是 在 训练 语料 规模 比 较大 的 情况 下 , 优势 更加 明显 。 然而 , 在 基 于 门 控 循环 单元 ( gated recurren t unit , GRU ) 的 编码 器 — 解码 器 模型 中 , 随 着 模型 层数 的 增加 , 梯度 消失 的 问题 使 模型 难 以 收敛 并且 严重 退化 , 进而 使 翻译 性 能 下降 。 1<2 elab-addition elab-addition | |
| nlpabs15_Chi 73-114 115-118 然而 , 在 基 于 门 控 循环 单元 ( gated recurren t unit , GRU ) 的 编码 器 — 解码 器 模型 中 , 随 着 模型 层数 的 增加 , 梯度 消失 的 问题 使 模型 难 以 收敛 并且 严重 退化 , 73-125 73-125 然而 , 在 基 于 门 控 循环 单元 ( gated recurren t unit , GRU ) 的 编码 器 — 解码 器 模型 中 , 随 着 模型 层数 的 增加 , 梯度 消失 的 问题 使 模型 难 以 收敛 并且 严重 退化 , 进而 使 翻译 性 能 下降 。 然而 , 在 基 于 门 控 循环 单元 ( gated recurren t unit , GRU ) 的 编码 器 — 解码 器 模型 中 , 随 着 模型 层数 的 增加 , 梯度 消失 的 问题 使 模型 难 以 收敛 并且 严重 退化 , 进而 使 翻译 性 能 下降 。 1<2 joint joint | |
| nlpabs15_Chi 73-114 119-125 然而 , 在 基 于 门 控 循环 单元 ( gated recurren t unit , GRU ) 的 编码 器 — 解码 器 模型 中 , 随 着 模型 层数 的 增加 , 梯度 消失 的 问题 使 模型 难 以 收敛 进而 使 翻译 性 能 下降 。 73-125 73-125 然而 , 在 基 于 门 控 循环 单元 ( gated recurren t unit , GRU ) 的 编码 器 — 解码 器 模型 中 , 随 着 模型 层数 的 增加 , 梯度 消失 的 问题 使 模型 难 以 收敛 并且 严重 退化 , 进而 使 翻译 性 能 下降 。 然而 , 在 基 于 门 控 循环 单元 ( gated recurren t unit , GRU ) 的 编码 器 — 解码 器 模型 中 , 随 着 模型 层数 的 增加 , 梯度 消失 的 问题 使 模型 难 以 收敛 并且 严重 退化 , 进而 使 翻译 性 能 下降 。 1<2 elab-addition elab-addition | |
| nlpabs15_Chi 126-145 146-168 该文 使用 了 一 种 简单 循环 单元 ( sim ple recurrent unit , SRU ) 代替 GRU 单元 , 通过 堆叠 网络 层数 加深 编码 器 和 解码 器 的 结构 , 提高 了 神经 网络 机器 翻译 模型 的 性能 。 126-168 126-168 该文 使用 了 一 种 简单 循环 单元 ( sim ple recurrent unit , SRU ) 代替 GRU 单元 , 通过 堆叠 网络 层数 加深 编码 器 和 解码 器 的 结构 , 提高 了 神经 网络 机器 翻译 模型 的 性能 。 该文 使用 了 一 种 简单 循环 单元 ( sim ple recurrent unit , SRU ) 代替 GRU 单元 , 通过 堆叠 网络 层数 加深 编码 器 和 解码 器 的 结构 , 提高 了 神经 网络 机器 翻译 模型 的 性能 。 1<2 elab-addition elab-addition | |
| nlpabs15_Chi 126-145 169-188 该文 使用 了 一 种 简单 循环 单元 ( sim ple recurrent unit , SRU ) 代替 GRU 单元 , 我们 在 德 语 — 英 语 和 维 语 — 汉 语 翻译 任务 上 进行 了 实验 , 126-168 169-237 该文 使用 了 一 种 简单 循环 单元 ( sim ple recurrent unit , SRU ) 代替 GRU 单元 , 通过 堆叠 网络 层数 加深 编码 器 和 解码 器 的 结构 , 提高 了 神经 网络 机器 翻译 模型 的 性能 。 我们 在 德 语 — 英 语 和 维 语 — 汉 语 翻译 任务 上 进行 了 实验 , 实验 结果 表明 , 在 神经 网络 机器 翻译 模型 中 使用 SRU 单元 , 可以 有效 地 解决 梯度 消失 带来 的 模型 难 以 训练 的 问题 ; 通过 加深 模型 能够 显著 地 提升 系统 的 翻译 性能 , 同时 保证 训练 速度 基本 不变 。 1<2 evaluation evaluation | |
| nlpabs15_Chi 189-192 193-218 实验 结果 表明 , 在 神经 网络 机器 翻译 模型 中 使用 SRU 单元 , 可以 有效 地 解决 梯度 消失 带来 的 模型 难 以 训练 的 问题 ; 169-237 169-237 我们 在 德 语 — 英 语 和 维 语 — 汉 语 翻译 任务 上 进行 了 实验 , 实验 结果 表明 , 在 神经 网络 机器 翻译 模型 中 使用 SRU 单元 , 可以 有效 地 解决 梯度 消失 带来 的 模型 难 以 训练 的 问题 ; 通过 加深 模型 能够 显著 地 提升 系统 的 翻译 性能 , 同时 保证 训练 速度 基本 不变 。 我们 在 德 语 — 英 语 和 维 语 — 汉 语 翻译 任务 上 进行 了 实验 , 实验 结果 表明 , 在 神经 网络 机器 翻译 模型 中 使用 SRU 单元 , 可以 有效 地 解决 梯度 消失 带来 的 模型 难 以 训练 的 问题 ; 通过 加深 模型 能够 显著 地 提升 系统 的 翻译 性能 , 同时 保证 训练 速度 基本 不变 。 1>2 attribution attribution | |
| nlpabs15_Chi 169-188 193-218 我们 在 德 语 — 英 语 和 维 语 — 汉 语 翻译 任务 上 进行 了 实验 , 在 神经 网络 机器 翻译 模型 中 使用 SRU 单元 , 可以 有效 地 解决 梯度 消失 带来 的 模型 难 以 训练 的 问题 ; 169-237 169-237 我们 在 德 语 — 英 语 和 维 语 — 汉 语 翻译 任务 上 进行 了 实验 , 实验 结果 表明 , 在 神经 网络 机器 翻译 模型 中 使用 SRU 单元 , 可以 有效 地 解决 梯度 消失 带来 的 模型 难 以 训练 的 问题 ; 通过 加深 模型 能够 显著 地 提升 系统 的 翻译 性能 , 同时 保证 训练 速度 基本 不变 。 我们 在 德 语 — 英 语 和 维 语 — 汉 语 翻译 任务 上 进行 了 实验 , 实验 结果 表明 , 在 神经 网络 机器 翻译 模型 中 使用 SRU 单元 , 可以 有效 地 解决 梯度 消失 带来 的 模型 难 以 训练 的 问题 ; 通过 加深 模型 能够 显著 地 提升 系统 的 翻译 性能 , 同时 保证 训练 速度 基本 不变 。 1<2 progression progression | |
| nlpabs15_Chi 193-218 219-230 在 神经 网络 机器 翻译 模型 中 使用 SRU 单元 , 可以 有效 地 解决 梯度 消失 带来 的 模型 难 以 训练 的 问题 ; 通过 加深 模型 能够 显著 地 提升 系统 的 翻译 性能 , 169-237 169-237 我们 在 德 语 — 英 语 和 维 语 — 汉 语 翻译 任务 上 进行 了 实验 , 实验 结果 表明 , 在 神经 网络 机器 翻译 模型 中 使用 SRU 单元 , 可以 有效 地 解决 梯度 消失 带来 的 模型 难 以 训练 的 问题 ; 通过 加深 模型 能够 显著 地 提升 系统 的 翻译 性能 , 同时 保证 训练 速度 基本 不变 。 我们 在 德 语 — 英 语 和 维 语 — 汉 语 翻译 任务 上 进行 了 实验 , 实验 结果 表明 , 在 神经 网络 机器 翻译 模型 中 使用 SRU 单元 , 可以 有效 地 解决 梯度 消失 带来 的 模型 难 以 训练 的 问题 ; 通过 加深 模型 能够 显著 地 提升 系统 的 翻译 性能 , 同时 保证 训练 速度 基本 不变 。 1<2 joint joint | |
| nlpabs15_Chi 219-230 231-237 通过 加深 模型 能够 显著 地 提升 系统 的 翻译 性能 , 同时 保证 训练 速度 基本 不变 。 169-237 169-237 我们 在 德 语 — 英 语 和 维 语 — 汉 语 翻译 任务 上 进行 了 实验 , 实验 结果 表明 , 在 神经 网络 机器 翻译 模型 中 使用 SRU 单元 , 可以 有效 地 解决 梯度 消失 带来 的 模型 难 以 训练 的 问题 ; 通过 加深 模型 能够 显著 地 提升 系统 的 翻译 性能 , 同时 保证 训练 速度 基本 不变 。 我们 在 德 语 — 英 语 和 维 语 — 汉 语 翻译 任务 上 进行 了 实验 , 实验 结果 表明 , 在 神经 网络 机器 翻译 模型 中 使用 SRU 单元 , 可以 有效 地 解决 梯度 消失 带来 的 模型 难 以 训练 的 问题 ; 通过 加深 模型 能够 显著 地 提升 系统 的 翻译 性能 , 同时 保证 训练 速度 基本 不变 。 1<2 joint joint | |
| nlpabs15_Chi 169-188 238-261 我们 在 德 语 — 英 语 和 维 语 — 汉 语 翻译 任务 上 进行 了 实验 , 此外 , 我们 还 与 基 于 残差 连接 ( residual connections ) 的 神经 网络 机器 翻译 模型 进行 了 实验 对比 , 169-237 238-273 我们 在 德 语 — 英 语 和 维 语 — 汉 语 翻译 任务 上 进行 了 实验 , 实验 结果 表明 , 在 神经 网络 机器 翻译 模型 中 使用 SRU 单元 , 可以 有效 地 解决 梯度 消失 带来 的 模型 难 以 训练 的 问题 ; 通过 加深 模型 能够 显著 地 提升 系统 的 翻译 性能 , 同时 保证 训练 速度 基本 不变 。 此外 , 我们 还 与 基 于 残差 连接 ( residual connections ) 的 神经 网络 机器 翻译 模型 进行 了 实验 对比 , 实验 结果 表明 , 我们 的 模型 有 显著 性 优势 。 1<2 progression progression | |
| nlpabs15_Chi 262-265 266-273 实验 结果 表明 , 我们 的 模型 有 显著 性 优势 。 238-273 238-273 此外 , 我们 还 与 基 于 残差 连接 ( residual connections ) 的 神经 网络 机器 翻译 模型 进行 了 实验 对比 , 实验 结果 表明 , 我们 的 模型 有 显著 性 优势 。 此外 , 我们 还 与 基 于 残差 连接 ( residual connections ) 的 神经 网络 机器 翻译 模型 进行 了 实验 对比 , 实验 结果 表明 , 我们 的 模型 有 显著 性 优势 。 1>2 attribution attribution | |
| nlpabs15_Chi 238-261 266-273 此外 , 我们 还 与 基 于 残差 连接 ( residual connections ) 的 神经 网络 机器 翻译 模型 进行 了 实验 对比 , 我们 的 模型 有 显著 性 优势 。 238-273 238-273 此外 , 我们 还 与 基 于 残差 连接 ( residual connections ) 的 神经 网络 机器 翻译 模型 进行 了 实验 对比 , 实验 结果 表明 , 我们 的 模型 有 显著 性 优势 。 此外 , 我们 还 与 基 于 残差 连接 ( residual connections ) 的 神经 网络 机器 翻译 模型 进行 了 实验 对比 , 实验 结果 表明 , 我们 的 模型 有 显著 性 优势 。 1<2 evaluation evaluation | |
| nlpabs16_Chi 1-22 87-105 复杂 网络 具有 自 组织 、 自 相似 、 吸引子 、 小 世界 、 无 标度 中 部分 或 全部 性质 , 分析 了 藏 文 字 同 现 网络 的 最短 路径 长度 、 聚类 系数 和 度 分布 , 1-43 44-142 复杂 网络 具有 自 组织 、 自 相似 、 吸引子 、 小 世界 、 无 标度 中 部分 或 全部 性质 , 而 语言 文字 作 为 人类 智慧 和 文明 的 结晶 , 是 经过 漫长 演化 形成 的 复杂 网络 。 该文 对 藏 语 诗歌 、 散文 、 政治 、 佛教 、 教材 和 口语 等 六 类 具有 代表 性 的 体裁 语料 , 每类 各 取 15 篇 共 90 篇 文章 构建 了 97 个 藏 文 字同现 网络 , 分析 了 藏 文 字 同 现 网络 的 最短 路径 长度 、 聚类 系数 和 度 分布 , 实验 数据 显示 97 个 藏 文字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 , 表明 藏 文 字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 。 1>2 bg-general bg-general | |
| nlpabs16_Chi 1-22 23-34 复杂 网络 具有 自 组织 、 自 相似 、 吸引子 、 小 世界 、 无 标度 中 部分 或 全部 性质 , 而 语言 文字 作 为 人类 智慧 和 文明 的 结晶 , 1-43 1-43 复杂 网络 具有 自 组织 、 自 相似 、 吸引子 、 小 世界 、 无 标度 中 部分 或 全部 性质 , 而 语言 文字 作 为 人类 智慧 和 文明 的 结晶 , 是 经过 漫长 演化 形成 的 复杂 网络 。 复杂 网络 具有 自 组织 、 自 相似 、 吸引子 、 小 世界 、 无 标度 中 部分 或 全部 性质 , 而 语言 文字 作 为 人类 智慧 和 文明 的 结晶 , 是 经过 漫长 演化 形成 的 复杂 网络 。 1<2 elab-addition elab-addition | |
| nlpabs16_Chi 23-34 35-43 而 语言 文字 作 为 人类 智慧 和 文明 的 结晶 , 是 经过 漫长 演化 形成 的 复杂 网络 。 1-43 1-43 复杂 网络 具有 自 组织 、 自 相似 、 吸引子 、 小 世界 、 无 标度 中 部分 或 全部 性质 , 而 语言 文字 作 为 人类 智慧 和 文明 的 结晶 , 是 经过 漫长 演化 形成 的 复杂 网络 。 复杂 网络 具有 自 组织 、 自 相似 、 吸引子 、 小 世界 、 无 标度 中 部分 或 全部 性质 , 而 语言 文字 作 为 人类 智慧 和 文明 的 结晶 , 是 经过 漫长 演化 形成 的 复杂 网络 。 1<2 elab-addition elab-addition | |
| nlpabs16_Chi 44-86 87-105 该文 对 藏 语 诗歌 、 散文 、 政治 、 佛教 、 教材 和 口语 等 六 类 具有 代表 性 的 体裁 语料 , 每类 各 取 15 篇 共 90 篇 文章 构建 了 97 个 藏 文 字同现 网络 , 分析 了 藏 文 字 同 现 网络 的 最短 路径 长度 、 聚类 系数 和 度 分布 , 44-142 44-142 该文 对 藏 语 诗歌 、 散文 、 政治 、 佛教 、 教材 和 口语 等 六 类 具有 代表 性 的 体裁 语料 , 每类 各 取 15 篇 共 90 篇 文章 构建 了 97 个 藏 文 字同现 网络 , 分析 了 藏 文 字 同 现 网络 的 最短 路径 长度 、 聚类 系数 和 度 分布 , 实验 数据 显示 97 个 藏 文字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 , 表明 藏 文 字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 。 该文 对 藏 语 诗歌 、 散文 、 政治 、 佛教 、 教材 和 口语 等 六 类 具有 代表 性 的 体裁 语料 , 每类 各 取 15 篇 共 90 篇 文章 构建 了 97 个 藏 文 字同现 网络 , 分析 了 藏 文 字 同 现 网络 的 最短 路径 长度 、 聚类 系数 和 度 分布 , 实验 数据 显示 97 个 藏 文字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 , 表明 藏 文 字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 。 1>2 manner-means manner-means | |
| nlpabs16_Chi 106-108 109-125 实验 数据 显示 97 个 藏 文字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 , 44-142 44-142 该文 对 藏 语 诗歌 、 散文 、 政治 、 佛教 、 教材 和 口语 等 六 类 具有 代表 性 的 体裁 语料 , 每类 各 取 15 篇 共 90 篇 文章 构建 了 97 个 藏 文 字同现 网络 , 分析 了 藏 文 字 同 现 网络 的 最短 路径 长度 、 聚类 系数 和 度 分布 , 实验 数据 显示 97 个 藏 文字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 , 表明 藏 文 字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 。 该文 对 藏 语 诗歌 、 散文 、 政治 、 佛教 、 教材 和 口语 等 六 类 具有 代表 性 的 体裁 语料 , 每类 各 取 15 篇 共 90 篇 文章 构建 了 97 个 藏 文 字同现 网络 , 分析 了 藏 文 字 同 现 网络 的 最短 路径 长度 、 聚类 系数 和 度 分布 , 实验 数据 显示 97 个 藏 文字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 , 表明 藏 文 字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 。 1>2 attribution attribution | |
| nlpabs16_Chi 87-105 109-125 分析 了 藏 文 字 同 现 网络 的 最短 路径 长度 、 聚类 系数 和 度 分布 , 97 个 藏 文字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 , 44-142 44-142 该文 对 藏 语 诗歌 、 散文 、 政治 、 佛教 、 教材 和 口语 等 六 类 具有 代表 性 的 体裁 语料 , 每类 各 取 15 篇 共 90 篇 文章 构建 了 97 个 藏 文 字同现 网络 , 分析 了 藏 文 字 同 现 网络 的 最短 路径 长度 、 聚类 系数 和 度 分布 , 实验 数据 显示 97 个 藏 文字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 , 表明 藏 文 字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 。 该文 对 藏 语 诗歌 、 散文 、 政治 、 佛教 、 教材 和 口语 等 六 类 具有 代表 性 的 体裁 语料 , 每类 各 取 15 篇 共 90 篇 文章 构建 了 97 个 藏 文 字同现 网络 , 分析 了 藏 文 字 同 现 网络 的 最短 路径 长度 、 聚类 系数 和 度 分布 , 实验 数据 显示 97 个 藏 文字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 , 表明 藏 文 字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 。 1<2 elab-addition elab-addition | |
| nlpabs16_Chi 126 127-142 表明 藏 文 字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 。 44-142 44-142 该文 对 藏 语 诗歌 、 散文 、 政治 、 佛教 、 教材 和 口语 等 六 类 具有 代表 性 的 体裁 语料 , 每类 各 取 15 篇 共 90 篇 文章 构建 了 97 个 藏 文 字同现 网络 , 分析 了 藏 文 字 同 现 网络 的 最短 路径 长度 、 聚类 系数 和 度 分布 , 实验 数据 显示 97 个 藏 文字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 , 表明 藏 文 字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 。 该文 对 藏 语 诗歌 、 散文 、 政治 、 佛教 、 教材 和 口语 等 六 类 具有 代表 性 的 体裁 语料 , 每类 各 取 15 篇 共 90 篇 文章 构建 了 97 个 藏 文 字同现 网络 , 分析 了 藏 文 字 同 现 网络 的 最短 路径 长度 、 聚类 系数 和 度 分布 , 实验 数据 显示 97 个 藏 文字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 , 表明 藏 文 字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 。 1>2 attribution attribution | |
| nlpabs16_Chi 109-125 127-142 97 个 藏 文字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 , 藏 文 字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 。 44-142 44-142 该文 对 藏 语 诗歌 、 散文 、 政治 、 佛教 、 教材 和 口语 等 六 类 具有 代表 性 的 体裁 语料 , 每类 各 取 15 篇 共 90 篇 文章 构建 了 97 个 藏 文 字同现 网络 , 分析 了 藏 文 字 同 现 网络 的 最短 路径 长度 、 聚类 系数 和 度 分布 , 实验 数据 显示 97 个 藏 文字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 , 表明 藏 文 字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 。 该文 对 藏 语 诗歌 、 散文 、 政治 、 佛教 、 教材 和 口语 等 六 类 具有 代表 性 的 体裁 语料 , 每类 各 取 15 篇 共 90 篇 文章 构建 了 97 个 藏 文 字同现 网络 , 分析 了 藏 文 字 同 现 网络 的 最短 路径 长度 、 聚类 系数 和 度 分布 , 实验 数据 显示 97 个 藏 文字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 , 表明 藏 文 字 同 现 网络 都 具有 小 世界 效应 和 无 标度 特性 。 1<2 elab-addition elab-addition | |
| nlpabs18_Chi 1-10 11-20 不 平衡 数据 广泛 存在 于 现实 生活 中 , 代价 敏感 学习 能 有效 解决 这 一 问题 。 1-20 1-20 不 平衡 数据 广泛 存在 于 现实 生活 中 , 代价 敏感 学习 能 有效 解决 这 一 问题 。 不 平衡 数据 广泛 存在 于 现实 生活 中 , 代价 敏感 学习 能 有效 解决 这 一 问题 。 1>2 bg-general bg-general | |
| nlpabs18_Chi 11-20 21-32 代价 敏感 学习 能 有效 解决 这 一 问题 。 然而 , 当 数据 的 标记 信息 有限 或 不足 时 , 1-20 21-50 不 平衡 数据 广泛 存在 于 现实 生活 中 , 代价 敏感 学习 能 有效 解决 这 一 问题 。 然而 , 当 数据 的 标记 信息 有限 或 不足 时 , 代价 敏感 学习分 类器 的 分类 精度 大大 下降 , 分类 性 能 得 不 到 保证 。 1>2 bg-general bg-general | |
| nlpabs18_Chi 21-32 33-42 然而 , 当 数据 的 标记 信息 有限 或 不足 时 , 代价 敏感 学习分 类器 的 分类 精度 大大 下降 , 21-50 21-50 然而 , 当 数据 的 标记 信息 有限 或 不足 时 , 代价 敏感 学习分 类器 的 分类 精度 大大 下降 , 分类 性 能 得 不 到 保证 。 然而 , 当 数据 的 标记 信息 有限 或 不足 时 , 代价 敏感 学习分 类器 的 分类 精度 大大 下降 , 分类 性 能 得 不 到 保证 。 1>2 condition condition | |
| nlpabs18_Chi 33-42 51-55 代价 敏感 学习分 类器 的 分类 精度 大大 下降 , 针对 这 一 情况 , 21-50 51-134 然而 , 当 数据 的 标记 信息 有限 或 不足 时 , 代价 敏感 学习分 类器 的 分类 精度 大大 下降 , 分类 性 能 得 不 到 保证 。 针对 这 一 情况 , 该文 提出 了 一 种 局部 几何 保持 的 Laplacian 代价 敏感 支持 向量 机 ( LPCS-Lap SVM ) , 该 模型 基 于 半 监督 学习 框 架 , 将 代价 敏感 学习 和 类内 局部 保持 散度 的 思想 引入 其中 , 从 考虑 内 在 可 分辨 信息 和 样本 的 局部 几何 分布 两 方面 来 提 高 代价 敏感 支持 向 量 机 在 标记 信息 有限 的 场景 中 的 分类 性能 。 1>2 elab-addition elab-addition | |
| nlpabs18_Chi 33-42 43-50 代价 敏感 学习分 类器 的 分类 精度 大大 下降 , 分类 性 能 得 不 到 保证 。 21-50 21-50 然而 , 当 数据 的 标记 信息 有限 或 不足 时 , 代价 敏感 学习分 类器 的 分类 精度 大大 下降 , 分类 性 能 得 不 到 保证 。 然而 , 当 数据 的 标记 信息 有限 或 不足 时 , 代价 敏感 学习分 类器 的 分类 精度 大大 下降 , 分类 性 能 得 不 到 保证 。 1<2 result result | |
| nlpabs18_Chi 51-55 56-75 针对 这 一 情况 , 该文 提出 了 一 种 局部 几何 保持 的 Laplacian 代价 敏感 支持 向量 机 ( LPCS-Lap SVM ) , 51-134 51-134 针对 这 一 情况 , 该文 提出 了 一 种 局部 几何 保持 的 Laplacian 代价 敏感 支持 向量 机 ( LPCS-Lap SVM ) , 该 模型 基 于 半 监督 学习 框 架 , 将 代价 敏感 学习 和 类内 局部 保持 散度 的 思想 引入 其中 , 从 考虑 内 在 可 分辨 信息 和 样本 的 局部 几何 分布 两 方面 来 提 高 代价 敏感 支持 向 量 机 在 标记 信息 有限 的 场景 中 的 分类 性能 。 针对 这 一 情况 , 该文 提出 了 一 种 局部 几何 保持 的 Laplacian 代价 敏感 支持 向量 机 ( LPCS-Lap SVM ) , 该 模型 基 于 半 监督 学习 框 架 , 将 代价 敏感 学习 和 类内 局部 保持 散度 的 思想 引入 其中 , 从 考虑 内 在 可 分辨 信息 和 样本 的 局部 几何 分布 两 方面 来 提 高 代价 敏感 支持 向 量 机 在 标记 信息 有限 的 场景 中 的 分类 性能 。 1>2 bg-general bg-general | |
| nlpabs18_Chi 56-75 76-85 该文 提出 了 一 种 局部 几何 保持 的 Laplacian 代价 敏感 支持 向量 机 ( LPCS-Lap SVM ) , 该 模型 基 于 半 监督 学习 框 架 , 51-134 51-134 针对 这 一 情况 , 该文 提出 了 一 种 局部 几何 保持 的 Laplacian 代价 敏感 支持 向量 机 ( LPCS-Lap SVM ) , 该 模型 基 于 半 监督 学习 框 架 , 将 代价 敏感 学习 和 类内 局部 保持 散度 的 思想 引入 其中 , 从 考虑 内 在 可 分辨 信息 和 样本 的 局部 几何 分布 两 方面 来 提 高 代价 敏感 支持 向 量 机 在 标记 信息 有限 的 场景 中 的 分类 性能 。 针对 这 一 情况 , 该文 提出 了 一 种 局部 几何 保持 的 Laplacian 代价 敏感 支持 向量 机 ( LPCS-Lap SVM ) , 该 模型 基 于 半 监督 学习 框 架 , 将 代价 敏感 学习 和 类内 局部 保持 散度 的 思想 引入 其中 , 从 考虑 内 在 可 分辨 信息 和 样本 的 局部 几何 分布 两 方面 来 提 高 代价 敏感 支持 向 量 机 在 标记 信息 有限 的 场景 中 的 分类 性能 。 1<2 elab-addition elab-addition | |
| nlpabs18_Chi 76-85 86-99 该 模型 基 于 半 监督 学习 框 架 , 将 代价 敏感 学习 和 类内 局部 保持 散度 的 思想 引入 其中 , 51-134 51-134 针对 这 一 情况 , 该文 提出 了 一 种 局部 几何 保持 的 Laplacian 代价 敏感 支持 向量 机 ( LPCS-Lap SVM ) , 该 模型 基 于 半 监督 学习 框 架 , 将 代价 敏感 学习 和 类内 局部 保持 散度 的 思想 引入 其中 , 从 考虑 内 在 可 分辨 信息 和 样本 的 局部 几何 分布 两 方面 来 提 高 代价 敏感 支持 向 量 机 在 标记 信息 有限 的 场景 中 的 分类 性能 。 针对 这 一 情况 , 该文 提出 了 一 种 局部 几何 保持 的 Laplacian 代价 敏感 支持 向量 机 ( LPCS-Lap SVM ) , 该 模型 基 于 半 监督 学习 框 架 , 将 代价 敏感 学习 和 类内 局部 保持 散度 的 思想 引入 其中 , 从 考虑 内 在 可 分辨 信息 和 样本 的 局部 几何 分布 两 方面 来 提 高 代价 敏感 支持 向 量 机 在 标记 信息 有限 的 场景 中 的 分类 性能 。 1<2 elab-addition elab-addition | |
| nlpabs18_Chi 86-99 100-134 将 代价 敏感 学习 和 类内 局部 保持 散度 的 思想 引入 其中 , 从 考虑 内 在 可 分辨 信息 和 样本 的 局部 几何 分布 两 方面 来 提 高 代价 敏感 支持 向 量 机 在 标记 信息 有限 的 场景 中 的 分类 性能 。 51-134 51-134 针对 这 一 情况 , 该文 提出 了 一 种 局部 几何 保持 的 Laplacian 代价 敏感 支持 向量 机 ( LPCS-Lap SVM ) , 该 模型 基 于 半 监督 学习 框 架 , 将 代价 敏感 学习 和 类内 局部 保持 散度 的 思想 引入 其中 , 从 考虑 内 在 可 分辨 信息 和 样本 的 局部 几何 分布 两 方面 来 提 高 代价 敏感 支持 向 量 机 在 标记 信息 有限 的 场景 中 的 分类 性能 。 针对 这 一 情况 , 该文 提出 了 一 种 局部 几何 保持 的 Laplacian 代价 敏感 支持 向量 机 ( LPCS-Lap SVM ) , 该 模型 基 于 半 监督 学习 框 架 , 将 代价 敏感 学习 和 类内 局部 保持 散度 的 思想 引入 其中 , 从 考虑 内 在 可 分辨 信息 和 样本 的 局部 几何 分布 两 方面 来 提 高 代价 敏感 支持 向 量 机 在 标记 信息 有限 的 场景 中 的 分类 性能 。 1<2 elab-addition elab-addition | |
| nlpabs18_Chi 56-75 135-148 该文 提出 了 一 种 局部 几何 保持 的 Laplacian 代价 敏感 支持 向量 机 ( LPCS-Lap SVM ) , UCI 数据 集上 的 实验 结果 表明 了 该 算法 的 有效 性 。 51-134 135-148 针对 这 一 情况 , 该文 提出 了 一 种 局部 几何 保持 的 Laplacian 代价 敏感 支持 向量 机 ( LPCS-Lap SVM ) , 该 模型 基 于 半 监督 学习 框 架 , 将 代价 敏感 学习 和 类内 局部 保持 散度 的 思想 引入 其中 , 从 考虑 内 在 可 分辨 信息 和 样本 的 局部 几何 分布 两 方面 来 提 高 代价 敏感 支持 向 量 机 在 标记 信息 有限 的 场景 中 的 分类 性能 。 UCI 数据 集上 的 实验 结果 表明 了 该 算法 的 有效 性 。 1<2 evaluation evaluation | |
| nlpabs20_Chi 1-16 17-43 为 从 大量 的 复杂 非 规范 网页 结构 中 自动 抽取 出 新闻 标题 , 该文 提出 一 种 基 于 密度 和 文本 特征 的 新闻 标题 抽取 算法 ( title extraction with den sity and text-features , TEDT ) 。 1-43 1-43 为 从 大量 的 复杂 非 规范 网页 结构 中 自动 抽取 出 新闻 标题 , 该文 提出 一 种 基 于 密度 和 文本 特征 的 新闻 标题 抽取 算法 ( title extraction with den sity and text-features , TEDT ) 。 为 从 大量 的 复杂 非 规范 网页 结构 中 自动 抽取 出 新闻 标题 , 该文 提出 一 种 基 于 密度 和 文本 特征 的 新闻 标题 抽取 算法 ( title extraction with den sity and text-features , TEDT ) 。 1>2 bg-goal bg-goal | |
| nlpabs20_Chi 17-43 44-58 该文 提出 一 种 基 于 密度 和 文本 特征 的 新闻 标题 抽取 算法 ( title extraction with den sity and text-features , TEDT ) 。 主要 通过 融合 网页 文本 密度 分布 和 语言 特征 的 语料 判定 模型 , 1-43 44-98 为 从 大量 的 复杂 非 规范 网页 结构 中 自动 抽取 出 新闻 标题 , 该文 提出 一 种 基 于 密度 和 文本 特征 的 新闻 标题 抽取 算法 ( title extraction with den sity and text-features , TEDT ) 。 主要 通过 融合 网页 文本 密度 分布 和 语言 特征 的 语料 判定 模型 , 将 网页 划分 为 语料 区 和 标题 候选 区 , 选取 语料后 通过 Text Rank 算法 计算 对应 的 key-value 权重 集合 , 最后 采用 改进 的 相似 度 计算 方法 从 标题 候选 区 抽取 新闻 标题 。 1<2 elab-process_step elab-process_step | |
| nlpabs20_Chi 44-58 59-69 主要 通过 融合 网页 文本 密度 分布 和 语言 特征 的 语料 判定 模型 , 将 网页 划分 为 语料 区 和 标题 候选 区 , 44-98 44-98 主要 通过 融合 网页 文本 密度 分布 和 语言 特征 的 语料 判定 模型 , 将 网页 划分 为 语料 区 和 标题 候选 区 , 选取 语料后 通过 Text Rank 算法 计算 对应 的 key-value 权重 集合 , 最后 采用 改进 的 相似 度 计算 方法 从 标题 候选 区 抽取 新闻 标题 。 主要 通过 融合 网页 文本 密度 分布 和 语言 特征 的 语料 判定 模型 , 将 网页 划分 为 语料 区 和 标题 候选 区 , 选取 语料后 通过 Text Rank 算法 计算 对应 的 key-value 权重 集合 , 最后 采用 改进 的 相似 度 计算 方法 从 标题 候选 区 抽取 新闻 标题 。 1<2 enablement enablement | |
| nlpabs20_Chi 70-71 72-75 选取 语料后 通过 Text Rank 算法 44-98 44-98 主要 通过 融合 网页 文本 密度 分布 和 语言 特征 的 语料 判定 模型 , 将 网页 划分 为 语料 区 和 标题 候选 区 , 选取 语料后 通过 Text Rank 算法 计算 对应 的 key-value 权重 集合 , 最后 采用 改进 的 相似 度 计算 方法 从 标题 候选 区 抽取 新闻 标题 。 主要 通过 融合 网页 文本 密度 分布 和 语言 特征 的 语料 判定 模型 , 将 网页 划分 为 语料 区 和 标题 候选 区 , 选取 语料后 通过 Text Rank 算法 计算 对应 的 key-value 权重 集合 , 最后 采用 改进 的 相似 度 计算 方法 从 标题 候选 区 抽取 新闻 标题 。 1>2 temporal temporal | |
| nlpabs20_Chi 17-43 72-75 该文 提出 一 种 基 于 密度 和 文本 特征 的 新闻 标题 抽取 算法 ( title extraction with den sity and text-features , TEDT ) 。 通过 Text Rank 算法 1-43 44-98 为 从 大量 的 复杂 非 规范 网页 结构 中 自动 抽取 出 新闻 标题 , 该文 提出 一 种 基 于 密度 和 文本 特征 的 新闻 标题 抽取 算法 ( title extraction with den sity and text-features , TEDT ) 。 主要 通过 融合 网页 文本 密度 分布 和 语言 特征 的 语料 判定 模型 , 将 网页 划分 为 语料 区 和 标题 候选 区 , 选取 语料后 通过 Text Rank 算法 计算 对应 的 key-value 权重 集合 , 最后 采用 改进 的 相似 度 计算 方法 从 标题 候选 区 抽取 新闻 标题 。 1<2 elab-process_step elab-process_step | |
| nlpabs20_Chi 72-75 76-82 通过 Text Rank 算法 计算 对应 的 key-value 权重 集合 , 44-98 44-98 主要 通过 融合 网页 文本 密度 分布 和 语言 特征 的 语料 判定 模型 , 将 网页 划分 为 语料 区 和 标题 候选 区 , 选取 语料后 通过 Text Rank 算法 计算 对应 的 key-value 权重 集合 , 最后 采用 改进 的 相似 度 计算 方法 从 标题 候选 区 抽取 新闻 标题 。 主要 通过 融合 网页 文本 密度 分布 和 语言 特征 的 语料 判定 模型 , 将 网页 划分 为 语料 区 和 标题 候选 区 , 选取 语料后 通过 Text Rank 算法 计算 对应 的 key-value 权重 集合 , 最后 采用 改进 的 相似 度 计算 方法 从 标题 候选 区 抽取 新闻 标题 。 1<2 enablement enablement | |
| nlpabs20_Chi 17-43 83-90 该文 提出 一 种 基 于 密度 和 文本 特征 的 新闻 标题 抽取 算法 ( title extraction with den sity and text-features , TEDT ) 。 最后 采用 改进 的 相似 度 计算 方法 1-43 44-98 为 从 大量 的 复杂 非 规范 网页 结构 中 自动 抽取 出 新闻 标题 , 该文 提出 一 种 基 于 密度 和 文本 特征 的 新闻 标题 抽取 算法 ( title extraction with den sity and text-features , TEDT ) 。 主要 通过 融合 网页 文本 密度 分布 和 语言 特征 的 语料 判定 模型 , 将 网页 划分 为 语料 区 和 标题 候选 区 , 选取 语料后 通过 Text Rank 算法 计算 对应 的 key-value 权重 集合 , 最后 采用 改进 的 相似 度 计算 方法 从 标题 候选 区 抽取 新闻 标题 。 1<2 elab-process_step elab-process_step | |
| nlpabs20_Chi 83-90 91-98 最后 采用 改进 的 相似 度 计算 方法 从 标题 候选 区 抽取 新闻 标题 。 44-98 44-98 主要 通过 融合 网页 文本 密度 分布 和 语言 特征 的 语料 判定 模型 , 将 网页 划分 为 语料 区 和 标题 候选 区 , 选取 语料后 通过 Text Rank 算法 计算 对应 的 key-value 权重 集合 , 最后 采用 改进 的 相似 度 计算 方法 从 标题 候选 区 抽取 新闻 标题 。 主要 通过 融合 网页 文本 密度 分布 和 语言 特征 的 语料 判定 模型 , 将 网页 划分 为 语料 区 和 标题 候选 区 , 选取 语料后 通过 Text Rank 算法 计算 对应 的 key-value 权重 集合 , 最后 采用 改进 的 相似 度 计算 方法 从 标题 候选 区 抽取 新闻 标题 。 1<2 enablement enablement | |
| nlpabs20_Chi 17-43 99-109 该文 提出 一 种 基 于 密度 和 文本 特征 的 新闻 标题 抽取 算法 ( title extraction with den sity and text-features , TEDT ) 。 该 算法 能 有 效 划分 语料 和 标题 区域 , 1-43 99-120 为 从 大量 的 复杂 非 规范 网页 结构 中 自动 抽取 出 新闻 标题 , 该文 提出 一 种 基 于 密度 和 文本 特征 的 新闻 标题 抽取 算法 ( title extraction with den sity and text-features , TEDT ) 。 该 算法 能 有 效 划分 语料 和 标题 区域 , 降低 网页 噪声 干扰 , 准确 抽取 出 新闻 标题 。 1<2 evaluation evaluation | |
| nlpabs20_Chi 99-109 110-114 该 算法 能 有 效 划分 语料 和 标题 区域 , 降低 网页 噪声 干扰 , 99-120 99-120 该 算法 能 有 效 划分 语料 和 标题 区域 , 降低 网页 噪声 干扰 , 准确 抽取 出 新闻 标题 。 该 算法 能 有 效 划分 语料 和 标题 区域 , 降低 网页 噪声 干扰 , 准确 抽取 出 新闻 标题 。 1<2 joint joint | |
| nlpabs20_Chi 99-109 115-120 该 算法 能 有 效 划分 语料 和 标题 区域 , 准确 抽取 出 新闻 标题 。 99-120 99-120 该 算法 能 有 效 划分 语料 和 标题 区域 , 降低 网页 噪声 干扰 , 准确 抽取 出 新闻 标题 。 该 算法 能 有 效 划分 语料 和 标题 区域 , 降低 网页 噪声 干扰 , 准确 抽取 出 新闻 标题 。 1<2 result result | |
| nlpabs20_Chi 121-124 125-148 实验 结果 表明 , TEDT 的 准确 率 和 召回 率 均 优 于 传统 的 基 于 规则 和 相似 度 的 新闻 标题 抽取 算法 , 121-168 121-168 实验 结果 表明 , TEDT 的 准确 率 和 召回 率 均 优 于 传统 的 基 于 规则 和 相似 度 的 新闻 标题 抽取 算法 , 证明 了 TEDT 不仅 对 主流 新闻 网站 有效 , 而且 对 复杂 非 规范 网页 也 广泛 适用 。 实验 结果 表明 , TEDT 的 准确 率 和 召回 率 均 优 于 传统 的 基 于 规则 和 相似 度 的 新闻 标题 抽取 算法 , 证明 了 TEDT 不仅 对 主流 新闻 网站 有效 , 而且 对 复杂 非 规范 网页 也 广泛 适用 。 1>2 attribution attribution | |
| nlpabs20_Chi 99-109 125-148 该 算法 能 有 效 划分 语料 和 标题 区域 , TEDT 的 准确 率 和 召回 率 均 优 于 传统 的 基 于 规则 和 相似 度 的 新闻 标题 抽取 算法 , 99-120 121-168 该 算法 能 有 效 划分 语料 和 标题 区域 , 降低 网页 噪声 干扰 , 准确 抽取 出 新闻 标题 。 实验 结果 表明 , TEDT 的 准确 率 和 召回 率 均 优 于 传统 的 基 于 规则 和 相似 度 的 新闻 标题 抽取 算法 , 证明 了 TEDT 不仅 对 主流 新闻 网站 有效 , 而且 对 复杂 非 规范 网页 也 广泛 适用 。 1<2 elab-addition elab-addition | |
| nlpabs20_Chi 125-148 149-158 TEDT 的 准确 率 和 召回 率 均 优 于 传统 的 基 于 规则 和 相似 度 的 新闻 标题 抽取 算法 , 证明 了 TEDT 不仅 对 主流 新闻 网站 有效 , 121-168 121-168 实验 结果 表明 , TEDT 的 准确 率 和 召回 率 均 优 于 传统 的 基 于 规则 和 相似 度 的 新闻 标题 抽取 算法 , 证明 了 TEDT 不仅 对 主流 新闻 网站 有效 , 而且 对 复杂 非 规范 网页 也 广泛 适用 。 实验 结果 表明 , TEDT 的 准确 率 和 召回 率 均 优 于 传统 的 基 于 规则 和 相似 度 的 新闻 标题 抽取 算法 , 证明 了 TEDT 不仅 对 主流 新闻 网站 有效 , 而且 对 复杂 非 规范 网页 也 广泛 适用 。 1<2 elab-addition elab-addition | |
| nlpabs20_Chi 149-158 159-168 证明 了 TEDT 不仅 对 主流 新闻 网站 有效 , 而且 对 复杂 非 规范 网页 也 广泛 适用 。 121-168 121-168 实验 结果 表明 , TEDT 的 准确 率 和 召回 率 均 优 于 传统 的 基 于 规则 和 相似 度 的 新闻 标题 抽取 算法 , 证明 了 TEDT 不仅 对 主流 新闻 网站 有效 , 而且 对 复杂 非 规范 网页 也 广泛 适用 。 实验 结果 表明 , TEDT 的 准确 率 和 召回 率 均 优 于 传统 的 基 于 规则 和 相似 度 的 新闻 标题 抽取 算法 , 证明 了 TEDT 不仅 对 主流 新闻 网站 有效 , 而且 对 复杂 非 规范 网页 也 广泛 适用 。 1<2 progression progression | |
| nlpabs53_Chi 1-25 80-94 大 数据 时代 , 文本 数据 量 的 爆炸 式 增长 使得 特征 选择 成 为 文本 挖掘 领域 最关键 的 任务 之 一 。 该文 提出 基 于 包含 度 和 频繁 模式 的 文本 特征 选择 方法 : 1-25 80-94 大 数据 时代 , 文本 数据 量 的 爆炸 式 增长 使得 特征 选择 成 为 文本 挖掘 领域 最关键 的 任务 之 一 。 该文 提出 基 于 包含 度 和 频繁 模式 的 文本 特征 选择 方法 : 1>2 bg-general bg-general | |
| nlpabs53_Chi 1-25 26-34 大 数据 时代 , 文本 数据 量 的 爆炸 式 增长 使得 特征 选择 成 为 文本 挖掘 领域 最关键 的 任务 之 一 。 文档 中 的 词语 和 模式 规模 庞杂 , 1-25 26-45 大 数据 时代 , 文本 数据 量 的 爆炸 式 增长 使得 特征 选择 成 为 文本 挖掘 领域 最关键 的 任务 之 一 。 文档 中 的 词语 和 模式 规模 庞杂 , 故 需 保证 所 挖掘 特征 的 质量 充满 挑战 。 1<2 elab-addition elab-addition | |
| nlpabs53_Chi 26-34 35-45 文档 中 的 词语 和 模式 规模 庞杂 , 故 需 保证 所 挖掘 特征 的 质量 充满 挑战 。 26-45 26-45 文档 中 的 词语 和 模式 规模 庞杂 , 故 需 保证 所 挖掘 特征 的 质量 充满 挑战 。 文档 中 的 词语 和 模式 规模 庞杂 , 故 需 保证 所 挖掘 特征 的 质量 充满 挑战 。 1<2 result result | |
| nlpabs53_Chi 26-34 46-67 文档 中 的 词语 和 模式 规模 庞杂 , “ 基 于 模式 ” 特征 选择 方法 具有 传统 “ 基 于 词语 ” 方法 所 没有 的 优越 特性 , 26-45 46-79 文档 中 的 词语 和 模式 规模 庞杂 , 故 需 保证 所 挖掘 特征 的 质量 充满 挑战 。 “ 基 于 模式 ” 特征 选择 方法 具有 传统 “ 基 于 词语 ” 方法 所 没有 的 优越 特性 , 可以 进行 有效 地 信息 去噪 , 提升 文本 挖掘 性能 。 1<2 joint joint | |
| nlpabs53_Chi 46-67 68-74 “ 基 于 模式 ” 特征 选择 方法 具有 传统 “ 基 于 词语 ” 方法 所 没有 的 优越 特性 , 可以 进行 有效 地 信息 去噪 , 46-79 46-79 “ 基 于 模式 ” 特征 选择 方法 具有 传统 “ 基 于 词语 ” 方法 所 没有 的 优越 特性 , 可以 进行 有效 地 信息 去噪 , 提升 文本 挖掘 性能 。 “ 基 于 模式 ” 特征 选择 方法 具有 传统 “ 基 于 词语 ” 方法 所 没有 的 优越 特性 , 可以 进行 有效 地 信息 去噪 , 提升 文本 挖掘 性能 。 1<2 elab-addition elab-addition | |
| nlpabs53_Chi 68-74 75-79 可以 进行 有效 地 信息 去噪 , 提升 文本 挖掘 性能 。 46-79 46-79 “ 基 于 模式 ” 特征 选择 方法 具有 传统 “ 基 于 词语 ” 方法 所 没有 的 优越 特性 , 可以 进行 有效 地 信息 去噪 , 提升 文本 挖掘 性能 。 “ 基 于 模式 ” 特征 选择 方法 具有 传统 “ 基 于 词语 ” 方法 所 没有 的 优越 特性 , 可以 进行 有效 地 信息 去噪 , 提升 文本 挖掘 性能 。 1<2 enablement enablement | |
| nlpabs53_Chi 80-94 95-107 该文 提出 基 于 包含 度 和 频繁 模式 的 文本 特征 选择 方法 : 首先 , 定义 基 于 包含 度 的 相似 性 度量 原理 ; 80-94 95-123 该文 提出 基 于 包含 度 和 频繁 模式 的 文本 特征 选择 方法 : 首先 , 定义 基 于 包含 度 的 相似 性 度量 原理 ; 然后 , 提出 基 于 包含 度 的 冗余 文本 频繁 模 式 过滤 方法 。 1<2 elab-process_step elab-process_step | |
| nlpabs53_Chi 95-107 108-123 首先 , 定义 基 于 包含 度 的 相似 性 度量 原理 ; 然后 , 提出 基 于 包含 度 的 冗余 文本 频繁 模 式 过滤 方法 。 95-123 95-123 首先 , 定义 基 于 包含 度 的 相似 性 度量 原理 ; 然后 , 提出 基 于 包含 度 的 冗余 文本 频繁 模 式 过滤 方法 。 首先 , 定义 基 于 包含 度 的 相似 性 度量 原理 ; 然后 , 提出 基 于 包含 度 的 冗余 文本 频繁 模 式 过滤 方法 。 1<2 joint joint | |
| nlpabs53_Chi 108-123 124-135 然后 , 提出 基 于 包含 度 的 冗余 文本 频繁 模 式 过滤 方法 。 基 于 包含 度 度量 文本 频繁 模式 间 相似 性 , 95-123 124-148 首先 , 定义 基 于 包含 度 的 相似 性 度量 原理 ; 然后 , 提出 基 于 包含 度 的 冗余 文本 频繁 模 式 过滤 方法 。 基 于 包含 度 度量 文本 频繁 模式 间 相似 性 , 以 此 去除 子 模式 及 相似 度 较高 的 交叉 模式 。 1<2 elab-addition elab-addition | |
| nlpabs53_Chi 124-135 136-148 基 于 包含 度 度量 文本 频繁 模式 间 相似 性 , 以 此 去除 子 模式 及 相似 度 较高 的 交叉 模式 。 124-148 124-148 基 于 包含 度 度量 文本 频繁 模式 间 相似 性 , 以 此 去除 子 模式 及 相似 度 较高 的 交叉 模式 。 基 于 包含 度 度量 文本 频繁 模式 间 相似 性 , 以 此 去除 子 模式 及 相似 度 较高 的 交叉 模式 。 1<2 enablement enablement | |
| nlpabs53_Chi 108-123 149-154 然后 , 提出 基 于 包含 度 的 冗余 文本 频繁 模 式 过滤 方法 。 再 通过 冗余 模式 去噪 , 95-123 149-173 首先 , 定义 基 于 包含 度 的 相似 性 度量 原理 ; 然后 , 提出 基 于 包含 度 的 冗余 文本 频繁 模 式 过滤 方法 。 再 通过 冗余 模式 去噪 , 提升 文本 频繁 模 式 挖掘 性能 ; 提出 基 于 关联 度 的 文本 特征 选择 方法 。 1<2 joint joint | |
| nlpabs53_Chi 149-154 155-162 再 通过 冗余 模式 去噪 , 提升 文本 频繁 模 式 挖掘 性能 ; 149-173 149-173 再 通过 冗余 模式 去噪 , 提升 文本 频繁 模 式 挖掘 性能 ; 提出 基 于 关联 度 的 文本 特征 选择 方法 。 再 通过 冗余 模式 去噪 , 提升 文本 频繁 模 式 挖掘 性能 ; 提出 基 于 关联 度 的 文本 特征 选择 方法 。 1<2 enablement enablement | |
| nlpabs53_Chi 149-154 163-173 再 通过 冗余 模式 去噪 , 提出 基 于 关联 度 的 文本 特征 选择 方法 。 149-173 149-173 再 通过 冗余 模式 去噪 , 提升 文本 频繁 模 式 挖掘 性能 ; 提出 基 于 关联 度 的 文本 特征 选择 方法 。 再 通过 冗余 模式 去噪 , 提升 文本 频繁 模 式 挖掘 性能 ; 提出 基 于 关联 度 的 文本 特征 选择 方法 。 1<2 joint joint | |
| nlpabs53_Chi 174-188 189-193 以 经过 过滤 处理 后 的 非 冗余 文本 频繁 模 式 为 基础 , 进行 文本 特征 选择 , 174-209 174-209 以 经过 过滤 处理 后 的 非 冗余 文本 频繁 模 式 为 基础 , 进行 文本 特征 选择 , 并 利用 词语 与 文档 的 关联 度 进行 词语 类别 划分 及 权重 分配 。 以 经过 过滤 处理 后 的 非 冗余 文本 频繁 模 式 为 基础 , 进行 文本 特征 选择 , 并 利用 词语 与 文档 的 关联 度 进行 词语 类别 划分 及 权重 分配 。 1>2 bg-goal bg-goal | |
| nlpabs53_Chi 149-154 189-193 再 通过 冗余 模式 去噪 , 进行 文本 特征 选择 , 149-173 174-209 再 通过 冗余 模式 去噪 , 提升 文本 频繁 模 式 挖掘 性能 ; 提出 基 于 关联 度 的 文本 特征 选择 方法 。 以 经过 过滤 处理 后 的 非 冗余 文本 频繁 模 式 为 基础 , 进行 文本 特征 选择 , 并 利用 词语 与 文档 的 关联 度 进行 词语 类别 划分 及 权重 分配 。 1<2 joint joint | |
| nlpabs53_Chi 189-193 194-209 进行 文本 特征 选择 , 并 利用 词语 与 文档 的 关联 度 进行 词语 类别 划分 及 权重 分配 。 174-209 174-209 以 经过 过滤 处理 后 的 非 冗余 文本 频繁 模 式 为 基础 , 进行 文本 特征 选择 , 并 利用 词语 与 文档 的 关联 度 进行 词语 类别 划分 及 权重 分配 。 以 经过 过滤 处理 后 的 非 冗余 文本 频繁 模 式 为 基础 , 进行 文本 特征 选择 , 并 利用 词语 与 文档 的 关联 度 进行 词语 类别 划分 及 权重 分配 。 1<2 joint joint | |
| nlpabs53_Chi 194-209 210-220 并 利用 词语 与 文档 的 关联 度 进行 词语 类别 划分 及 权重 分配 。 使 所 选 特征 与 文档 关联 度 更加 清晰 , 174-209 210-224 以 经过 过滤 处理 后 的 非 冗余 文本 频繁 模 式 为 基础 , 进行 文本 特征 选择 , 并 利用 词语 与 文档 的 关联 度 进行 词语 类别 划分 及 权重 分配 。 使 所 选 特征 与 文档 关联 度 更加 清晰 , 分类 效果 更好 。 1<2 enablement enablement | |
| nlpabs53_Chi 210-220 221-224 使 所 选 特征 与 文档 关联 度 更加 清晰 , 分类 效果 更好 。 210-224 210-224 使 所 选 特征 与 文档 关联 度 更加 清晰 , 分类 效果 更好 。 使 所 选 特征 与 文档 关联 度 更加 清晰 , 分类 效果 更好 。 1<2 elab-addition elab-addition | |
| nlpabs53_Chi 225-235 236-270 通过 在 数据 集 Reuters -21578 上 的 实验 得知 , 基 于 包含 度 和 频繁 模式 的 文本 特征 选择 算法 性能 , 优 于 当前 普遍 应用 的 传统 文本 特征 选择 方法 和 新 的 特征 选择 及 特征 抽取 方法 。 225-270 225-270 通过 在 数据 集 Reuters -21578 上 的 实验 得知 , 基 于 包含 度 和 频繁 模式 的 文本 特征 选择 算法 性能 , 优 于 当前 普遍 应用 的 传统 文本 特征 选择 方法 和 新 的 特征 选择 及 特征 抽取 方法 。 通过 在 数据 集 Reuters -21578 上 的 实验 得知 , 基 于 包含 度 和 频繁 模式 的 文本 特征 选择 算法 性能 , 优 于 当前 普遍 应用 的 传统 文本 特征 选择 方法 和 新 的 特征 选择 及 特征 抽取 方法 。 1>2 attribution attribution | |
| nlpabs53_Chi 80-94 236-270 该文 提出 基 于 包含 度 和 频繁 模式 的 文本 特征 选择 方法 : 基 于 包含 度 和 频繁 模式 的 文本 特征 选择 算法 性能 , 优 于 当前 普遍 应用 的 传统 文本 特征 选择 方法 和 新 的 特征 选择 及 特征 抽取 方法 。 80-94 225-270 该文 提出 基 于 包含 度 和 频繁 模式 的 文本 特征 选择 方法 : 通过 在 数据 集 Reuters -21578 上 的 实验 得知 , 基 于 包含 度 和 频繁 模式 的 文本 特征 选择 算法 性能 , 优 于 当前 普遍 应用 的 传统 文本 特征 选择 方法 和 新 的 特征 选择 及 特征 抽取 方法 。 1<2 evaluation evaluation | |
| nlpabs59_Chi 1-18 78-101 现有 的 将 词 映射 为 单 一 向量 的 方法 没有 考虑 词 的 多义 性 , 该文 提出 了 一 种 基 于 非 残差 块 封装 的 门控 卷积 机制 加 以 层次 注意 力 机制 的 方法 , 1-70 71-154 现有 的 将 词 映射 为 单 一 向量 的 方法 没有 考虑 词 的 多义 性 , 从而 会 引发 歧义 问题 ; 映射 为 多 个 向量 或 高斯 分布 的 方法 虽然 考虑 了 词 的 多义 性 , 但 或多 或少 没能 有 效 利用 词序 、 句法 结构 和 词间 距离 等 信息 对 词 在 某一 固定 语境 中 语义 表达 的 影响 。 综合 考虑 以上 存在 的 问题 , 该文 提出 了 一 种 基 于 非 残差 块 封装 的 门控 卷积 机制 加 以 层次 注意 力 机制 的 方法 , 分别 在 所 选取 语境 窗口 中 词 的 子 语义 层 、 合成 语义 层 获得 非 对称 语境 窗 口 下 目标 单 词 的 合成 语义 向量 以 预测 目标 单词 , 并 按 此法 在 给定 语料 上 学习 得到 多 语 义 词 向量 的 计算 方法 。 1>2 bg-compare bg-compare | |
| nlpabs59_Chi 1-18 19-24 现有 的 将 词 映射 为 单 一 向量 的 方法 没有 考虑 词 的 多义 性 , 从而 会 引发 歧义 问题 ; 1-70 1-70 现有 的 将 词 映射 为 单 一 向量 的 方法 没有 考虑 词 的 多义 性 , 从而 会 引发 歧义 问题 ; 映射 为 多 个 向量 或 高斯 分布 的 方法 虽然 考虑 了 词 的 多义 性 , 但 或多 或少 没能 有 效 利用 词序 、 句法 结构 和 词间 距离 等 信息 对 词 在 某一 固定 语境 中 语义 表达 的 影响 。 现有 的 将 词 映射 为 单 一 向量 的 方法 没有 考虑 词 的 多义 性 , 从而 会 引发 歧义 问题 ; 映射 为 多 个 向量 或 高斯 分布 的 方法 虽然 考虑 了 词 的 多义 性 , 但 或多 或少 没能 有 效 利用 词序 、 句法 结构 和 词间 距离 等 信息 对 词 在 某一 固定 语境 中 语义 表达 的 影响 。 1<2 result result | |
| nlpabs59_Chi 1-18 25-42 现有 的 将 词 映射 为 单 一 向量 的 方法 没有 考虑 词 的 多义 性 , 映射 为 多 个 向量 或 高斯 分布 的 方法 虽然 考虑 了 词 的 多义 性 , 1-70 1-70 现有 的 将 词 映射 为 单 一 向量 的 方法 没有 考虑 词 的 多义 性 , 从而 会 引发 歧义 问题 ; 映射 为 多 个 向量 或 高斯 分布 的 方法 虽然 考虑 了 词 的 多义 性 , 但 或多 或少 没能 有 效 利用 词序 、 句法 结构 和 词间 距离 等 信息 对 词 在 某一 固定 语境 中 语义 表达 的 影响 。 现有 的 将 词 映射 为 单 一 向量 的 方法 没有 考虑 词 的 多义 性 , 从而 会 引发 歧义 问题 ; 映射 为 多 个 向量 或 高斯 分布 的 方法 虽然 考虑 了 词 的 多义 性 , 但 或多 或少 没能 有 效 利用 词序 、 句法 结构 和 词间 距离 等 信息 对 词 在 某一 固定 语境 中 语义 表达 的 影响 。 1<2 elab-addition elab-addition | |
| nlpabs59_Chi 25-42 43-70 映射 为 多 个 向量 或 高斯 分布 的 方法 虽然 考虑 了 词 的 多义 性 , 但 或多 或少 没能 有 效 利用 词序 、 句法 结构 和 词间 距离 等 信息 对 词 在 某一 固定 语境 中 语义 表达 的 影响 。 1-70 1-70 现有 的 将 词 映射 为 单 一 向量 的 方法 没有 考虑 词 的 多义 性 , 从而 会 引发 歧义 问题 ; 映射 为 多 个 向量 或 高斯 分布 的 方法 虽然 考虑 了 词 的 多义 性 , 但 或多 或少 没能 有 效 利用 词序 、 句法 结构 和 词间 距离 等 信息 对 词 在 某一 固定 语境 中 语义 表达 的 影响 。 现有 的 将 词 映射 为 单 一 向量 的 方法 没有 考虑 词 的 多义 性 , 从而 会 引发 歧义 问题 ; 映射 为 多 个 向量 或 高斯 分布 的 方法 虽然 考虑 了 词 的 多义 性 , 但 或多 或少 没能 有 效 利用 词序 、 句法 结构 和 词间 距离 等 信息 对 词 在 某一 固定 语境 中 语义 表达 的 影响 。 1<2 contrast contrast | |
| nlpabs59_Chi 71-77 78-101 综合 考虑 以上 存在 的 问题 , 该文 提出 了 一 种 基 于 非 残差 块 封装 的 门控 卷积 机制 加 以 层次 注意 力 机制 的 方法 , 71-154 71-154 综合 考虑 以上 存在 的 问题 , 该文 提出 了 一 种 基 于 非 残差 块 封装 的 门控 卷积 机制 加 以 层次 注意 力 机制 的 方法 , 分别 在 所 选取 语境 窗口 中 词 的 子 语义 层 、 合成 语义 层 获得 非 对称 语境 窗 口 下 目标 单 词 的 合成 语义 向量 以 预测 目标 单词 , 并 按 此法 在 给定 语料 上 学习 得到 多 语 义 词 向量 的 计算 方法 。 综合 考虑 以上 存在 的 问题 , 该文 提出 了 一 种 基 于 非 残差 块 封装 的 门控 卷积 机制 加 以 层次 注意 力 机制 的 方法 , 分别 在 所 选取 语境 窗口 中 词 的 子 语义 层 、 合成 语义 层 获得 非 对称 语境 窗 口 下 目标 单 词 的 合成 语义 向量 以 预测 目标 单词 , 并 按 此法 在 给定 语料 上 学习 得到 多 语 义 词 向量 的 计算 方法 。 1>2 elab-addition elab-addition | |
| nlpabs59_Chi 78-101 102-131 该文 提出 了 一 种 基 于 非 残差 块 封装 的 门控 卷积 机制 加 以 层次 注意 力 机制 的 方法 , 分别 在 所 选取 语境 窗口 中 词 的 子 语义 层 、 合成 语义 层 获得 非 对称 语境 窗 口 下 目标 单 词 的 合成 语义 向量 71-154 71-154 综合 考虑 以上 存在 的 问题 , 该文 提出 了 一 种 基 于 非 残差 块 封装 的 门控 卷积 机制 加 以 层次 注意 力 机制 的 方法 , 分别 在 所 选取 语境 窗口 中 词 的 子 语义 层 、 合成 语义 层 获得 非 对称 语境 窗 口 下 目标 单 词 的 合成 语义 向量 以 预测 目标 单词 , 并 按 此法 在 给定 语料 上 学习 得到 多 语 义 词 向量 的 计算 方法 。 综合 考虑 以上 存在 的 问题 , 该文 提出 了 一 种 基 于 非 残差 块 封装 的 门控 卷积 机制 加 以 层次 注意 力 机制 的 方法 , 分别 在 所 选取 语境 窗口 中 词 的 子 语义 层 、 合成 语义 层 获得 非 对称 语境 窗 口 下 目标 单 词 的 合成 语义 向量 以 预测 目标 单词 , 并 按 此法 在 给定 语料 上 学习 得到 多 语 义 词 向量 的 计算 方法 。 1<2 elab-addition elab-addition | |
| nlpabs59_Chi 102-131 132-136 分别 在 所 选取 语境 窗口 中 词 的 子 语义 层 、 合成 语义 层 获得 非 对称 语境 窗 口 下 目标 单 词 的 合成 语义 向量 以 预测 目标 单词 , 71-154 71-154 综合 考虑 以上 存在 的 问题 , 该文 提出 了 一 种 基 于 非 残差 块 封装 的 门控 卷积 机制 加 以 层次 注意 力 机制 的 方法 , 分别 在 所 选取 语境 窗口 中 词 的 子 语义 层 、 合成 语义 层 获得 非 对称 语境 窗 口 下 目标 单 词 的 合成 语义 向量 以 预测 目标 单词 , 并 按 此法 在 给定 语料 上 学习 得到 多 语 义 词 向量 的 计算 方法 。 综合 考虑 以上 存在 的 问题 , 该文 提出 了 一 种 基 于 非 残差 块 封装 的 门控 卷积 机制 加 以 层次 注意 力 机制 的 方法 , 分别 在 所 选取 语境 窗口 中 词 的 子 语义 层 、 合成 语义 层 获得 非 对称 语境 窗 口 下 目标 单 词 的 合成 语义 向量 以 预测 目标 单词 , 并 按 此法 在 给定 语料 上 学习 得到 多 语 义 词 向量 的 计算 方法 。 1<2 enablement enablement | |
| nlpabs59_Chi 102-131 137-154 分别 在 所 选取 语境 窗口 中 词 的 子 语义 层 、 合成 语义 层 获得 非 对称 语境 窗 口 下 目标 单 词 的 合成 语义 向量 并 按 此法 在 给定 语料 上 学习 得到 多 语 义 词 向量 的 计算 方法 。 71-154 71-154 综合 考虑 以上 存在 的 问题 , 该文 提出 了 一 种 基 于 非 残差 块 封装 的 门控 卷积 机制 加 以 层次 注意 力 机制 的 方法 , 分别 在 所 选取 语境 窗口 中 词 的 子 语义 层 、 合成 语义 层 获得 非 对称 语境 窗 口 下 目标 单 词 的 合成 语义 向量 以 预测 目标 单词 , 并 按 此法 在 给定 语料 上 学习 得到 多 语 义 词 向量 的 计算 方法 。 综合 考虑 以上 存在 的 问题 , 该文 提出 了 一 种 基 于 非 残差 块 封装 的 门控 卷积 机制 加 以 层次 注意 力 机制 的 方法 , 分别 在 所 选取 语境 窗口 中 词 的 子 语义 层 、 合成 语义 层 获得 非 对称 语境 窗 口 下 目标 单 词 的 合成 语义 向量 以 预测 目标 单词 , 并 按 此法 在 给定 语料 上 学习 得到 多 语 义 词 向量 的 计算 方法 。 1<2 elab-addition elab-addition | |
| nlpabs59_Chi 102-131 155-187 分别 在 所 选取 语境 窗口 中 词 的 子 语义 层 、 合成 语义 层 获得 非 对称 语境 窗 口 下 目标 单 词 的 合成 语义 向量 小 规模 语料 上 用 该 方法 得到 的 多 语义 词 向量 , 在 词类 比 任务 的 语义 类比 上 相比 于 基线 方法 准确 率 最高 可 提升 1.42% ; 71-154 155-221 综合 考虑 以上 存在 的 问题 , 该文 提出 了 一 种 基 于 非 残差 块 封装 的 门控 卷积 机制 加 以 层次 注意 力 机制 的 方法 , 分别 在 所 选取 语境 窗口 中 词 的 子 语义 层 、 合成 语义 层 获得 非 对称 语境 窗 口 下 目标 单 词 的 合成 语义 向量 以 预测 目标 单词 , 并 按 此法 在 给定 语料 上 学习 得到 多 语 义 词 向量 的 计算 方法 。 小 规模 语料 上 用 该 方法 得到 的 多 语义 词 向量 , 在 词类 比 任务 的 语义 类比 上 相比 于 基线 方法 准确 率 最高 可 提升 1.42% ; 在 Word Sim353 、 MC 、 RG 、 RW 等 计算 单词 相似 度 任务 的 数据 集上 相比 于 基线 方法 能够 达到 平均 2.11 的 性能 提升 , 最高 可到 5.47 。 1<2 evaluation evaluation | |
| nlpabs59_Chi 155-187 188-221 小 规模 语料 上 用 该 方法 得到 的 多 语义 词 向量 , 在 词类 比 任务 的 语义 类比 上 相比 于 基线 方法 准确 率 最高 可 提升 1.42% ; 在 Word Sim353 、 MC 、 RG 、 RW 等 计算 单词 相似 度 任务 的 数据 集上 相比 于 基线 方法 能够 达到 平均 2.11 的 性能 提升 , 最高 可到 5.47 。 155-221 155-221 小 规模 语料 上 用 该 方法 得到 的 多 语义 词 向量 , 在 词类 比 任务 的 语义 类比 上 相比 于 基线 方法 准确 率 最高 可 提升 1.42% ; 在 Word Sim353 、 MC 、 RG 、 RW 等 计算 单词 相似 度 任务 的 数据 集上 相比 于 基线 方法 能够 达到 平均 2.11 的 性能 提升 , 最高 可到 5.47 。 小 规模 语料 上 用 该 方法 得到 的 多 语义 词 向量 , 在 词类 比 任务 的 语义 类比 上 相比 于 基线 方法 准确 率 最高 可 提升 1.42% ; 在 Word Sim353 、 MC 、 RG 、 RW 等 计算 单词 相似 度 任务 的 数据 集上 相比 于 基线 方法 能够 达到 平均 2.11 的 性能 提升 , 最高 可到 5.47 。 1<2 joint joint | |
| nlpabs59_Chi 155-187 222-246 小 规模 语料 上 用 该 方法 得到 的 多 语义 词 向量 , 在 词类 比 任务 的 语义 类比 上 相比 于 基线 方法 准确 率 最高 可 提升 1.42% ; 在 语言 建模 实验 上 , 该 方法 的 语言 模型 性能 相比 于 其他 预测 目标 单词 的 方法 也 有 显著 提升 。 155-221 222-246 小 规模 语料 上 用 该 方法 得到 的 多 语义 词 向量 , 在 词类 比 任务 的 语义 类比 上 相比 于 基线 方法 准确 率 最高 可 提升 1.42% ; 在 Word Sim353 、 MC 、 RG 、 RW 等 计算 单词 相似 度 任务 的 数据 集上 相比 于 基线 方法 能够 达到 平均 2.11 的 性能 提升 , 最高 可到 5.47 。 在 语言 建模 实验 上 , 该 方法 的 语言 模型 性能 相比 于 其他 预测 目标 单词 的 方法 也 有 显著 提升 。 1<2 joint joint | |
| nlpabs91_Chi 1-12 78-91 古代 汉 语 是 中国 语言 文学 专业 的 核心 课程 , 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 1-40 41-174 古代 汉 语 是 中国 语言 文学 专业 的 核心 课程 , 然而 现有 教材 编写 在 篇章 选择 、 内容 编排 和 知识 点 取舍 上 多 基 于 主观 经验 , 教学 成 效难 以 量化 评估 。 该 文 基 于 先秦 典型 文献 的 词汇 现象 的 频率 、 重要 程度 以及 古今 词义 的 差异 , 讨论 了 面向 古代 汉 语 教学 的 词汇 知识 点 语料 库 的 建设 , 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 并 以 王 力 主编 《 古代 汉 语 》 和 王 硕 编著 《 汉 语 古文 读本 》 两 种 性质 不同 、 文选 编排 顺序 不同 的 教材 作 为 个案 , 对比 分析 了 两 部 教材 的 篇幅 、 知识 点 分布 和 学习 曲线 , 从 量化 数据 上 佐证 了 学界 对 两 种 不同 性质 教材 的 定性 认识 , 同时 也 证明 所 提出 的 教材 预期 成效 评估 方法 的 合理 性 。 1>2 bg-general bg-general | |
| nlpabs91_Chi 1-12 13-33 古代 汉 语 是 中国 语言 文学 专业 的 核心 课程 , 然而 现有 教材 编写 在 篇章 选择 、 内容 编排 和 知识 点 取舍 上 多 基 于 主观 经验 , 1-40 1-40 古代 汉 语 是 中国 语言 文学 专业 的 核心 课程 , 然而 现有 教材 编写 在 篇章 选择 、 内容 编排 和 知识 点 取舍 上 多 基 于 主观 经验 , 教学 成 效难 以 量化 评估 。 古代 汉 语 是 中国 语言 文学 专业 的 核心 课程 , 然而 现有 教材 编写 在 篇章 选择 、 内容 编排 和 知识 点 取舍 上 多 基 于 主观 经验 , 教学 成 效难 以 量化 评估 。 1<2 elab-addition elab-addition | |
| nlpabs91_Chi 13-33 34-40 然而 现有 教材 编写 在 篇章 选择 、 内容 编排 和 知识 点 取舍 上 多 基 于 主观 经验 , 教学 成 效难 以 量化 评估 。 1-40 1-40 古代 汉 语 是 中国 语言 文学 专业 的 核心 课程 , 然而 现有 教材 编写 在 篇章 选择 、 内容 编排 和 知识 点 取舍 上 多 基 于 主观 经验 , 教学 成 效难 以 量化 评估 。 古代 汉 语 是 中国 语言 文学 专业 的 核心 课程 , 然而 现有 教材 编写 在 篇章 选择 、 内容 编排 和 知识 点 取舍 上 多 基 于 主观 经验 , 教学 成 效难 以 量化 评估 。 1<2 elab-addition elab-addition | |
| nlpabs91_Chi 41-61 78-91 该 文 基 于 先秦 典型 文献 的 词汇 现象 的 频率 、 重要 程度 以及 古今 词义 的 差异 , 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 41-174 41-174 该 文 基 于 先秦 典型 文献 的 词汇 现象 的 频率 、 重要 程度 以及 古今 词义 的 差异 , 讨论 了 面向 古代 汉 语 教学 的 词汇 知识 点 语料 库 的 建设 , 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 并 以 王 力 主编 《 古代 汉 语 》 和 王 硕 编著 《 汉 语 古文 读本 》 两 种 性质 不同 、 文选 编排 顺序 不同 的 教材 作 为 个案 , 对比 分析 了 两 部 教材 的 篇幅 、 知识 点 分布 和 学习 曲线 , 从 量化 数据 上 佐证 了 学界 对 两 种 不同 性质 教材 的 定性 认识 , 同时 也 证明 所 提出 的 教材 预期 成效 评估 方法 的 合理 性 。 该 文 基 于 先秦 典型 文献 的 词汇 现象 的 频率 、 重要 程度 以及 古今 词义 的 差异 , 讨论 了 面向 古代 汉 语 教学 的 词汇 知识 点 语料 库 的 建设 , 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 并 以 王 力 主编 《 古代 汉 语 》 和 王 硕 编著 《 汉 语 古文 读本 》 两 种 性质 不同 、 文选 编排 顺序 不同 的 教材 作 为 个案 , 对比 分析 了 两 部 教材 的 篇幅 、 知识 点 分布 和 学习 曲线 , 从 量化 数据 上 佐证 了 学界 对 两 种 不同 性质 教材 的 定性 认识 , 同时 也 证明 所 提出 的 教材 预期 成效 评估 方法 的 合理 性 。 1>2 manner-means manner-means | |
| nlpabs91_Chi 41-61 62-77 该 文 基 于 先秦 典型 文献 的 词汇 现象 的 频率 、 重要 程度 以及 古今 词义 的 差异 , 讨论 了 面向 古代 汉 语 教学 的 词汇 知识 点 语料 库 的 建设 , 41-174 41-174 该 文 基 于 先秦 典型 文献 的 词汇 现象 的 频率 、 重要 程度 以及 古今 词义 的 差异 , 讨论 了 面向 古代 汉 语 教学 的 词汇 知识 点 语料 库 的 建设 , 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 并 以 王 力 主编 《 古代 汉 语 》 和 王 硕 编著 《 汉 语 古文 读本 》 两 种 性质 不同 、 文选 编排 顺序 不同 的 教材 作 为 个案 , 对比 分析 了 两 部 教材 的 篇幅 、 知识 点 分布 和 学习 曲线 , 从 量化 数据 上 佐证 了 学界 对 两 种 不同 性质 教材 的 定性 认识 , 同时 也 证明 所 提出 的 教材 预期 成效 评估 方法 的 合理 性 。 该 文 基 于 先秦 典型 文献 的 词汇 现象 的 频率 、 重要 程度 以及 古今 词义 的 差异 , 讨论 了 面向 古代 汉 语 教学 的 词汇 知识 点 语料 库 的 建设 , 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 并 以 王 力 主编 《 古代 汉 语 》 和 王 硕 编著 《 汉 语 古文 读本 》 两 种 性质 不同 、 文选 编排 顺序 不同 的 教材 作 为 个案 , 对比 分析 了 两 部 教材 的 篇幅 、 知识 点 分布 和 学习 曲线 , 从 量化 数据 上 佐证 了 学界 对 两 种 不同 性质 教材 的 定性 认识 , 同时 也 证明 所 提出 的 教材 预期 成效 评估 方法 的 合理 性 。 1<2 joint joint | |
| nlpabs91_Chi 78-91 92-126 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 并 以 王 力 主编 《 古代 汉 语 》 和 王 硕 编著 《 汉 语 古文 读本 》 两 种 性质 不同 、 文选 编排 顺序 不同 的 教材 作 为 个案 , 41-174 41-174 该 文 基 于 先秦 典型 文献 的 词汇 现象 的 频率 、 重要 程度 以及 古今 词义 的 差异 , 讨论 了 面向 古代 汉 语 教学 的 词汇 知识 点 语料 库 的 建设 , 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 并 以 王 力 主编 《 古代 汉 语 》 和 王 硕 编著 《 汉 语 古文 读本 》 两 种 性质 不同 、 文选 编排 顺序 不同 的 教材 作 为 个案 , 对比 分析 了 两 部 教材 的 篇幅 、 知识 点 分布 和 学习 曲线 , 从 量化 数据 上 佐证 了 学界 对 两 种 不同 性质 教材 的 定性 认识 , 同时 也 证明 所 提出 的 教材 预期 成效 评估 方法 的 合理 性 。 该 文 基 于 先秦 典型 文献 的 词汇 现象 的 频率 、 重要 程度 以及 古今 词义 的 差异 , 讨论 了 面向 古代 汉 语 教学 的 词汇 知识 点 语料 库 的 建设 , 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 并 以 王 力 主编 《 古代 汉 语 》 和 王 硕 编著 《 汉 语 古文 读本 》 两 种 性质 不同 、 文选 编排 顺序 不同 的 教材 作 为 个案 , 对比 分析 了 两 部 教材 的 篇幅 、 知识 点 分布 和 学习 曲线 , 从 量化 数据 上 佐证 了 学界 对 两 种 不同 性质 教材 的 定性 认识 , 同时 也 证明 所 提出 的 教材 预期 成效 评估 方法 的 合理 性 。 1<2 joint joint | |
| nlpabs91_Chi 92-126 127-142 并 以 王 力 主编 《 古代 汉 语 》 和 王 硕 编著 《 汉 语 古文 读本 》 两 种 性质 不同 、 文选 编排 顺序 不同 的 教材 作 为 个案 , 对比 分析 了 两 部 教材 的 篇幅 、 知识 点 分布 和 学习 曲线 , 41-174 41-174 该 文 基 于 先秦 典型 文献 的 词汇 现象 的 频率 、 重要 程度 以及 古今 词义 的 差异 , 讨论 了 面向 古代 汉 语 教学 的 词汇 知识 点 语料 库 的 建设 , 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 并 以 王 力 主编 《 古代 汉 语 》 和 王 硕 编著 《 汉 语 古文 读本 》 两 种 性质 不同 、 文选 编排 顺序 不同 的 教材 作 为 个案 , 对比 分析 了 两 部 教材 的 篇幅 、 知识 点 分布 和 学习 曲线 , 从 量化 数据 上 佐证 了 学界 对 两 种 不同 性质 教材 的 定性 认识 , 同时 也 证明 所 提出 的 教材 预期 成效 评估 方法 的 合理 性 。 该 文 基 于 先秦 典型 文献 的 词汇 现象 的 频率 、 重要 程度 以及 古今 词义 的 差异 , 讨论 了 面向 古代 汉 语 教学 的 词汇 知识 点 语料 库 的 建设 , 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 并 以 王 力 主编 《 古代 汉 语 》 和 王 硕 编著 《 汉 语 古文 读本 》 两 种 性质 不同 、 文选 编排 顺序 不同 的 教材 作 为 个案 , 对比 分析 了 两 部 教材 的 篇幅 、 知识 点 分布 和 学习 曲线 , 从 量化 数据 上 佐证 了 学界 对 两 种 不同 性质 教材 的 定性 认识 , 同时 也 证明 所 提出 的 教材 预期 成效 评估 方法 的 合理 性 。 1<2 elab-addition elab-addition | |
| nlpabs91_Chi 127-142 143-159 对比 分析 了 两 部 教材 的 篇幅 、 知识 点 分布 和 学习 曲线 , 从 量化 数据 上 佐证 了 学界 对 两 种 不同 性质 教材 的 定性 认识 , 41-174 41-174 该 文 基 于 先秦 典型 文献 的 词汇 现象 的 频率 、 重要 程度 以及 古今 词义 的 差异 , 讨论 了 面向 古代 汉 语 教学 的 词汇 知识 点 语料 库 的 建设 , 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 并 以 王 力 主编 《 古代 汉 语 》 和 王 硕 编著 《 汉 语 古文 读本 》 两 种 性质 不同 、 文选 编排 顺序 不同 的 教材 作 为 个案 , 对比 分析 了 两 部 教材 的 篇幅 、 知识 点 分布 和 学习 曲线 , 从 量化 数据 上 佐证 了 学界 对 两 种 不同 性质 教材 的 定性 认识 , 同时 也 证明 所 提出 的 教材 预期 成效 评估 方法 的 合理 性 。 该 文 基 于 先秦 典型 文献 的 词汇 现象 的 频率 、 重要 程度 以及 古今 词义 的 差异 , 讨论 了 面向 古代 汉 语 教学 的 词汇 知识 点 语料 库 的 建设 , 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 并 以 王 力 主编 《 古代 汉 语 》 和 王 硕 编著 《 汉 语 古文 读本 》 两 种 性质 不同 、 文选 编排 顺序 不同 的 教材 作 为 个案 , 对比 分析 了 两 部 教材 的 篇幅 、 知识 点 分布 和 学习 曲线 , 从 量化 数据 上 佐证 了 学界 对 两 种 不同 性质 教材 的 定性 认识 , 同时 也 证明 所 提出 的 教材 预期 成效 评估 方法 的 合理 性 。 1<2 elab-addition elab-addition | |
| nlpabs91_Chi 143-159 160-174 从 量化 数据 上 佐证 了 学界 对 两 种 不同 性质 教材 的 定性 认识 , 同时 也 证明 所 提出 的 教材 预期 成效 评估 方法 的 合理 性 。 41-174 41-174 该 文 基 于 先秦 典型 文献 的 词汇 现象 的 频率 、 重要 程度 以及 古今 词义 的 差异 , 讨论 了 面向 古代 汉 语 教学 的 词汇 知识 点 语料 库 的 建设 , 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 并 以 王 力 主编 《 古代 汉 语 》 和 王 硕 编著 《 汉 语 古文 读本 》 两 种 性质 不同 、 文选 编排 顺序 不同 的 教材 作 为 个案 , 对比 分析 了 两 部 教材 的 篇幅 、 知识 点 分布 和 学习 曲线 , 从 量化 数据 上 佐证 了 学界 对 两 种 不同 性质 教材 的 定性 认识 , 同时 也 证明 所 提出 的 教材 预期 成效 评估 方法 的 合理 性 。 该 文 基 于 先秦 典型 文献 的 词汇 现象 的 频率 、 重要 程度 以及 古今 词义 的 差异 , 讨论 了 面向 古代 汉 语 教学 的 词汇 知识 点 语料 库 的 建设 , 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 并 以 王 力 主编 《 古代 汉 语 》 和 王 硕 编著 《 汉 语 古文 读本 》 两 种 性质 不同 、 文选 编排 顺序 不同 的 教材 作 为 个案 , 对比 分析 了 两 部 教材 的 篇幅 、 知识 点 分布 和 学习 曲线 , 从 量化 数据 上 佐证 了 学界 对 两 种 不同 性质 教材 的 定性 认识 , 同时 也 证明 所 提出 的 教材 预期 成效 评估 方法 的 合理 性 。 1<2 joint joint | |
| nlpabs91_Chi 127-142 175-184 对比 分析 了 两 部 教材 的 篇幅 、 知识 点 分布 和 学习 曲线 , 进 一 步 讨论 了 文选 的 重新 排序 , 41-174 175-195 该 文 基 于 先秦 典型 文献 的 词汇 现象 的 频率 、 重要 程度 以及 古今 词义 的 差异 , 讨论 了 面向 古代 汉 语 教学 的 词汇 知识 点 语料 库 的 建设 , 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 并 以 王 力 主编 《 古代 汉 语 》 和 王 硕 编著 《 汉 语 古文 读本 》 两 种 性质 不同 、 文选 编排 顺序 不同 的 教材 作 为 个案 , 对比 分析 了 两 部 教材 的 篇幅 、 知识 点 分布 和 学习 曲线 , 从 量化 数据 上 佐证 了 学界 对 两 种 不同 性质 教材 的 定性 认识 , 同时 也 证明 所 提出 的 教材 预期 成效 评估 方法 的 合理 性 。 进 一 步 讨论 了 文选 的 重新 排序 , 获得 了 更加 符合 循序渐进 教学 过程 的 学习 曲线 。 1<2 progression progression | |
| nlpabs91_Chi 175-184 185-195 进 一 步 讨论 了 文选 的 重新 排序 , 获得 了 更加 符合 循序渐进 教学 过程 的 学习 曲线 。 175-195 175-195 进 一 步 讨论 了 文选 的 重新 排序 , 获得 了 更加 符合 循序渐进 教学 过程 的 学习 曲线 。 进 一 步 讨论 了 文选 的 重新 排序 , 获得 了 更加 符合 循序渐进 教学 过程 的 学习 曲线 。 1<2 enablement enablement | |
| nlpabs91_Chi 78-91 196-217 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 基 于 语料 库 的 古代 汉 语 教材 预期 成效 评估 方法 不仅 为 教材 评估 提供 了 量化 方法 , 41-174 196-239 该 文 基 于 先秦 典型 文献 的 词汇 现象 的 频率 、 重要 程度 以及 古今 词义 的 差异 , 讨论 了 面向 古代 汉 语 教学 的 词汇 知识 点 语料 库 的 建设 , 提出 了 古代 汉 语 教材 词汇 教学 预期 成效 的 计算 方法 , 并 以 王 力 主编 《 古代 汉 语 》 和 王 硕 编著 《 汉 语 古文 读本 》 两 种 性质 不同 、 文选 编排 顺序 不同 的 教材 作 为 个案 , 对比 分析 了 两 部 教材 的 篇幅 、 知识 点 分布 和 学习 曲线 , 从 量化 数据 上 佐证 了 学界 对 两 种 不同 性质 教材 的 定性 认识 , 同时 也 证明 所 提出 的 教材 预期 成效 评估 方法 的 合理 性 。 基 于 语料 库 的 古代 汉 语 教材 预期 成效 评估 方法 不仅 为 教材 评估 提供 了 量化 方法 , 也 为 成效 导向 教学 在 古代 汉 语 课程 的 应用 提供 了 探索 性 的 思路 和 基础 数据 。 1<2 elab-addition elab-addition | |
| nlpabs91_Chi 196-217 218-239 基 于 语料 库 的 古代 汉 语 教材 预期 成效 评估 方法 不仅 为 教材 评估 提供 了 量化 方法 , 也 为 成效 导向 教学 在 古代 汉 语 课程 的 应用 提供 了 探索 性 的 思路 和 基础 数据 。 196-239 196-239 基 于 语料 库 的 古代 汉 语 教材 预期 成效 评估 方法 不仅 为 教材 评估 提供 了 量化 方法 , 也 为 成效 导向 教学 在 古代 汉 语 课程 的 应用 提供 了 探索 性 的 思路 和 基础 数据 。 基 于 语料 库 的 古代 汉 语 教材 预期 成效 评估 方法 不仅 为 教材 评估 提供 了 量化 方法 , 也 为 成效 导向 教学 在 古代 汉 语 课程 的 应用 提供 了 探索 性 的 思路 和 基础 数据 。 1<2 joint joint | |