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