检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

-

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

2 篇 学位论文

馆藏范围

2 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

1 篇 文学
- 1 篇 外国语言文学
1 篇 工学
- 1 篇 计算机科学与技术...
- 1 篇 软件工程

主题

2 篇 lstm语言模型
1 篇 机器翻译
1 篇 流水线
1 篇 缩略语
1 篇 中文文本自动校对
1 篇 领域多义术语
1 篇 n-gram语言模型
1 篇 领域一致性

机构

1 篇 中国科学技术信息...
1 篇 重庆邮电大学

作者

1 篇 杨宗宇
1 篇 孙玥莹

语言

2 篇 中文

检索条件"主题词=LSTM语言模型"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

中文文本检错和纠错效率优化研究与实现

中文文本检错和纠错效率优化研究与实现

引用

作者：杨宗宇重庆邮电大学

学位级别：硕士

伴随着互联网时代的飞速发展,互联网数据急速增长,但信息质量却在不断下降,文字误用成了亟待解决的难题。传统人工校正的方法耗时长且效率低,难以解决庞大的数据需求问题。因此,中文文本自动校对技术的研究具有深刻的实际意义。本文对... 详细信息

伴随着互联网时代的飞速发展,互联网数据急速增长,但信息质量却在不断下降,文字误用成了亟待解决的难题。传统人工校正的方法耗时长且效率低,难以解决庞大的数据需求问题。因此,中文文本自动校对技术的研究具有深刻的实际意义。本文对中文文本的错误来源和错误类型进行了分析,将中文文本的错误类型划分为“非词错误”和“真词错误”,然后针对不同类型的错误采用不同的校对算法。中文文本自动校对任务通常分为查错和纠错两个环节,本文针对这两个方面做了以下研究:1.在查错阶段,对于“非词错误”,本文利用基于规则和词典的方法进行检测。通过对句子进行分词处理,对分词结果进行查字典分析,对于连续的散串和字典中并不存在的词则认为是错误字词。对于“真词错误”,利用N-gram语言模型进行相邻词组间的接续分析,若两个词组间的概率值小于阈值则认为该词存在错误。2.在纠错阶段,本文分析了N-gram语言模型和长短时记忆网络(Long Short Term Memory Networks,lstm)语言模型各自的特点,提出了一种基于Tri-gram和lstm语言模型的联合校对算法。先利用Tri-gram语言模型对句子进行打分,如果句子的分值差异过小,则用lstm语言模型进行第二次打分进一步排歧,最后比较所有候选句的得分并将得分排名第一的候选句作为纠错建议输出,从而达到提高纠错正确率的效果。***语言模型虽然能够更好地把握字词间的长距离信息,但模型的计算速度较慢,为提高lstm模型的纠错效率,本文提出了一种基于前缀树合并的优化方案。通过对大量的纠错候选句进行分析后发现,同一个句子的各个纠错候选句之间存在高度的相似性,可以将各个候选句相似的部分合并形成前缀树,然后使用多线程流水线的方法对各个句子的概率得分进行并行计算。通过使用上述优化方案,能够在联合校对算法的基础上进一步提高lstm语言模型的纠错效率。最后,本文对上述校对方法在测试集上进行测试,实验结果表明,本文提出的优化方案能够使纠错性能和纠错速率在原基础上得到较大提升。

关键词：中文文本自动校对 N-gram语言模型 lstm语言模型流水线

来源：评论

学校读者我要写书评

暂无评论

融合领域信息的术语与缩略语机器翻译方法研究

融合领域信息的术语与缩略语机器翻译方法研究

引用

作者：孙玥莹中国科学技术信息研究所

学位级别：硕士

术语是领域专家用来刻画、描写领域知识的基本信息承载单元，也是科技文献的核心成分，因此术语翻译的准确性将直接影响到科技文献翻译的整体质量。机器翻译系统在翻译篇章级别的科技文献时，通常采用切分句子、逐句翻译再合并翻译的流... 详细信息

术语是领域专家用来刻画、描写领域知识的基本信息承载单元，也是科技文献的核心成分，因此术语翻译的准确性将直接影响到科技文献翻译的整体质量。机器翻译系统在翻译篇章级别的科技文献时，通常采用切分句子、逐句翻译再合并翻译的流程。此种翻译策略导致机器翻译系统在句子语境中对其中的术语进行翻译时，通常会遇到两个问题:1)领域不一致:术语具有较强的领域属性，在不同领域和上下文语境中，翻译会有差异，这种在领域发生变化时导致的翻译差异性仅仅依靠机器翻译系统中的语言模型以及对源语言句子的注意力机制难以甄别。2)缩略翻译问题:多数术语由多词组成，在科技文献中经常以缩略语形式出现。同一缩略语通常具有多个全称，对应了多个含义。机器翻译系统翻译缩略语的时候，无论是移译还是还原翻译，翻译系统只能获取到句子的语境信息，当缺乏篇章信息和领域属性时常常出现缩略语的翻译错误。为了改善上述两个问题，本文着重改善机器翻译系统在句子语境中对于术语和缩略语的翻译问题。\n 针对领域不一致问题，本文设计了一个基于领域知识库的多义术语翻译模型:该模型使用中图分类号集合作为术语的显性领域信息，利用科技词系统和科技论文等领域知识库构建了领域多义术语词典，为术语翻译提供译文;从领域性和语言模型两个维度对术语译文进行筛选，帮助改善句子的译文。实验表明，该模型可以提高一般术语所在文本的整体翻译质量，BLEU得分提升了0.5个百分点。\n 对于缩略翻译问题，本文构建了一个融合篇章信息和领域信息的缩略语翻译模型。该模型引入缩略语的篇章信息和领域信息，篇章信息记录每个缩略语在篇章中出现的位置信息，帮助翻译系统在缩略语首次出现的时候给出全称翻译，以声明该缩略语的具体含义，在之后出现的时候给出简称，使篇章的翻译保持简洁。领域信息记录缩略语的领域属性，保证缩略语的全称翻译和句子所属的领域属性一致，从而改善篇章的翻译。实验表明，根据领域属性对缩略语全称译文筛选的准确率达到了93.8％，BLEU得分提升了0.82个百分点。\n 综上所述，本文提出的基于领域知识库的多义术语翻译模型和融合篇章信息和领域信息的缩略语翻译模型可以通过改善句子语境中术语和缩略语的翻译提升整个句子乃至篇章的翻译质量;实证研究也一定程度上说明了方法的有效性。

关键词：机器翻译领域一致性领域多义术语 lstm语言模型缩略语

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

共1页 << < 1 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：