检索结果-内蒙古大学图书馆

武汉大学学报（理学版） 2020年第3期66卷 253-260页

作者：邓洲刘茂福胡慧君冯文贺武汉科技大学计算机科学与技术学院湖北武汉430065 武汉科技大学智能信息处理与实时工业系统湖北省重点实验室湖北武汉430065 广东外语外贸大学语言工程与计算实验室广东广州510420

为了从更深层次语义信息来描述图像,定义了图像、文本、事件文本、事件图、图像关键要素和文本关键要素六元组,以六元组为对象建立了中文图文数据集。基于事件语义模型与事件语义标注规范,在对采集的图像文本标注事件语义角色与事件关... 详细信息

为了从更深层次语义信息来描述图像,定义了图像、文本、事件文本、事件图、图像关键要素和文本关键要素六元组,以六元组为对象建立了中文图文数据集。基于事件语义模型与事件语义标注规范,在对采集的图像文本标注事件语义角色与事件关系的基础上,采用事件图对其语义进行形式化表示。对该中文图文数据集的统计分析表明,该数据集中各个事件语义角色都有所涉及且分布适中,图文对应区域数量相对句子长度表现适中,图文对数据质量较高。

关键词：图像标题生成事件语义角色图文数据集事件图

来源：评论

学校读者我要写书评

暂无评论

混合BERT和宽度学习的低时间复杂度短文本分类

引用

山东大学学报（工学版） 2024年第4期54卷 51-58,66页

作者：陈晓江杨晓奇陈广豪刘伍颖广东开放大学揭阳分校信息科广东揭阳522095 广东外语外贸大学信息科学与技术学院广东广州510006 广州软件学院软件工程系广东广州510990 鲁东大学山东省语言资源开发与应用重点实验室山东烟台264025 广东外语外贸大学外国语言学及应用语言学研究中心广东广州510420

针对短文本分类任务效率低下和精度不高的问题,提出混合基于Transformer的双向编码器表示和宽度学习分类器(hybrid bidirectional encoder representations from transformer and broad learning, BERT-BL)的高效率和高精度文本分类模型。对基于Transformer的双向编码器表示(bidirectional encoder representation from transformer, BERT)进行微调以更新BERT的参数。使用微调好的BERT将短文本映射成对应的词向量矩阵,将词向量矩阵输入宽度学习(broad learning, BL)分类器中以完成分类任务。试验结果显示,BERT-BL模型在3个公共数据集上的准确率均达到最优;所需要的时间仅为基线模型支持向量机(support vector machine, SVM)、长短期记忆网络(long short-term memory, LSTM)、最小p范数宽度学习(minimum p-norm broad learning,p-BL)和BERT的几十分之一,而且训练过程不需要高性能显卡的参与。通过对比分析,BERT-BL模型不仅在短文本任务中具有良好的性能,而且能节省大量训练时间成本。

关键词：短文本分类 BERT-BL BERT 宽度学习高精度

来源：评论

学校读者我要写书评

暂无评论

低资源场景下印尼语-汉语机器翻译模型对比分析研究

引用

湖南工业大学学报 2020年第3期34卷 10-16页

作者：李霞马骏腾肖莉娴王连喜广东外语外贸大学广州市非通用语种智能处理重点实验室广东广州510006 广东外语外贸大学信息科学与技术学院广东广州510006 广东外语外贸大学东方语言文化学院广东广州510006

低资源场景下神经机器翻译模型的翻译效果通常不如大规模训练数据下的模型翻译效果好。针对这个问题,选取RNN-based和Transformer-based两个主流神经机器翻译模型进行研究,探究在印尼语到汉语翻译在低资源场景下的机器翻译效果,并通过... 详细信息

低资源场景下神经机器翻译模型的翻译效果通常不如大规模训练数据下的模型翻译效果好。针对这个问题,选取RNN-based和Transformer-based两个主流神经机器翻译模型进行研究,探究在印尼语到汉语翻译在低资源场景下的机器翻译效果,并通过实验分析和案例分析,给出两种模型在印尼语到汉语低资源场景下翻译的适应性分析。

关键词：神经机器翻译序列到序列翻译模型低资源语言印尼语-汉语 Transformer

来源：评论

学校读者我要写书评

暂无评论

融合Self-Attention机制和n-gram卷积核的印尼语复合名词自动识别方法研究

引用

湖南工业大学学报 2020年第3期34卷 1-9页

作者：丘心颖陈汉武陈源谭立聪张皓肖莉娴广东外语外贸大学广州市非通用语种智能处理重点实验室广东广州510006 广东外语外贸大学信息科学与技术学院广东广州510006 广东外语外贸大学东方语言文化学院广东广州510006

针对印尼语复合名词短语自动识别,提出一种融合Self-Attention机制、n-gram卷积核的神经网络和统计模型相结合的方法,改进现有的多词表达抽取模型。在现有SHOMA模型的基础上,使用多层CNN和Self-Attention机制进行改进。对Universal Depe... 详细信息

针对印尼语复合名词短语自动识别,提出一种融合Self-Attention机制、n-gram卷积核的神经网络和统计模型相结合的方法,改进现有的多词表达抽取模型。在现有SHOMA模型的基础上,使用多层CNN和Self-Attention机制进行改进。对Universal Dependencies公开的印尼语数据进行复合名词短语自动识别的对比实验,结果表明:TextCNN+Self-Attention+CRF模型取得32.20的短语多词识别F1值和32.34的短语单字识别F1值,比SHOMA模型分别提升了4.93%和3.04%。

关键词：印尼语复合名词短语 Self-Attention机制卷积神经网络自动识别条件随机场

来源：评论

学校读者我要写书评

暂无评论

融合深度神经网络与统计学习的印地语词性标注方法研究

引用

湖南工业大学学报 2020年第3期34卷 17-22页

作者：王连喜钟准丁曾强邓致妍李霞广东外语外贸大学广州市非通用语种智能处理重点实验室广东广州510006 广东外语外贸大学信息科学与技术学院广东广州510006 广东外语外贸大学日语语言文化学院广东广州510006

针对统计模型受限于标注语料规模且不能捕获标注序列的上下文信息问题,提出一种融合深度学习和统计学习的印地语词性标注模型。该模型具有3层逻辑结构,首先在词表示层采用深度神经网络框架训练出印地语单词的形态特征,并利用word2vec方... 详细信息

针对统计模型受限于标注语料规模且不能捕获标注序列的上下文信息问题,提出一种融合深度学习和统计学习的印地语词性标注模型。该模型具有3层逻辑结构,首先在词表示层采用深度神经网络框架训练出印地语单词的形态特征,并利用word2vec方法对语料训练生成具有语义信息的低维度稠密实数词向量,然后在序列表示层将形态特征和词向量作为深度神经网络模型的输入并进行训练,得到输入序列的信息特征,最后在CRF推理层利用深度神经网络模型的输出状态和当前的转移概率矩阵作为CRF模型的参数,最终得到最优的标签序列。对提出的方法与其他方法进行了对比实验,结果表明融合深度学习和统计模型的方法较其他几种统计模型的性能有显著的提升。

关键词：印地语词性标注深度神经网络统计学习条件随机场

来源：评论

学校读者我要写书评

暂无评论

文本特征和图结点混合增强的图卷积网络文本分类

引用

新疆大学学报（自然科学版）（中英文） 2024年第1期41卷 69-77,109页

作者：杨晓奇刘伍颖广东外语外贸大学信息科学与技术学院广东广州510006 鲁东大学山东省语言资源开发与应用重点实验室山东烟台264025 广东外语外贸大学外国语言学及应用语言学研究中心广东广州510420

在BertGCN模型的基础上改进其结构,同时结合文本特征和图结点混合增强的方法,使用新的边权重计算算法BM25+构造图的边.使用R8、R52、Ohsumed和MR这4个常用的公开数据集来验证所提方法的有效性.结果表明:与BertGCN模型及其它基线模型相比... 详细信息

在BertGCN模型的基础上改进其结构,同时结合文本特征和图结点混合增强的方法,使用新的边权重计算算法BM25+构造图的边.使用R8、R52、Ohsumed和MR这4个常用的公开数据集来验证所提方法的有效性.结果表明:与BertGCN模型及其它基线模型相比,该方法在4个文本分类数据集上的准确率评价指标均有不同程度的提升.

关键词： BM25+ 文本特征增强图结点增强预训练模型图卷积网络文本分类

来源：评论

学校读者我要写书评

暂无评论

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：

请选择收藏分类：

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

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：