检索结果-内蒙古大学图书馆

计算机技术与发展 2016年第9期26卷 73-77页

作者：李霞尹川东袁云广东外语外贸大学语言工程与计算实验室广东广州510006 广东外语外贸大学信息学院广东广州510006

随着自助游群体的增加,越来越多的人希望能够在满足用户特定需求(如限定旅游天数、旅游费用、住宿标准等)的前提下,获取自动生成的可供参考的包括旅游景点、价格和住宿一体化的旅游推荐路线,并能够可视化呈现给用户。蚁群算法和遗传算法... 详细信息

随着自助游群体的增加,越来越多的人希望能够在满足用户特定需求(如限定旅游天数、旅游费用、住宿标准等)的前提下,获取自动生成的可供参考的包括旅游景点、价格和住宿一体化的旅游推荐路线,并能够可视化呈现给用户。蚁群算法和遗传算法是0-1背包问题中的两种经典算法,通过建立应用于个性化旅游路线推荐问题中的数学模型,将蚁群算法和遗传算法应用于旅游路线个性化推荐中。依据文中所提出的最优路线推荐分值评价方法,对所选取的推荐算法进行了分析和测试。实验结果表明,优化后的蚁群算法和遗传算法均优于传统蚁群算法和遗传算法,并且从综合性能看,基于贪心解的混合遗传算法可有效应用于旅游路线个性化推荐中。

关键词：旅游路线自动规划旅游挖掘遗传算法贪心算法最大最小蚁群算法

来源：评论

学校读者我要写书评

暂无评论

《现代汉语词典》中复杂词汇单位立目分析——词汇化视角

引用

辞书研究 2020年第2期 10-19,I0001页

作者：于屏方杜家利广东外语外贸大学中文学院广州510420 广东外语外贸大学语言工程与计算重点实验室广州510420

复杂词汇单位指在形式上大于词,功能上等于词的语言单位。在《现代汉语词典》各版本中,复杂词汇单位主要采取三种立目策略:分解策略、整体策略和兼容策略,但一部分复杂词汇单位立目策略的选择没有充分考虑复杂词汇单位自身的语言特点。... 详细信息

复杂词汇单位指在形式上大于词,功能上等于词的语言单位。在《现代汉语词典》各版本中,复杂词汇单位主要采取三种立目策略:分解策略、整体策略和兼容策略,但一部分复杂词汇单位立目策略的选择没有充分考虑复杂词汇单位自身的语言特点。文章从词汇化角度,分析汉语复杂词汇单位在语义组合性、内部结构的可分析性、结构可变性以及共现成分的可选性差异。文章认为,应根据复杂词汇单位自身特点采取适当的立目策略,即完全词汇化的复杂词汇单位应采取整体立目策略;隐喻词汇化的复杂词汇单位首先考虑分解立目策略,如共现成分具有唯一性,则考虑整体策略;弱词汇化或非词汇化复杂词汇单位立目应以分解策略为主。兼容性立目的数量应该控制。

关键词：词典立目《现代汉语词典》词汇化复杂词汇单位

来源：评论

学校读者我要写书评

暂无评论

基于主题聚类的短文本情绪分类方法

引用

计算机与数字工程 2020年第6期48卷 1400-1404,1439页

作者：林江豪顾也力周咏梅阳爱民陈锦广东外语外贸大学语言工程与计算实验室广州510006 广东外语外贸大学东方语言文化学院广州510420 广东外语外贸大学信息科学与技术学院广州510006

针对现有短文本细粒度情绪分类研究中的不足,提出基于概率潜在语义分析(PLSA)模型和K-means聚类的短文本细粒度情绪分类方法。基于PLSA计算获得语料集的文档与主题、词语与主题之间的概率矩阵;在词语与主题概率分布上,基于K-means算法... 详细信息

针对现有短文本细粒度情绪分类研究中的不足,提出基于概率潜在语义分析(PLSA)模型和K-means聚类的短文本细粒度情绪分类方法。基于PLSA计算获得语料集的文档与主题、词语与主题之间的概率矩阵;在词语与主题概率分布上,基于K-means算法对词汇在主题上的概率分布进行聚类,进而将相近主题进行合并处理;基于情感本体库,认为某一类情绪词汇出现的概率最高的主题与词汇的情绪类别相同,对合并后的主题进行情绪类别识别;最后,基于合并后的文档与主题概率矩阵,认为出现在某一主题概率最高的文档与主题的情绪类别相同,对文档情绪类别进行分类。实验结果表明,采用PLSA+K-means比PLSA可取得更高的分类准确率,总体分类准确率达到95.23%。

关键词：情绪分类情绪类别 PLSA模型 K-means

来源：评论

学校读者我要写书评

暂无评论

面向高效越南语分词的有监督集成学习框架

引用

小型微型计算机系统 2018年第6期39卷 1213-1217页

作者：刘伍颖王琳广东外语外贸大学语言工程与计算实验室广州510420 上海外国语大学贤达经济人文学院上海200083

在很多亚洲语言书面文本中,词与词之间没有明显的分隔符,因此这些文本的自动分词任务依然具有挑战性.相应的分词算法能够被广泛用于各种自然语言处理应用当中.本文针对越南语分词问题,提出了一套完整的有监督集成学习框架,并且实现了一... 详细信息

在很多亚洲语言书面文本中,词与词之间没有明显的分隔符,因此这些文本的自动分词任务依然具有挑战性.相应的分词算法能够被广泛用于各种自然语言处理应用当中.本文针对越南语分词问题,提出了一套完整的有监督集成学习框架,并且实现了一种新的基于有监督集成学习的分词算法.在二元音节频率索引数据结构支持下,我们实现的分词算法能够综合多个基本分词器的优势,形成一个集成分词器.公开数据集上的越南语分词实验结果表明我们提出的框架在统计、计算和表示上具有良好的表现,算法最终能够达到最优的分词效果.

关键词：有监督集成学习框架越南语分词多基本分词器二元音节频率索引

来源：评论

学校读者我要写书评

暂无评论

基于自适应稀疏邻域重构的无监督主动学习算法

引用

计算机科学 2018年第6期45卷 251-258页

作者：吕巨建赵慧民陈荣军李键红广东技术师范学院广州510665 广州数字内容处理及其安全性技术重点实验室广州510665 广东外语外贸大学语言工程与计算实验室广州510006

在很多信息处理任务中,人们容易获得大量的无标签样本,但对样本进行标注是非常费时和费力的。作为机器学习领域中一种重要的学习方法,主动学习通过选择最有信息量的样本进行标注,减少了人工标注的代价。然而,现有的大多数主动学习算法... 详细信息

在很多信息处理任务中,人们容易获得大量的无标签样本,但对样本进行标注是非常费时和费力的。作为机器学习领域中一种重要的学习方法,主动学习通过选择最有信息量的样本进行标注,减少了人工标注的代价。然而,现有的大多数主动学习算法都是基于分类器的监督学习方法,这类算法并不适用于无任何标签信息的样本选择。针对这个问题,借鉴最优实验设计的算法思想,结合自适应稀疏邻域重构理论,提出基于自适应稀疏邻域重构的主动学习算法。该算法可以根据数据集各区域的不同分布自适应地选择邻域规模,同步完成邻域点的搜寻和重构系数的计算,能在无任何标签信息的情况下较好地选择最能代表样本集分布结构的样本。基于人工合成数据集和真实数据集的实验表明,在同等标注代价下,基于自适应稀疏邻域重构的主动学习算法在分类精度和鲁棒性上具有较高的性能。

关键词：主动学习稀疏重构优化实验设计直推式实验设计局部线性重构

来源：评论

学校读者我要写书评

暂无评论

《世说新语》的篇章连接词

引用

中文信息学报 2017年第1期31卷 212-220页

作者：冯文贺郭海芳李玉静任函广东外语外贸大学语言工程与计算实验室广东广州510006 河南科技学院中文系河南新乡453003 云南民族大学民族文化学院云南昆明650031

该文标注《世说新语》的篇章结构,据此研究其连接词的显隐、语义及用法。研究发现:1)隐式关系(3 346,81.4%)多于显式关系(786,18.6%),17类关系仅有三类(假设,选择,让步)显多隐少;2)各类关系的同义连接词种数与使用有差异,其中种数最多36... 详细信息

该文标注《世说新语》的篇章结构,据此研究其连接词的显隐、语义及用法。研究发现:1)隐式关系(3 346,81.4%)多于显式关系(786,18.6%),17类关系仅有三类(假设,选择,让步)显多隐少;2)各类关系的同义连接词种数与使用有差异,其中种数最多36(顺承),最少则无(总分,背景);3)连接词(90种)单义为多(55),多义为少(35),义项最多为八种("乃"),分布也有差异。对比发现,《世说新语》与同时期《文心雕龙》的连接词使用有一定差异。

关键词：《世说新语》篇章结构连接词语义分析

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

基于PLSA的新闻评论情绪类别自动标注方法

引用

计算机系统应用 2019年第1期28卷 207-211页

作者：林江豪顾也力周咏梅阳爱民广东外语外贸大学语言工程与计算实验室广州510006 广东外语外贸大学信息科学与技术学院广州510006 广东外语外贸大学东方语言文化学院广州510420

针对大规模语料手动标注困难的问题,提出利用概率潜在语义分析(PLSA)模型的新闻评论自动标注方法.利用PLSA计算获得语料集的"文档-主题"和"词语-主题"概率矩阵;基于情感本体库和"词语-主题"概率矩阵,认... 详细信息

针对大规模语料手动标注困难的问题,提出利用概率潜在语义分析(PLSA)模型的新闻评论自动标注方法.利用PLSA计算获得语料集的"文档-主题"和"词语-主题"概率矩阵;基于情感本体库和"词语-主题"概率矩阵,认为某一类情绪词汇出现的概率最高的主题与词汇的情绪类别相同,对主题进行情绪类别标注;最后,基于"文档-主题"概率矩阵,认为出现在某一主题概率最高的文档与主题的情绪类别相同,通过"词汇-主题-文档"三者的关系,达到自动标注的效果.实验结果表明,本文提出的方法准确率可达到90%以上.

关键词：语料库情绪类别 PLSA模型语料标注自动标注

来源：评论

学校读者我要写书评

暂无评论

ROUGE-SN:基于跨越N元语法的机器翻译评测方法

引用

数码设计 2017年第3期 1-5页

作者：于俊婷何宏业刘伍颖易绵竹洛阳外国语学院语言工程系 61068部队广东外语外贸大学语言工程与计算实验室

本文在ROUGE-S的基础上提出一种基于跨越N元语法的ROUGE-SN机器翻译评测方法,在跨越二元语法(Skip-bigram)的基础上尽量延长N元语法的长度,使更多的句子连贯信息得以体现。并通过设置N元语法的阈值、综合系统运行代价和译文匹配效率等... 详细信息

本文在ROUGE-S的基础上提出一种基于跨越N元语法的ROUGE-SN机器翻译评测方法,在跨越二元语法(Skip-bigram)的基础上尽量延长N元语法的长度,使更多的句子连贯信息得以体现。并通过设置N元语法的阈值、综合系统运行代价和译文匹配效率等因素选定ROUGE-S6对ROUGE-S进行改进。在俄汉双语句子数据集上对谷歌、百度、必应、有道在线翻译系统的俄汉翻译输出译文进行评测,ROUGE-S6方法与传统ROUGE-S以及BLEUS的评测结果一致且性能优于ROUGE-S和BLEUS;且基于跨越N元语法的ROUGE-S6使得ROUGE-S的性能得以提升,对于百度系统而言,ROUGE-S性能提升44.52%,对于谷歌系统而言,提升50.45%,对必应系统提升42.19%,有道系统中ROUGE-S性能提升40.01%。

关键词：跨越N元语法 ROUGE-SN ROUGE-S 机器翻译评测

来源：评论

学校读者我要写书评

暂无评论

基于形成性评估的英国高校计算机教学模式分析

引用

计算机教育 2017年第5期 158-162页

作者：路美秀李霞张新猛郝鹃广东外语外贸大学信息科学与技术学院广东广州510420 广东外语外贸大学语言工程与计算实验室广东广州510420

针对广东省普通高等学校实施学分制管理若干意见,以英国兰开夏大学计算机专业教学为例,根据理论课、实验课以及实践教学开展情况对基于形成性评估的教学模式进行研究和分析,指出基于形成性评估的教学模式更能提高学生的学习兴趣和学习动... 详细信息

针对广东省普通高等学校实施学分制管理若干意见,以英国兰开夏大学计算机专业教学为例,根据理论课、实验课以及实践教学开展情况对基于形成性评估的教学模式进行研究和分析,指出基于形成性评估的教学模式更能提高学生的学习兴趣和学习动机,为学分制教学改革提供借鉴和参考。

关键词：形成性评估计算机教育数据库教学模式

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：