检索结果-内蒙古大学图书馆

中文信息学报 2024年第7期38卷 158-164页

作者：陈世男葛东来沈力行徐东钦贡正仙苏州大学计算机科学与技术学院江苏苏州215006

情感可解释性分析是近年来比较新颖的研究方向,其目标是在预测文本的情感极性的同时给出决定情感极性的证据片段。该文在仅有情感分类任务数据集的基础上,提出了基于擦除的情感可解释性片段抽取方法,通过被擦除单词对情感极性逻辑判断... 详细信息

情感可解释性分析是近年来比较新颖的研究方向,其目标是在预测文本的情感极性的同时给出决定情感极性的证据片段。该文在仅有情感分类任务数据集的基础上,提出了基于擦除的情感可解释性片段抽取方法,通过被擦除单词对情感极性逻辑判断的波动影响来决定证据的抽取。随后,利用擦除的方法使用模型对公开情感分析数据集中的部分数据进行片段抽取并人工过滤得到有监督数据,再使用T5序列生成式模型进行有监督训练,从而进一步提升证据抽取的性能。最终在“百度2022语言与智能技术竞赛:情感可解释评测”中获得第三名的成绩。

关键词：情感可解释性基于擦除序列生成式模型

来源：评论

学校读者我要写书评

暂无评论

面向属性级情感三元组抽取的情感融合数据增强方法

引用

中文信息学报 2024年第11期38卷 114-122页

作者：杨帆张冕周夏冰张民苏州大学计算机科学与技术学院江苏苏州215006

针对属性级情感三元组抽取任务数据稀缺的问题,该文提出一种融合实例相关情感信息的数据增强方法。首先,以机器阅读理解的形式训练情感分类器,用于获取意见词对属性词所表达情感的稠密向量表示;其次,在情感稠密向量表示的指导下,以掩码... 详细信息

针对属性级情感三元组抽取任务数据稀缺的问题,该文提出一种融合实例相关情感信息的数据增强方法。首先,以机器阅读理解的形式训练情感分类器,用于获取意见词对属性词所表达情感的稠密向量表示;其次,在情感稠密向量表示的指导下,以掩码语言模型损失为目标,微调预训练语言模型;最后,遮蔽输入文本中的意见词,并使用微调后的预训练语言模型生成新样本。该方法所融入的情感信息结合了每条样本的深层语义,可以有效保证新样本与原数据情感倾向的一致性。在14res、15res和16res三个SemEval数据集上的实验结果表明,与其他相关数据增强方法相比,该方法得到的数据质量更高,并进一步提高了属性级情感三元组抽取模型的性能。

关键词：数据增强属性级情感三元组抽取掩码语言模型

来源：评论

学校读者我要写书评

暂无评论

基于分阶段增强的跨领域槽填充方法

引用

中文信息学报 2024年第11期38卷 102-113页

作者：王泽周夏冰陈文亮苏州大学计算机科学与技术学院江苏苏州215006

作为口语理解任务的一个核心部分,槽填充通过识别话语中特定的槽实体服务于下游任务。然而,一些新兴领域往往缺乏大量的标记数据,并且其收集成本较高。因此跨领域槽填充应运而生,成为了一个极具挑战性的任务。近年来跨领域槽填充任务采... 详细信息

作为口语理解任务的一个核心部分,槽填充通过识别话语中特定的槽实体服务于下游任务。然而,一些新兴领域往往缺乏大量的标记数据,并且其收集成本较高。因此跨领域槽填充应运而生,成为了一个极具挑战性的任务。近年来跨领域槽填充任务采用槽实体识别和槽类型匹配两阶段的模型框架,但大多针对某一阶段进行改进,并且引入外部知识增强可迁移性,没有考虑领域迁移对两阶段子任务本身带来的影响。因此,该文提出了一个分阶段增强的方法,通过在槽实体识别阶段构建依存关系结构图来捕获多个领域共有的句法特征,并且加入了互信息最大化技术来增强模型的跨域能力。在槽类型匹配阶段通过原型对比学习增强了槽样本和槽类型之间的匹配精度,提高了模型的分类能力。实验结果表明,该方法在跨领域槽填充任务中获得了良好的性能,在少样本设置下性能优于多个基线模型。

关键词：口语理解槽填充互信息对比学习

来源：评论

学校读者我要写书评

暂无评论

基于孪生网络文本语义匹配的多文档摘要

引用

中文信息学报 2024年第5期38卷 107-116页

作者：钟琪王中卿王红玲苏州大学计算机科学与技术学院江苏苏州215006

多文档摘要旨在从一组主题相关的文档集中抽取出最能代表文档集中心内容的句子作为摘要,文本语义匹配则是指学习两个文本单元之间的语义关系,使句子表征具有更加丰富的语义信息。该文提出了一种基于孪生网络文本语义匹配的多文档抽取式... 详细信息

多文档摘要旨在从一组主题相关的文档集中抽取出最能代表文档集中心内容的句子作为摘要,文本语义匹配则是指学习两个文本单元之间的语义关系,使句子表征具有更加丰富的语义信息。该文提出了一种基于孪生网络文本语义匹配的多文档抽取式摘要方法,该方法将孪生网络和预训练语言模型BERT相结合,构建一个文本语义匹配与文本摘要联合学习模型。该模型运用孪生网络从不同的视角考察任意两个文本单元之间的语义关联,学习文档集中碎片化的信息,进一步对重要信息进行评估,最后结合文本摘要模型选择出更能代表文档集主要内容的句子组织成摘要。实验结果表明,该文所提方法和当前主流的多文档抽取式摘要方法相比,在ROUGE评价指标上有较大提升。

关键词：多文档抽取式摘要语义关系预训练语言模型

来源：评论

学校读者我要写书评

暂无评论

基于篇章图模型的中文事件时序关系识别

引用

中文信息学报 2024年第1期38卷 107-114页

作者：李婧徐昇李培峰苏州大学计算机科学与技术学院江苏苏州215006

事件时序关系识别是信息抽取中一项十分重要且极具挑战性的任务。此前大部分工作都集中在句子级别上,忽略了篇章级别(同句、邻句和跨句)的事件时序关系识别。针对此问题,该文提出了一种基于篇章图模型的篇章级事件时序关系识别方法,该... 详细信息

事件时序关系识别是信息抽取中一项十分重要且极具挑战性的任务。此前大部分工作都集中在句子级别上,忽略了篇章级别(同句、邻句和跨句)的事件时序关系识别。针对此问题,该文提出了一种基于篇章图模型的篇章级事件时序关系识别方法,该方法通过分别构造句法层次和篇章级别的图卷积神经网络将篇章中融合了句法特征的所有事件进行信息交互,以达到丰富特征的目的,进而使得模型可更好地识别篇章级时序关系。该文提出的方法在ACE2005-extended中文事件时序关系语料库上的微平均F1值达到71.81%,比最好的基准系统提升了1.76个百分点。

关键词：事件时序关系篇章级别图卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

融合目标端上下文的篇章神经机器翻译

引用

中文信息学报 2024年第4期38卷 59-68页

作者：贾爱鑫李军辉贡正仙张民苏州大学计算机科学与技术学院江苏苏州215006

神经机器翻译在句子级翻译任务上取得了令人瞩目的效果,但是句子级翻译的译文会存在一致性、指代等篇章问题,篇章翻译通过利用上下文信息来解决上述问题。不同于以往使用源端上下文建模的方法,该文提出了融合目标端上下文信息的篇章神... 详细信息

神经机器翻译在句子级翻译任务上取得了令人瞩目的效果,但是句子级翻译的译文会存在一致性、指代等篇章问题,篇章翻译通过利用上下文信息来解决上述问题。不同于以往使用源端上下文建模的方法,该文提出了融合目标端上下文信息的篇章神经机器翻译。具体地,该文借助推敲网络的思想,对篇章源端进行二次翻译,第一次基于句子级翻译,第二次翻译参考了全篇的第一次翻译结果。基于LDC中英篇章数据集和WMT英德篇章数据集的实验结果表明,在引入较少的参数的条件下,该文方法能显著提高翻译性能。同时,随着第一次翻译(即句子级译文)质量的提升,所提方法也更有效。

关键词：神经机器翻译推敲网络篇章翻译

来源：评论

学校读者我要写书评

暂无评论

面向知识图谱问答的查询图生成方法

引用

中文信息学报 2024年第5期38卷 117-126页

作者：谈川源贾永辉陈文亮陈跃鹤苏州大学计算机科学与技术学院江苏苏州215006

该文提出一种新的查询图生成方法用于知识图谱问答系统的问句解析。现有查询图生成工作覆盖的复杂问句类型有限,不能较好地处理答案为关系或涉及关系约束的问句,且未充分考虑路径结果间的组合与运算。因此,该文在查询图生成中应用节点... 详细信息

该文提出一种新的查询图生成方法用于知识图谱问答系统的问句解析。现有查询图生成工作覆盖的复杂问句类型有限,不能较好地处理答案为关系或涉及关系约束的问句,且未充分考虑路径结果间的组合与运算。因此,该文在查询图生成中应用节点操作的同时引入基于关系的操作,并考虑不同主路径之间的组合情况,显著提升对复杂问句的分析能力。并在此基础上,构建了中文知识图谱问答系统。此外,该文构建一份包含多种复杂类型问句的中文知识图谱问答数据集。该数据集和CCKS2019-CKBQA数据集合并后构成一个新的数据集CCKS2019-Comp,并用来测试本文方法的有效性。实验结果表明,该文方法在CCKS2019-CKBQA和CCKS2019-Comp测试集上平均F 1值分别达到73.8%和73.3%。该文的新构建数据和代码已开源①。

关键词：知识图谱问答查询图生成数据构建问答系统

来源：评论

学校读者我要写书评

暂无评论

基于句子类别信息的事件检测方法

引用

中文信息学报 2024年第10期38卷 117-126页

作者：郭恒睿王中卿朱巧明李培峰苏州大学计算机科学与技术学院江苏苏州215006

目前大多数事件检测研究都认为句子之间是相互独立的,忽略了句子之间、触发词之间的事件关联。基于此,该文提出了一种基于句子类别信息的事件检测方法。首先通过基于BERT和注意力机制的句子级事件检测模型获取句子类别信息,构建句子之... 详细信息

目前大多数事件检测研究都认为句子之间是相互独立的,忽略了句子之间、触发词之间的事件关联。基于此,该文提出了一种基于句子类别信息的事件检测方法。首先通过基于BERT和注意力机制的句子级事件检测模型获取句子类别信息,构建句子之间的事件关联。然后该文通过基于机器阅读理解的事件检测模型融合句子类别信息,并学习句子标签的文本信息。此外,加入对比学习模块,拉近同类别触发词之间的距离,学习触发词之间的事件关联。最终实验表明,该模型在ACE中文和英文数据集上相比基准模型F_(1)值分别获得了1.6%和1.1%的提升。

关键词：事件检测句子类别信息对比学习

来源：评论

学校读者我要写书评

暂无评论

基于多教师多学生知识蒸馏的情感分类方法

引用

中文信息学报 2024年第10期38卷 127-134页

作者：常晓琴李雅梦李子成李寿山苏州大学计算机科学与技术学院江苏苏州215006

预训练语言模型在情感分类任务中取得了卓越的性能提升。然而,预训练模型的巨额参数量和缓慢的推理速度成为这些模型应用落地的主要障碍。知识蒸馏是一种将知识从大型的预训练教师模型转移到小型学生模型的技术。不同于现有的单教师或... 详细信息

预训练语言模型在情感分类任务中取得了卓越的性能提升。然而,预训练模型的巨额参数量和缓慢的推理速度成为这些模型应用落地的主要障碍。知识蒸馏是一种将知识从大型的预训练教师模型转移到小型学生模型的技术。不同于现有的单教师或单学生蒸馏模型,该文提出一种基于多教师和多学生蒸馏的集成蒸馏方法。该方法既可以充分利用不同教师模型的不同知识,又可以弥补单个学生学习能力不足的缺点。此外,该文使用了大量情感分类任务相关的未标注样本来提高蒸馏性能。实验结果表明,该文提出的方法在情感分类任务上能够在基本保持教师模型的分类性能的基础上,减少97.8%~99.5%参数量,并提升了176~645倍的CPU推理速度。

关键词：情感分类知识蒸馏集成学习模型压缩

来源：评论

学校读者我要写书评

暂无评论

优势加权互信息最大化的最大熵分层强化学习

引用

计算机学报 2023年第10期46卷 2066-2083页

作者：乌兰刘全黄志刚朱斐张立华苏州大学计算机科学与技术学院江苏苏州215006 苏州大学江苏省计算机信息处理技术重点实验室江苏苏州215006

近年来,深度强化学习在控制任务中取得了显著的效果.但受限于探索能力,难以快速且稳定地求解复杂任务.分层强化学习作为深度强化学习的重要分支,主要解决大规模问题.但是仍存在先验知识设定的不合理和无法有效平衡探索与利用等难题.针... 详细信息

近年来,深度强化学习在控制任务中取得了显著的效果.但受限于探索能力,难以快速且稳定地求解复杂任务.分层强化学习作为深度强化学习的重要分支,主要解决大规模问题.但是仍存在先验知识设定的不合理和无法有效平衡探索与利用等难题.针对以上问题,提出优势加权互信息最大化的最大熵分层强化学习(Maximum Entropy Hierarchical Reinforcement Learning with Advantage-weighted Mutual Information Maximization,HRLAMIM)算法.该算法通过优势函数加权重要性采样与互信息最大化,解决由策略引起的样本聚类问题,增加内部奖励来强调Option的多样性.同时,将奖励引入最大熵强化学习目标,使策略具有了更强的探索性和更好的稳定性.此外,采用Option数量退火方法,不仅减少了先验知识对性能的影响,还平衡了算法的探索与利用,并获得了更高的样本效率和更快的学习速度.将HRL-AMIM算法应用于Mujoco任务中,实验表明,与传统深度强化学习算法和同类型的分层强化学习算法相比,HRL-AMIM算法在性能和稳定性方面均具有较大的优势.进一步通过消融实验和超参数敏感性实验,验证了算法的鲁棒性和有效性.

关键词：深度强化学习分层强化学习优势加权互信息最大熵

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：