分类器模型是目前识别因果关系的主要模型,该方法存在的问题是只考虑2个事件之间的关系,没有考虑同一文档中其他关联事件所包含的信息,识别结果往往存在逻辑矛盾。该文提出了一个中文事件因果关系识别的全局优化方法,该方法采用整数线性规划(integer linear programming,ILP)的推理方法,对基本逻辑关系、因果标志词、事件类型、论元信息进行有效约束,以文档为单位来优化因果关系识别。在该文标注语料上的实验结果表明:与分类器方法相比,该文提出的全局优化方法的F1值提升了5.54%。
提出一种基于余弦相似性的改进TOPSIS(technique for order preference by similarity to ideal solution)法并将其应用于解决供应商选择的问题。夹角余弦的距离度量方式隐含了传统TOPSIS法中属性权重,提高了决策的客观性。在供应商选...
详细信息
提出一种基于余弦相似性的改进TOPSIS(technique for order preference by similarity to ideal solution)法并将其应用于解决供应商选择的问题。夹角余弦的距离度量方式隐含了传统TOPSIS法中属性权重,提高了决策的客观性。在供应商选择的实例上证明了所提方法有较强的科学性和合理性。
残基对的相互作用描述了蛋白质三维结构中一对残基的空间距离关系.一对残基是否相互作用不仅取决于这对残基的本身属性,还受到这对残基所在蛋白质的所有其它残基的影响.传统的残基相互作用预测方法往往选取要预测残基对本身以及它们各自邻居的残基属性作为特征,这些方法忽略了影响残基对相互作用的全局因素.本文使用双向LSTM(Long Short-term M emory)抽取蛋白质序列上每个残基的属性,通过这种方式得到的每个残基属性不仅包含了局部属性还包含了全局属性.实验结果表明我们的模型在多个基准测试集上的Acc(Accuracy)超过其它方法 10%以上.
暂无评论