如何正确使用联合词组

联合词组是一种常见的词组,词组的前项和后项之间是并列、联合的关系。 联合词组依前项和后项的词性,有名词性的（名词和名词组成的联合词组,下同）、形容词性的和动词性的,在句中,也相应地可充当主语、谓语、宾语、定语、状语和补语等。     

基于多特征知识的先秦典籍词性自动标注研究

[目的/意义] 先秦典籍在古代典籍中的地位极为重要。本文提出对先秦典籍进行词性自动标注的解决方法,以便更加准确地挖掘先秦典籍中的潜在知识。[方法/过程] 通过条件随机场模型,结合统计方法确定组合特征模板,并最终得到针对先秦典籍的词性自动标注算法模型。[结果/结论] 在先秦典籍自动分词的整个流程基础上,得到简单特征模板、组合特征模板下的词性自动标注模型,基于组合特征模板的词性标注模型调和平均值F达到94.79%,具有较强的推广和应用价值。在构建词性自动标注模型的过程中,通过融入字词结构、词语拼音和字词长度的特征知识,使得模型的精确率和召回率得到有效提升。     

汉英双语词典的自动构建技术研究

汉英词典作为沟通中文与英语两种不同语言的桥梁,是中国与世界交流的工具。在信息时代飞速发展的今天,双语词典的自动构建技术在机器翻译和跨语言检索领域起着重要的作用,本文对双语词典的自动构建方法和其中的关键技术进行了比较全面的分析和总结,并提出一种从汉英平行语料库中抽取双语词语,自动构建双语词典的方法,在实现汉英句子级对齐后,对双语语料分别进行分词和词性标注处理,通过抽取汉英词语单元并计算其关联概率来实现汉英的词语对齐,最终生成双语词典。该方法在对真实语料的双语词典构建实验中取得了较好的结果,词对齐效果优于传统的IBM模型方法。     

新闻媒体用语“拉风”的语义及来源

“拉风”是近年来新闻媒体中流行的一个时尚词语,其含义非常丰富,能表达“有个性”“有魅力”“有品位”“很时尚”“有气质”“很特别”等内涵,主要形容一个人说话做事所表现出来的某种引人注目的特征,语义内容并未固定。词性上不拘一格,“拉风”用作形容词,也可用作动词,还可以是名词。关于“拉风”的来源也众说纷纭。词义不固定、词性不拘一格、来源未明,这三个不确定恰好说明“拉风”的流行。     

《新闻联播》新闻标题的实词研究

《新闻联播》是官方电视新闻的代表,新闻标题被学界誉为新闻的眼睛,目前比较缺乏对官方新闻标题语法的研究,因此本文将对《新闻联播》中的主要实词类标题进行深入分析,包括名词、动词、形容词、副词等4类,语料为2009年12月1日—12月28日共431个新闻标题。     

学术资源本体非等级关系抽取研究

[目的/意义] 概念非等级关系抽取是本体构建的必要步骤,学术文献作为一种重要的学术资源类型,本文主要利用其结构特点来进行本体概念非等级关系的抽取。[方法/过程] 首先,在本体概念抽取的基础上,对文献中概念的类型进行分类,以便于后期关系动词搭配的概念类型来排除不符合条件的三元组;其次,确定学术文献中的关系类型,并采用C-value方法抽取表示关系的动词,进行本体关系的表示;再次,评价概念对的关联性,利用互信息法对概念对进行排序并去除非相关概念对,实验表明该方法非常有效;最后评价概念对与关系动词的关联,分析影响三元组关联的因素,再采用实验确定模型挖掘三元组,实验比较现有的关联规则挖掘的方法。[结果/结论] 结果表明本文提出的三元组选择模型效果明显超过现有的关联规则挖掘方法,并且在语料集扩大的情况下这种优势更为明显。     

停用词表对中文文本情感分类的影响

本文利用三种特征选择方法、两种权重计算方法、五种停用词表以及支持向量机分类器对汽车语料的文本情感类别进行了研究.实验结果表明,不同特征选择方法、权重计算以及停用词表,对文本情感分类的影响也不尽相同;除形容词、动词和副词外的其余词语作为停用词表以及不使用停用词表对情感分类作用较大,得到的分类结果比较好;总体上,采用信息增益和布尔型权重进行中文文本情感分类的效果较好.     

严谨·刻苦

前一个时期,我浏览了部分外国文学史和外国文学家的传记。那些著名作家严谨刻苦的写作态度,很值得我们新闻工作者学习。要写出一篇成功的通讯、特写、小说……字字句句都要经过认真锤炼。法国十九世纪作家福楼拜,十分讲究锤炼语言。他说:“我们不论描写什么事物:要表现它,唯有一个名词,要赋予它运动,唯有一个动词,要得到它的性质,唯有一个形容词。我们必须继续不断地苦心思索,非发现这个唯一的名词,动词和形容词不可。仅仅发现与这些名词,动词或形容词类似的词句是不行的,     

BBS中文新词语自动挖掘*

针对从BBS文本中自动挖掘新词语的问题，提出一种结合统计和规则的简单易行的方法，采用中文分词、频数统计、词性过滤、词语碎片组合等关键技术。据此方法开发的系统可以自动挖掘不限长度、不限领域、不限类别的与上下文无关的任意新词语。     

略说动词“发生”运用中的错误(下)

动词“发生”在词组的组织与句子的构造中,常见的另一类语法错误是:与其相关的句法成分关系不协调。这类错误常见的有以下几种: 第一、“发生”做谓语时,与其宾语关系不调 “发生”做谓语时,其后所带的宾语主要的有两种,一种是名词性宾语,即宾语是由名词或名词性词语充当。如:“发生了交通事故”、“发生了浓厚的兴趣”。两个句子中的“事故”兴趣”都是名词。另一种是动词性宾语,即宾语是由动词或动词性词语充当。     

文本分类中粗分类数据噪声修正的网络算法

在文本分类的实际应用中经常使用粗略分类的数据来训练分类器,但是这种数据中经常会包含类别标记有误的数据,这些数据对文本分类结果的精度会造成不良影响。本文针对这个问题提出了一种噪声修正算法,首先建立文档关联网络,把文档上标记的类别作为在网络上划分的集团结构,并用模块度衡量集团结构的质量,通过优化模块度指标把噪声数据调整到合适的类别中,从而提高数据质量。实验结果表明,本文所提算法能够有效修正粗分类数据中的噪声,且有较高的有效性和鲁棒性。该算法可以用于文本分类训练数据的预处理,或作为辅助技术用于文献库建设等工作。     

《中国图书馆分类法》类目注释问题探讨

类目注释是《中国图书馆分类法》类目体系的重要组成部分。类目注释是否合理、恰当、科学、实用,都直接影响其功能作用的发挥。本文分别对3D打印知识、项目管理知识、同类书排列方法3个类目注释方面的问题进行分析,并提出修改建议,希望促进《中国图书馆分类法》进一步修订,强化类目注释功能,更好发挥其工具作用。     

一个中文文本自动分类数学模型

本文提出了一种根据汉字统计特性和基于实例映射的中文文本自动分类模型。该模型采用汉字字频向量作为文本的表示方法。它的显著特点是引入线性最小二乘方拟合（ＬｉｎｅａｒＬｅａｓｔＳｑｕａｒｅＦｉｔ,ＬＬＳＦ）技术建立文本分类器模型,通过对训练集语料的手工分类标引以及对文本和类别间的相关性判定的学习,实现了基于全局最小错误率的汉字———类别两个向量空间的映射函数,并用该函数对测试文本进行分类。     

交集型歧义字段切分方法研究

本文通过动态建立独立成词能力频次库的方法以及基于词语/词性搭配的规则库,对交集型歧义字段进行处理,大大提高了切分正确率。在4万语料的开放测试中,交集型歧义字段的切分正确率可达98％以上。     

基于字频向量的中文文本自动分类系统

本文提出了一种根据汉字统计特性和基于实例映射的中文文本自动分类方法。该方法采用汉字字频向量作为文本的表示方法。它的显著特点是引入线性最小二乘方估计技术建立文本分类器模型,通过对训练集语料的手工分类标引以及对文本和类别间的相关性判定的学习,实现了基于全局最小错误率的汉字一类别两个向量空间的映射函数,并用该函数对测试文本进行分类。     

新时代人民日报分词语料库构建、性能及应用(一)——语料库构建及测评

[目的/意义] 构建与新时代相适应的人民日报分词语料库,为中文信息处理提供最新的精标注语料,也为从历时的角度分析现代汉语提供新的语言资源。[方法/过程] 在分析已有汉语分词语料库的基础上,描述所构建新时代人民日报语料库的数据源、标注规范和流程,通过构建分词自动标注模型测评语料库的性能,并与已有语料库进行对比。[结果/结论] 新时代人民日报语料库遵循现代汉语语料库基本加工规范,规模大,时间跨度长。选取其中的2018年1月部分,基于条件随机场构建分词模型,与1998年1月人民日报语料进行性能测评与对比,所得到的各项具体测评指标表明,新时代人民日报语料整体性能突出,1998年语料无法替代,当前构建该语料库非常必要。     

学术论文中问题与方法识别及其关系抽取研究综述

[目的/意义]问题和方法是学术论文的重要组成部分。将散落在学术论文中的问题与方法进行有效组织,例如问题与方法识别及其之间的关系抽取,可挖掘学术论文中的隐性知识,促进学科的方法体系和问题体系构建。对学术论文中问题与方法识别及其关系抽取的相关研究工作的梳理,有助于把握该研究的发展趋势、发现该研究中存在的不足,并为未来的工作提供借鉴和指导。[方法/过程]在学术论文的问题和方法的挖掘方面,现有研究围绕4个研究点展开,分别是问题与方法及其关系定义、问题与方法及其关系标注数据集构建、问题与方法识别及其关系抽取的模型设计以及问题与方法及其关系的应用。本文分别对这4个研究点进行梳理,归纳总结现有学术论文中问题和方法知识挖掘的现状。[结果/结论]分析发现,在问题与方法的相关定义中,较少结合科学哲学中的问题学等理论进行定义;在问题与方法数据集构建中,存在数据集重复标注的现象,另外,开源数据集集中在自然科学领域且一般为英语语料,中文开源语料稀缺;在问题与方法识别及其关系抽取中,现有抽取模型性能较低;有关问题和方法的研究不应止步于词语识别和关系抽取,需对挖掘出的知识进行深入分析和应用。     

基于医学发展的《中图法》第五版医药卫生类

《中图法》R类基于医学领域的知识分类而构建,是医学视野下用于组织医学信息资源的分类体系。《中图法》第五版R类与第四版相比有500余处变化,以新增类目、增添类目注释、规范类名等方法反映新时期医学研究与发展的新主题。