The century of prose corpus: A half-million word historical data base

The Century of Prose Corpus is a historical corpus of British English of the period 1680–1780. It has been designed to provide a resource for students of the language of that era. The COPC is diachronic and may be considered a unit in what will eventually become a series of corpora providing access to the whole of the English language from the oldest specimens to the present. This article describes and explains the various features of the COPC.Louis T. Milic is Professor of English Emeritus at Cleveland State University. He retired from teaching in 1991 and has been Secretary-Treasurer of the Dictionary Society of North America since 1990. He has also occupied himself with research and publication: Zeugmas in Gibbon's History,Prose Studies (1991), Fielding's Linguistic Sub-Stratum,Orbis Litterarum (1990).     

体上的矩阵方程 AXB+CXD=E

本文给出了体上的矩阵方程ＡＸＢ＋ＣＸＤ＝Ｅ有解的充要条件及其通解表达式，并给出了一种实用解法     

粤语语音合成系统语料库设计研究

介绍了语料库设计的原理和过程,并结合粤语语音合成系统语料库实现,提出了“语境矢量”的独特设计和“语境总量”的概念,给出了语境总量的计算方法。最后介绍了Greedy算法,并给出了文奉语料搜索的具体流程。     

“大型藏文基础语料库”数据分析1

语料库是存储于计算机中并可利用计算机进行检索、查询、分析的语言素材总体,是理想的语言知识资源。国家非常重视语料库的建设,包括少数民族语种语料库。“大型藏文基础语料库建设”是教育部、国家语委一个大型的藏语通用语料库的建设项目,本文结合该语料库的建设分析了语料库的样本类别、语料样本数据的时间分布、领域分布、来源及地域分布,也说明了语料库词性标注的标记集和标注样本的领域分布,为使用该语料库的人员提供了一个参考数据。     

语料库技术驱动下的大学英语教材评价分析——《21世纪大学英语读写教程》分析

教材设计的科学性是影响大学英语教学质量的重要因素,对教材的科学评定有助于教材的改进以及教师教学策略的调整。本文作者利用语料库技术,从词汇层面对《21世纪大学英语读写教程》（全4册）进行了多维度分析,观测了包括用词多样性、和《大学英语四级考试大纲》要求的呼应程度、对学生自学能力培养的关注度、题材多样性等多种要素,发现了问题并提出了建设性的应对策略。     

Application of Genetic Algorithm in unit selection for Malay speech synthesis system

Corpus based speech synthesis can produce high quality synthetic speech due to it high sensitivity to unit context. Large speech database is embedded in synthesis system and search algorithm (unit selection) is needed to search for the optimal unit sequence. Speech feature which served as target cost is estimated from the input text. The acoustic parameters which served as join cost are derived from mel frequency cepstral coefficients (MFCCs) and Euclidean distance. In this paper, a new method which is Genetic Algorithm is proposed to search for optimal unit sequence. Genetic Algorithm (GA) is a population based search algorithm that is based on the biological principles of selection, reproduction, crossover and mutation. It is a stochastic search algorithm for solving optimization problem. The speech unit sequence that has minimum join cost will be synthesized into complete waveform data.     

基于双向LSTM网络的不确定和否定作用范围识别

不确定和否定信息抽取是自然语言处理领域中的重要任务和研究热点.针对不确定和否定作用范围识别任务,本文提出了一种基于两层双向LSTM神经网络的作用范围识别方法.首先,对于从线索词到达词语的句法路径,本文使用第一层双向LSTM神经网络从中学习到有用特征.接着,本文将词法特征与句法路径特征一起组成当前词语的特征表示.最后,本文将作用范围识别问题看作序列标注任务,利用第二层双向LSTM神经网络界定当前线索词的作用范围.实验结果表明,本文提出的模型优于其它神经网络模型,并在BioScope生物医学语料上取得了良好性能.其中,在Abstracts子语料上的不确定和否定作用范围识别精确率分别达到86.20%和80.28%.     

基于Corpus库的词语相似度计算方法

构建了一个语义关联库，称为Corpus库，该库使用词语空间乖关系空间结构化地存储了词语和其上下文之间的统计信息，并通过阅读大量的预料数据来训练其相关数据。详细介绍了Corpus库的训练方法，并对训练过程中出现的大量关系提出了裁剪方案。在此基础上，通过构建词语的上下文关系向量提出了一种词语相似度算法。实验证明这是一种有效的对词语相似度进行计算的方法。     

面向事件的多语平行语料库构建研究*

讨论了面向北京奥运的多语语料库建设中的若干基础问题。提出了面向事件、多领域融合的语料收集原则,制定了具有分类信息的标注规范,初步建立了具有近七万句对的可控多语语料库。     

汉语词性自动标注系统的设计与实现

介绍汉语词性自动标注系统的设计与实现。该系统实现了统计与相结合的方法进行汉语词性自动标注。描述了该系统的总体结构,以及所使用的非兼类词表、兼类词表、标记集和词性标注规则的组织,特别对稀疏矩阵及其存储方法进行了详细的介绍。