如何使用NLP高效解析语言文字

本文通过对文本分类和QA系统进行预处理,分别构建双向长短期记忆自注意力网络分类模型、Transformer分类模型和基于BERT的微调分类模型,进行模型的训练。实验结果表明,基于BERT的微调分类模型具有结构简单,训练参数较少,训练速度快等特点,并且拥有较高的准确率。     

基于自然语言理解的需求聚类和需求优选方法研究

为了实现大数量软件需求的优选,提出了一种基于自然语言理解的需求聚类和需求优选方法。该方法首先基于自然语言处理技术对需求进行深层次语言理解,找到相同语义的需求并只保留一条。随后,采用基于超图分割的需求聚类方法对大量需求进行聚类。最后,提出了需求优选目标函数,该目标函数根据需求聚类结果为需求优先级打分,并在综合考虑需求与类别的相似性、类别的权重以及聚类标准的权重的基础上,最终给出一个合理的需求优选结果。在大规模真实的需求集合上进行了实验,实验结果表明:基于自然语言处理技术的需求聚类性能优异;需求聚类对后续的需求优选起有着非常重要的作用;基于超图分割的需求聚类,以及在此基础上提出的需求优选函数相对于基线方法有着明显的提高。     

科技论文中关键词的撰写

科技论文的关键词是从其题名、层次标题和正文中选出来的、能反映论文主题概念的词或词组，是表达文献主题概念的自然语言词汇，是科技论文的文献检索标识。     

一种基于依存文法的需求文本策略依赖关系抽取方法

从基于自然语言的需求文本中抽取概念模型已有很多相关研究,然而,抽取模型中的关系信息因其复杂性而较少被研究者系统地分析和处理.文中提出了一个通用的关系信息抽取方法,给出抽取规则,从需求文本中确定和抽取关系信息.基于该方法设计并实现了一个系统CREAT3,从中文需求文本自动生成i*框架中的SD(StrategyDependency,策略依赖)模型,侧重抽取策略依赖关系信息.将得到的模型和专家抽取结果进行对比,结果显示该系统可以获得相当高的准确率,同时也保证了很高的召回率,证明了方法的可用性.并且较相关工作具有更好的可扩展性.     

科技论文中关键词的撰写

科技论文的关键词是从其题名、层次标题和正文中选出来的、能反映论文主题概念的词或词组，是表达文献主题概念的自然语言词汇，是科技论文的文献检索标识。     

Vista搜索效率提高的极速之术

第5期《提高Vista搜索效率我有妙招》一文提及的方法,虽然算妙,但是用起来感觉很麻烦。应对搜索其实可以用下面三招,不仅快,而且还非常方便。     

科技论文中关键词的撰写

科技论文的关键词是从其题名、层次标题和正文中选出来的、能反映论文主题概念的词或词组，是表达文献主题概念的自然语言词汇，是科技论文的文献检索标识。 每篇论文需给出3-8个关键词，其中主题词应尽可能多一些，请尽量使用综合性主题词表（如《汉语主题词表》）和专业性主题词表（如NASA词表、INIS词表、TEsT词表等）中进行标引，如果尚无相应的词，可采用习用的自由词，但要置于最后。     

基于逻辑合取的语言真值概念格合并算法

针对人工智能领域中有关不确定性自然语言的研究，将格值逻辑引入概念格，提出了自然语言转换为语言真值的方法，并基于语言真值格蕴涵代数建立了语言真值概念格.通过对各语言真值形式背景及形式概念间关系的分析，演示了由多个语言真值概念格的合并而构造完整概念格的具体过程，进而给出了语言真值概念格基于逻辑合取的合并定理与算法.实验表明，与Bordat算法相比，当属性个数增多时，适当的合并算法能够使其时间复杂度呈指数型降低.