一种车牌识别系统中的混合车牌定位方法

提出了一种新的粗定位和精细定位相结合的车牌定位方法.首先采用一种基于垂直边缘和车牌句法的车牌粗定位算法,确定车牌候选区域,剔除伪区域,粗定位可以快速地将车牌从原始车辆图像中截取出来,同时精确确定车牌的上下边界.然后再进行基于旋转差分投影的车牌水平精确定位与倾斜校正,由于水平定位和倾斜校正同时进行,提高了水平分割的精度并降低了定位时间.实验表明该混合方法能快速、精确地进行车牌定位,有效地解决了复杂背景下的车牌定位精度不高的问题,同时对模糊车牌具有很强的抗干扰性.     

基于知识增强的文本隐喻识别图编码方法

隐喻识别是自然语言处理中语义理解的重要任务之一,目标为识别某一概念在使用时是否借用了其他概念的属性和特点.由于单纯的神经网络方法受到数据集规模和标注稀疏性问题的制约,近年来,隐喻识别研究者开始探索如何利用其他任务中的知识和粗粒度句法知识结合神经网络模型,获得更有效的特征向量进行文本序列编码和建模.然而,现有方法忽略了词义项知识和细粒度句法知识,造成了外部知识利用率低的问题,难以建模复杂语境.针对上述问题,提出一种基于知识增强的图编码方法（knowledge-enhanced graph encoding method,KEG）来进行文本中的隐喻识别.该方法分为3个部分：在文本编码层,利用词义项知识训练语义向量,与预训练模型产生的上下文向量结合,增强语义表示;在图网络层,利用细粒度句法知识构建信息图,进而计算细粒度上下文,结合图循环神经网络进行迭代式状态传递,获得表示词的节点向量和表示句子的全局向量,实现对复杂语境的高效建模;在解码层,按照序列标注架构,采用条件随机场对序列标签进行解码.实验结果表明,该方法的性能在4个国际公开数据集上均获得有效提升.     

句法特征融合增强的方面级情感分析

方面级情感分析是情感分析领域的一项关键任务,其目的是分析目标文本中各个方面的情感极性.句法依存树曾被广泛用于方面级情感分析任务中,目前的特征提取和交互方式仅限单一特征级,未能充分利用句法依存树上的有效信息.针对该问题,提出了一种基于句法依存树的多级特征提取算法来建立方面级情感分析模型.首先利用深度优先搜索得出句子的浅层特征表示,然后通过划分子图改进传统图卷积神经网络的建模方式来提取句子的深层特征表示,最终融合多级特征的句子表示并进行情感分类.在4个开放数据集上分类准确率都取得1.64%～2.12%的提升,F1值取得2.24%～4.97%的提升.实验结果表明基于该方法建模能获取更充分的多层句法特征信息、有效提高分类效果.     

向量空间模型中结合句法的文本表示研究

为增强向量空间模型(VSM)中项的语义描述性,克服VSM中各语义单元相互独立的缺陷,提出一种基于短语的特征粒度描述方法。该方法从文本的表示及特征项之间的组织方式入手,通过句法规则识别基本短语,构建特征与中心动词的关系树,利用基本短语代替BOW中的词。实验结果表明,采用基本短语的文本表示可提高分类的性能,增加项之间的联系,克服特征项相互独立的缺陷,在特征数量较少的情况下仍能保持良好的分类效果。     

基于依存句法的网页内容防火墙设计

针对目前内容过滤方法较少从句法分析的层次进行过滤的问题,提出了一种基于依存句法分析的内容过滤方法,并根据该算法设计了一个基于Netfilter框架的网页内容过滤防火墙系统。通过HTTP压缩还原、重组HTML网页等步骤还原出网页文本文件,对文本进行预处理操作后,在知网(Hownet)的支持下,对句子进行依存句法分析,得到句子的依存句法树和有效搭配,计算出有效搭配与用户模板间的相似度,再计算出全局相似度,与阈值比较即得到过滤结果。通过实例验证了该算法的有效性。     

句法评分和语义评分

本文使用句法评分和语义评分对句法分析和语义分析阶段进行消歧。句法评分和语义评分可以和传统的句法语义分析阶段结合起来,更有效地对自然语言进行分析。这是规则方法和统计方法相结合的一种行之有效的方法。对于句法语义评分,使用最大可能原理和K-best方法进行实验,实验结果表明:对于训练集和测试集,两种方法在考虑一个左上文或一个左右上下文时都比不考虑上下文的正确率高。所有训练集的正确率比测试集的正确率高。对于训练集,当语料规模越来越大时,正确率也逐渐在增加。     

介词结构语序研究回顾与展望

介词结构语序在现代汉语中违背了中心语边缘原则,对普遍语法理论提出了挑战,自《马氏文通》以来一直是学者研究的热点。现代汉语缺少形态标记,语序问题常常又与句法关系联在一起,因此本文首先回顾介词结构的句法功能探讨,然后综述介词结构语序特点的历时和共时研究,同时梳理介词结构语序研究的理论维度。文章最后指出,介词结构语序研究在理论视角、系统性以及对语序变异原因的深入挖掘等方面还存在不足。     

用于中文缺省识别研究的机器学习方法

实现一个基于机器学习的中文缺省项识别系统,对语料库进行预处理,选取多个特征及其组合,通过支持向量模型(SVM)构建的缺省识别模型进行中文缺省识别。研究系统在不同句法分析树上的性能。实验结果证明,该识别系统在标准的句法分析树上F值能达到84.01%,在自动句法树上能达到68.22%。     

基于主动学习的中文依存句法分析

目前依存句法分析仍主要采用有指导的机器学习方法,即需要大规模高质量的树库作为训练语料,而现阶段中文依存树库资源相对较少,树库标注又是一件费时费力的工作。面对大量未标注语料,该文将主动学习应用到中文依存句法分析,优先选择句法模型预测不准的实例交由人工标注。该文提出并比较了多种衡量依存句法模型预测可信度的准则。实验表明,一方面,与随机选择标注实例相比,当使用相同数目训练实例时,主动学习使中文依存分析性能最高提升0.8%;另一方面,主动学习使依存分析达到相同准确率时只需标注更少量实例,人工标注量最多可减少30%。     

基于句法分析的城市空间形态定量研究

在对单元空间拓扑关系进行推理的基础上讨论了空间句法的系列变量 ,并以武汉市交通轴线为例 ,在GIS环境下对不同尺度空间范围的句法变量进行对比分析 ,得出 :(1)空间可达性是衡量城市空间形态的关键因素 ;(2 )集成度则是描述空间可达性直观而有效的变量 ;(3 )利用句法变量可以对人类活动与空间形态的相互关系做深入的研究