基于深度语义信息的查询扩展

随着互联网时代的到来，搜索引擎开始被普遍使用。在针对冷门数据时，由于用户的搜索词范围过小，搜索引擎无法检索出需要的数据，此时查询扩展系统可以有效辅助搜索引擎来提供可靠服务。基于全局文档分析的查询扩展方法，提出结合神经网络模型与包含语义信息的语料的语义相关模型，来更深层地提取词语间的语义信息。这些深层语义信息可以为查询扩展系统提供更加全面有效的特征支持，从而分析词语间的可扩展关系。在近义词林、语言知识库“HowNet”义原标注信息等语义数据中抽取局部可扩展词分布，利用神经网络模型的深度挖掘能力将语料空间中每一个词语的局部可扩展词分布拟合成全局可扩展词分布。在与分别基于语言模型和近义词林的查询扩展方法对比实验中，使用基于语义相关模型的查询扩展方法拥有较高的查询扩展效率；尤其针对冷门搜索数据时，语义相关模型的查全率比对比方法分别提高了11.1个百分点与5.29个百分点。     

基于语言建模的文本情感分类研究

提出了一种基于语言建模的文本情感分类的方法.将文本的情感倾向标记为"赞扬"或"批评",可以为文本提供主题之外的语义信息.为此提出了从训练数据中分别估计出代表"赞扬"和"批评"两种情感倾向的语言模型,然后通过比较测试文本自身的语言模型和这两种训练好的情感模型之间的Kullback-Leibler距离,分类测试文本的思路.各个模型的参数分别选用词形特征的unigram和bigram,而相应的参数估计也分别尝试了最大似然和平滑两种策略.当在电影评论语料上和代表不同分类模型的支持向量机及朴素贝叶斯分类器进行比较时,语言建模的方法表现出了较好的分类性能和鲁棒性.     

70 t电弧炉热兑转炉液态渣的工艺实践

转炉液态渣的碱度(CaO/SiO₂)一般为2.8～4.2,热容2.5 kJ/(kg·℃),进入渣罐后的炉渣温度约为1 540℃,有良好的导电性,可以利用其热能和氧化钙。当70 t电弧炉兑加120 t转炉液态渣8 t,可使平均冶炼周期由52 min降至47 min,电耗由400 kWh/t降至355 kWh/t,石灰加入量由3.6 t降至1.0 t,氧气消耗由28 m~3/t降至25 m~3/t,可有效地节约资源和减少炉渣的排放。     

学习理论指导下的计算思政教学方法研究

针对计算机课程思政教学特点,提出了计算思政的概念和8种计算思政教学方法,给出每种教学方法的概念、特点和学习理论基础,介绍典型案例设计并对计算思政教学方法提出建议,为开展计算机课程思政教学提供借鉴.     

网络行为数据的获取与解析实现

本文给出了网络行为的定义,介绍了WinPcap的相关知识,给出了网络行为数据获取程序的设计方法,说明了程序中各部分的相关功能,分析了由程序获取的网络行为数据,解析了邮件数据包的部分内容,验证了程序的部分功能。     

石灰石作转炉吹炼终点调温剂的生产试验

目前石灰石应用于炼钢过程的研究已有很多,其优势也已广为接受.笔者在研究了石灰石的各项特性之后,结合本厂废钢料型较差的现状,开发出利用石灰石在转炉吹炼终点进行调温的工艺,在实际生产中进行了试验,取得了良好的效果.     

利用知识强化语言模型的口语理解方法

基于预训练的语言模型在口语理解（SLU）任务中具有优异的性能表现。然而,与人类理解语言的方式相比,单纯的语言模型只能建立文本层级的上下文关联,缺少丰富的外部知识来支持其完成更为复杂的推理。提出一种针对SLU任务的基于Transformer的双向编码器表示（BERT）的联合模型。引入单词级别的意图特征并使用注意力机制为BERT融合外部知识。此外,由于SLU包含意图检测和槽填充2个相互关联的子任务,模型通过联合训练捕捉2个子任务间的关联性,充分运用这种关联性增强外部知识对于SLU任务的性能提升效果,并将外部知识转化为可用于特定子任务的特征信息。在ATIS和Snips 2个公开数据集上的实验结果表明,该模型句子级别的语义准确率分别为89.1%和93.3%,与BERT模型相比,分别提升了0.9和0.4个百分点,能够有效利用外部知识提升自身性能,在SLU任务中拥有比BERT更为优秀的性能表现。     

70吨电炉热兑转炉液态钢渣的工艺实践

转炉的液态钢渣的碱度较高,一般在2.8～4.2(ΣCaO/ΣSiO2),热容为2.5kJ/kg℃,进入渣罐以后的温度约为1550℃,并且具有良好的导电性,其中的热能和渣中富裕的氧化钙还能够充分的再次利用。文章介绍八钢第二炼钢厂将转炉液态钢渣用于电炉炼钢的工艺实践过程。     

降低电弧炉冶炼铁耗的工艺实践

通过70t电弧炉炼钢工艺操作的改进，在氧气消耗和冶炼周期不变的中，使电耗由345kWh/t降至328kWh/t，铁耗由1104kg/t降到1067kg/t。     

社区问答系统中“问答对”的质量评价

随着互联网的发展,社区问答系统已经成为获取网络信息的一条重要途径,但社区问答系统也存在着"问答对"质量分布不均的问题.本文以百度知道作为研究对像,分析了百度知道中"问答对"的文本特征、统计信息、提问者和回答者之间的关系以及问题和答案的关联度.在分析这些特征的基础上,建立了一个面向社区问答的"问答对"质量分类器,该分类器可以从社区问答系统中自动抽取出高质量的"问答对".