一种基于历史信息反馈的动态服务资源选择模型

针对真实服务网格环境中资源的不确定性，如CPU、网络的负载、安全性和动态性，提出了一种动态选择网格资源的技术——基于历史反馈的动态资源选择模型。该模型利用服务的历史执行信息自适应调整预测模型，并在考虑了网格环境中资源的实时性、安全性和不确定性的基础上，进行资源的反馈选择，最后将服务请求提交到整体性能较优的节点上。     

一个面向信息处理的双向文字处理算法IBidi

根据多文种信息处理中双向文字所存在的问题，提出了一种面向信息处理、具有自描述能力的双向文字处理算法IBidi。该算法首先对字符流进行预处理，主要对数字等特殊的字符进行标注；然后分析字符流，添加各种定义好的标签，用于描述字符的特性，供信息处理系统使用；最后，IBidi利用一个重新排序算法输出处理结果。该算法在典型测试样本上正确率达到96.7%，比Unicode的双向文字处理算法高出约17个百分点。另外，在随机样本测试中，IBidi的正确率也比Unicode的双向文字处理算法高5％左右。     

基于Linux的双出口透明网关的实现

在总结基于Linux 2.4内核的Netfilter/Iptables功能框架的单出口的透明网关基础上,介绍了Netfilter功能框架、Iptables的包过滤、网络地址转换功能和静态路由技术,最后给出了一个校园网环境下的双出口透明网关的实例,提出了双出口透明网关的设计方法.     

基于网格的Web信息抽取系统的设计与实现

Web信息抽取已经成为下一代Web应用的一个研究热点.在分析了当前Web信息抽取技术面临问题的基础上,结合网格技术的发展,提出了一个基于网格的Web信息抽取系统(GWIES),并给出了GWIES的设计方案,描述了系统实现的关键技术.     

基于跨语言数据增强的事件同指消解方法

事件同指消解是一个具有挑战性的自然语言处理任务,它在事件抽取、问答系统和阅读理解等任务中发挥着重要作用.现存的事件同指消解语料库的一个问题是标注规模较小,无法训练出高效能的模型.为了解决上述问题,该文提出了一个基于跨语言数据增强的事件同指消解神经网络模型ECR_CDA(Event Coreference Resolut...     

基于半监督学习的中文社交文本事件聚类方法

面向社交媒体的事件聚类旨在根据事件特征实现短文本聚类.目前,事件聚类模型主要分为无监督模型和有监督模型.无监督模型聚类效果较差,有监督聚类模型依赖大量标注数据.基于此,该文提出了一种半监督事件聚类模型(SemiEC),该模型在小规模标注数据的基础上,利用LSTM表征事件,并基于线性模型计算文本相似度,进行增量聚类.然后...     

基于多视角建模的汉语议论文写作质量评估方法

自动作文评分是一项代替人工为学生作文进行等级评分的任务，其中丰富的语义、严密的组织和合理的逻辑是重要的考虑因素。已有的研究大多数只从语义或组织等视角出发评估作文的质量，未考虑如逻辑等更高层次的因素。因此，文中提出了一个多视角评价框架(Multi-perspective Evaluation Framework, MPE),从语义表达、组织结构和整体逻辑3个方面对学生议论文进行了客观、可靠的评价。具体来说，多视角评价框架首先利用预训练模型编码句子并获得由低到高3个层次的语义信息，来评估文章的语义表达；其次，框架将句子功能识别与段落功能识别相结合，用于评估文章的组织结构；然后，通过计算段落之间的连贯性来评估文章的整体逻辑；最后，该框架综合这3个方面的评估特征，对作文评分。实验结果表明，所提出的多视角评价框架能够有效地对不同质量的作文进行评分，优于所有基准系统。     

基于联合模型的端到端事件可信度识别

事件可信度是对文本中事件真实情况的一种描述，是自然语言处理领域许多相关应用的基本任务。目前，大多数关于事件可信度的相关研究都是使用标注的事件进行事件可信度识别，不方便实际应用，并且忽略了不同事件源对事件可信度的影响。针对现有问题，提出了一个端到端的事件可信度识别的联合模型JESF。该模型可以同时进行事件识别、事件源识别、事件可信度识别3个任务；使用BERT(Bidirectional Encoder Representations from Transformers)和语言学特征加强单词的语义表示；使用注意力机制(Attention)和依存句法树构建图卷积神经网络(Graph Convolutional Network, GCN),以有效地提取语义和句法特征。特别地，该模型也可以应用于只考虑默认源(文本作者)的事件可信度任务。在FactBank, Meantime, UW, UDS-IH2等语料上的实验结果显示，所提模型优于基准模型。