SSD模型及其在汉语词性标注中的应用

该文提出了一种以符号解码与数值解码并举的SSD(Symbol-and-Statistics Decoding Model)模型,该模型被用于汉语词性标注任务,其标注正确率在封闭测试中达到97.08%,开放测试中达到95.67%,较二阶HMM的95.56%和94.70%都有较为显著提高。SSD模型的正确率虽然不及最大熵模型和CRF模型,但它的训练时间远少于后者,说明SSD模型在处理自然语言中的特定任务时是一种较强的实用模型。     

从广义话题结构考察汉语篇章话题认知复杂度

语言理解问题从认知的角度已有大量的研究,但针对汉语的研究却很少。由于认知实验操作复杂,不容易大规模复制,因此难以量化其结论的普遍性以及对语言事实的覆盖度。该文尝试模拟人补足汉语篇章片段中话题-说明信息的过程,建立广义话题结构认知机模型,并通过认知机对大规模汉语语料进行定量分析,考察汉语标点句的话题认知所需的记忆资源及认知局限性。用作统计特征量的广义话题结构特征有标点句的深度、话题结构内折返度、话题栈深度、话题栈折返度、搁置区使用量。统计数据可从认知行为的视角得到合理解释。该文一方面揭示了说汉语者的话题认知能力的表现和局限性,另一方面又说明了广义话题结构认知机是话题认知的合理模型。     

基于CRF的百科全书文本段落划分

CRF模型是标注、切分序列数据的较新的概率模型，在信息抽取等文本处理领域广受关注。该文介绍了CRF方法，并将其应用到百科全书文本段落的划分上，利用CRF的特征表述机制加入了文本单元序列中的长距离约束，取得了比传统的隐马尔科夫方法更好的结果。     

基于SLM的二叉树在语音停顿预测中的应用

讨论基于统计语言模型SLM（Statistic Language Model）的二叉树在语音停顿预测中的应用。基于大规模语料，利用三元模型Trigram，建立统计语言模型；基于SLM为待处理句子生成相应的二叉树；将生成的二叉树所包含的信息，从不同角度应用于语音停顿的预测。实验结果表明，基于SLM生成的二叉树能够较好地为语音停顿的预测做出贡献。     

基于细粒度特征的话题句识别方法

话题句（TC）识别中采用穷举方法生成标点句的候选话题句（CTC）影响系统的执行效率和话题句识别的准确率。提出一种新的候选话题句生成方法,利用标点句在篇章中的位置特征、话题的语法特征以及话题串与说明的邻接性特征,指导候选话题句的生成过程。实验结果表明,该方法减少了候选话题句的个数,提高了系统效率。而且,通过与基于穷举式候选话题句生成策略的话题句识别工作进行对比,该方法使单个标点句话题句识别的准确率提高了0.96个百分点,使标点句序列话题句识别的准确率提高了1.31个百分点。     

自然语言句法分析的顺序控制算法

自然语言处理系统的运行速度对于系统本身的开发是至关重要的。这类系统的核心之一是句法分析子系统,本文讨论句法分析的一般性的顺序控制算法,包括简单回溯算法、彻底回溯及其剪裁的算法,以及算法的实现方法,实验和分析表明,这些算法的效率是相当令人满意的。     

汉字字形形式化描述方法研究

本文分析了目前汉字处理应用中存在的主要问题，归纳出问题的核心是由于缺少能涵盖一切可能汉字的、可计算的字形形式化描述体系，从而造成应用中有一系列障碍。发现了现有字形描述方法共同存在的特征选取缺陷，最后给出了一种可行的汉字网格字形描述方法，该方法不仅能表示一切可能的汉字字形（包括错字），而且为字形特征异同的自动计算奠定了可靠的基础。     

否定词跨标点句管辖的判断

现代汉语中基本否定词“不”以及扩充词“从不”、“很不”、“不能”、“不会”等的否定辖域受到学术界重视,但前人研究一般局限于句内,且主要局限于基本否定词,其实否定辖域也涉及多个标点句,否定词的管辖判断也涉及到扩充的否定词。跨标否定词跨标点句管辖的判断和否定词共享问题是整个跨标点句句法共享问题的一个重要组成部分。本文从形式上找到了一些否定词跨标点句的共享规律,即着重从形式角度讨论了否定词跨标点句的辖域问题,对现代汉语长句句法分析有重要作用,并对汉外机器翻译有实用价值。     

多语信息交流平台的中间语言系统及支撑环境设计

探讨了中间语言充当多语信息交流平台基础架构的必要性和可行性，介绍了一个基于中间语言的多语信息处理平台的总体设计和实现策略。讨论了如何在构建中间语言系统过程中引入子语言、受限语言技术，中间语言系统在网络环境下的XML实施，以及系统实施过程中的多引擎处理策略和学习反馈模块等支撑环境建问题，最后给出了一个示例在系统平台中运行的过程。     

汉字的笔段网格字形描述及字形比对算法

由于目前计算机缺乏对汉字字形统一有效的形式化描述和比对计算方法,致使无法描画输入所需的各种可能汉字,也无法利用计箅机对字形进行比对分析.提出一种具有颗粒度适当、无歧义、规范化基元,能描述各种可能字形(包括错字、古籍异体字、拼合字)骨架异同的笔段网格汉字字形描述方法;并基于该方法给出了字形比对算法,它能自动提取字形包含的简单笔画和复合笔画,根据字形的不同自适应地选取复合笔画或简单笔画,并以此为单位进行比对;最后将计算两字形最优配对笔画间的向量距离总和作为比对结果.实验结果表明,该方法具有很强的字形描述能力,字形比对算法对结构规范字形的比对准确牢较高,可用于支持各种汉字的描画输入及面向字形比对分析的各种应用.