基于堆叠降噪自编码器的异质网络的层次构建与节点分类

针对传统特征抽取方法不能很好解决含有丰富语义信息和复杂网络结构的异质网的数据稀疏和噪声问题,利用堆叠降噪自编码器进行特征抽取,有利于松弛策略建立其类别层次结构,完成节点的分类和排序.在计算机科学文献库(digital bibliographylibrary project,DBLP)数据集上的实验结果表明:相比于其他分类算法,该方法分类性能更优,精确率可达86.3%.     

基于属性分类建模的电子产品价值评估技术

为缓解传统电子产品价值评估方式高度依赖专业人员的干预,需要频繁更新评估算法,人工工作量过大的问题,提出基于属性分类建模的电子产品价值评估方法。通过将产品属性进行分类,分别建模产品属性与价值评估结果的映射关系,引入时间信息来增强预测结果的时效性,采用一种缓解数据驱动模型冷启动问题的方法,获得更加精准的价值评估结果。通过在真实的手机回收订单数据集上进行的实验,验证了该模型在减少人工干预的同时取得了较高的电子产品价值评估精度。     

基于深度学习的机器阅读理解研究综述

机器阅读理解任务在近年来备受关注,它赋予计算机从文本数据中获取知识和回答问题的能力。如何让机器理解自然语言是人工智能领域长期存在的挑战之一,近年来大规模高质量数据集的发布和深度学习技术的运用,使得机器阅读理解取得了快速发展。基于神经网络的端到端的模型结构,基于预训练语言模型以及推理技术的应用,其性能在大规模评测数据集上有很大提升,但距离真正的理解语言还有较大差距。本文对机器阅读理解任务的研究现状与发展趋势进行了综述,主要包括任务划分、机器阅读理解模型与相关技术的分析,特别是基于知识推理的机器阅读理解技术,总结并讨论了该领域的发展趋势。     

基于Transformer增强架构的中文语法纠错方法

语法纠错任务是自然语言处理领域的一项重要任务,近年来受到了学术界广泛关注。该任务旨在自动识别并纠正文本中所包含的语法、拼写以及语序错误等。该文将语法纠错任务看作是翻译任务,即将带有错误表达的文本翻译成正确的文本,采用基于多头注意力机制的Transformer模型作为纠错模型,并提出了一种动态残差结构,动态结合不同神经模块的输出来增强模型捕获语义信息的能力。受限于目前训练语料不足的情况,该文提出了一种数据增强方法,通过对单语语料的腐化从而生成更多的纠错数据,进一步提高模型的性能。实验结果表明,该文所提出的基于动态残差的模型增强以及腐化语料的数据增强方法对纠错性能有着较大的提升,在NLPCC 2018中文语法纠错共享评测数据上达到了最优性能。     

有机-无机复混肥料总钾含量的测量不确定度评定

根据GB 18877-2002有机-无机复混肥标准中钾含量的测定方法,对影响测定结果的不确定度进行分析,并对这些分量进行量化计算,结果表明:影响有机-无机复混肥总钾含量测量不确定度的主要因素是由样品重复测试引入的不确定度。     

面向汉语作为第二语言学习的个性化语法纠错

语法纠错任务旨在通过自然语言处理技术自动检测并纠正文本中的语序、拼写等语法错误。当前许多针对汉语的语法纠错方法已取得较好的效果,但往往忽略了学习者的个性化特征,如二语等级、母语背景等。因此,该文面向汉语作为第二语言的学习者,提出个性化语法纠错,对不同特征的学习者所犯的错误分别进行纠正,并构建了不同领域汉语学习者的数据集进行实验。实验结果表明,将语法纠错模型适应到学习者的各个领域后,性能得到明显提升。     

打造质感完美空间——记天津市水鑫达木业有限公司

天津市永鑫达木业有限公司成立于1992年，总投资1.5亿元人民币，占地面积7.3hm^2（109亩），建筑面积2万多m^2，是集装饰纸、浸渍纸和贴面板生产销售于一体的制造型企业，现为中国林产工业协会装饰纸委员会副理事长单位。永鑫达公司坐落于天津市西青区馨谷科技园内，处于环渤海经济区之中心，交通便捷，原辅材料和产成品吞吐方便，在我国装饰纸市场上占有得天独厚的优势。公司的3大主要产品：装饰纸年产3000t，浸渍纸年产450万m^2，贴面板年产300万m^2。3大产品以其卓越的品质深受广大客户的青睐，销往全国各地，并出口至东南亚、中东、南非和欧洲等地区。     

分词及词性标注一致性校对系统的设计与实现

针对真实语料中分词、词性标注结果前后不一致的现象提出了基于规则库的校对方法与策略 ,设计了一致性校对系统 ,进一步提高分词、词性标注的正确率。     

模式学习在QA系统中的有效实现

开放领域的问题回（question answering）是自然语言处理领域中具有挑战性的研究方向．提出了一种基于模式学习实现问题回答的方法，核心思想是利用机器学习方法得到的答案模式获取问题答案．该方法优势在于：①模式学习完全自动化实现；②解决了目前普遍存在的模式约束性弱及答案缺乏语义类型限制等缺陷．在TREC测试集上的实验结果表明，它不但解决了简单模式所覆盖的问题集，同时也解决了需要较强约束性模式进行答案抽取的问题集，而后者的问题数目在TREC测试问题集中占约80％．     

基于松弛策略的文本层次分类方法

为了进一步提高文本层次分类的性能,在传统层次分类方法的基础上融入了松弛策略思想,在构造层次结构的过程中,该方法推迟了不确定类别的节点判定,直到可以明确所属类别,大大降低了高层节点分类错误对低层节点分类性能的影响,即"阻滞"问题的有效缓解.实验结果表明:松弛策略思想可以构建更加合理的层次结构,并进一步提高了分类的性能;相对于支持向量机等其他分类方法,在时间性能上更加高效,对于大规模文本分类任务而言具有重要意义.