面向信息处理的突发事件语料库分类体系研究

本文分析了突发事件新闻的特点、建设突发事件新闻语料库的目的和意义,研究了突发事件新闻语料的分类体系和编码。研究结果对突发事件新闻语料库的建设、突发事件新闻信息检索、国家相关部门对突发事件应急处理方案制定以及对流行病学的医学研究等领域具有一定的理论意义和应用价值。     

文本分类中训练集相关数量指标的影响研究

针对训练集对分类性能的影响,从训练集的文本数、类别数以及特征项数这三项数量指标出发进行研究。使用多因素方差分析方法及多种语料库定量探讨该三项数量指标对分类性能的影响规律。结果发现特征项数对分类性能的影响在不同的文本数和类别数时是不同的,分类性能受训练集的这三项指标的交互影响,通过对训练集的这三项指标进行优化,提出了从分类算法、特征项选择法以外提高分类性能的途径。在真实数据上的实验结果表明,该方法可有效提高分类性能。     

谈语料库在理工类院校英语教育中的应用研究

针对中国理工类院校英语教育的现实情况,探索了语料库研究在大学英语教学课堂的应用价值,希望为大学教育阶段的英语学习者指明培养语言意识、进行自主学习的可行性道路。研究了语料库在词汇语法学习以及写作教学等方面的作用,并且指出目前国内语料库应用的实际困难以及可能的发展方向。认为:语料库的教学应用能够令学习者增进语感、了解某类语法规律或某种语言现象、形成较强的语言意识;教师更可以通过语料库应用研究促进教学方式多元化,进一步推动英语教育教学改革。     

基于语料库的英语味觉域形容词谓语构式及隐喻拓展

认知语言学的涉身体验观对语言研究产生了重大影响,与人类基本体验相关的身体部位、空间和感知等受到前所未有的关注.以概念隐喻理论和基于使用的构式理论为基础,选取英语味觉域的四个形容词（sour,sweet,bitter,spicy）为研究对象,运用Sketch Engine检索工具分析它们在BNC语料库中的主体分布和谓语句构式.研究发现：英语形容词谓语句构式的单一性（SCC结构）使得味觉域形容词意义的拓展在很大程度上依赖隐喻机制,形容词原型体验的差异导致了隐喻拓展的不同,形容词谓语句构式对隐喻拓展会产生一定的激励和限制作用.     

自然语言文本中不确定性信息的自动识别

自然语言中存在大量不确定的表述,针对此类信息的检测任务是信息抽取领域的研究热点之一,然而,面向中文的不确定信息检测研究仍然比较匮乏,利用支持向量机(Support Vector Machine,SVM)能够很好的解决非线性、高维数、局部小样本等实际问题的优势,将中文不确定性信息识别问题转化为分类问题,通过在复旦大学发布的中文不确定性检测数据集语料上的实验,验证了本文提出的基于SVM的中文不确性信息检测方法的有效性,相比于句子评分模型,我们的系统取得了更好的召回率.     

基于Wikipedia的语义元数据生成

语义元数据提供数据的语义信息,在数据的理解、管理、发现和交换中起着极为重要的作用。随着互联网上数据爆炸式的增长,对自动元数据生成技术的需求也就变得更加迫切。获得目标语义元数据及得到足够的训练语料是使用自动生成技术的两个基本问题。由于获得目标语义元数据需要专家知识,而获得足够的训练语料需要大量的手工工作,这也就使得这两个问题在构建一个成功的系统时至关重要。该文基于Wikipedia来解决这两个问题通过分析一个类别中条目的目录表(table-of-contents)来抽取目标语义元数据,通过对分析文档结构和赋予目标结构正确的语义元数据来构建训练语料库。实验结果表明,该文的方法能够有效地解决这两个问题,为进一步的大规模的语义元数据应用系统打下了坚实的基础。     

Towards Japanese corpus-based semantic accessibility scale

A detailed analysis of semantic accessibility scale （SAS） based on Japanese corpus has been performed in this paper. Firstly, the method of systematic random sampling is devised for quicker comparison among six groups in きくに . Secondly, according to the direct result of comparison, different sampling ratios （SR） in groups show regular deviation. The more pages are extracted, the higher SR is involved. Thirdly, the values of SAS in groups are calculated and then contrasted with SR. The regular deviation of SR fails to bring fundamental variation of SAS even though minor difference of SAS in groups may be reflected. The irrelevance to SAS establishes the fact that SR can be used for literary critics to extract and analyze SAS in corpus-involved texts from semantic perspective.     

基于自动句对齐的相似古文句子检索

随着语料库语言学的兴起,基于实例的机器翻译(EBMT)得到越来越多的研究。如何快速准确地构建大规模古今汉语平行语料库,以及从大量的对齐实例(句子级)中检索和输入句子最相似的源句子是基于实例的古今汉语机器翻译必须解决的问题。本文综合考虑句子长度、汉字字形、标点符号三个因素提出了古今汉语句子互译模型,基于遗传算法、动态规划算法实现了古今汉语的自动句对齐。接着为古文句子建立全文索引,基于汉字的信息熵,本文设计与实现一种高效的最相似古文句子检索算法。最后给出了自动句对齐和最相似古文句子检索的实验结果。     

Discrete data clustering using finite mixture models

Finite mixture models have been applied for different computer vision, image processing and pattern recognition tasks. The majority of the work done concerning finite mixture models has focused on mixtures for continuous data. However, many applications involve and generate discrete data for which discrete mixtures are better suited. In this paper, we investigate the problem of discrete data modeling using finite mixture models. We propose a novel, well motivated mixture that we call the multinomial generalized Dirichlet mixture. The novel model is compared with other discrete mixtures. We designed experiments involving spatial color image databases modeling and summarization, and text classification to show the robustness, flexibility and merits of our approach.     

基于视频三音子的双模态语料自动选取算法

为实现可视语音合成,建立符合条件的双模态语料库,提出双模态语料自动选取算法。根据视频中唇部发音特征,对已有的三音子模型归类,形成视频三音子,在其基础上从原始语料中自动选取语料,利用评估函数对原始语料中的句子打分。与其他双模态语料库相比,该语料库在覆盖率等指标上有较大改进,为实现具有真实感的可视语音合成奠定基础。