结合全局对应矩阵和相对位置信息的古汉语实体关系联合抽取

目前,基于全局对应矩阵的联合抽取模型在英文领域和现代汉语领域的实体关系抽取任务上取得了SOTA（state-of-the-art）结果,然而在古汉语实体关系抽取任务上表现相对较差。这首先由于当前的古汉语实体关系数据集具有数据规模小、数据标注稀疏的特点,模型无法从数据中学习到足量的信息;其次是因为该模型训练时缺少实体的跨度信息,使得模型容易生成长度异常的实体。针对上述问题,该文在研究了开源的《资治通鉴》语料后,人工构建了一个古汉语实体关系数据集,并设计了一种结合全局对应矩阵和相对位置信息的实体关系联合抽取方法。该方法在古汉语实体关系数据集上的精确率和F₁值分别达到了81.0%和67.0%,相较于基线模型提升了6.8%和1.4%。同时,该文通过实验验证了上述融合相对位置信息的方法对于解决“容易生成长度异常实体”问题的有效性。     

数据并行程序中的动态负载平衡模型

在研究分析已有的负载平衡策略算法的基础上,应用Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ的信任函数理论,提出了一种基于信度网络的负载平衡策略算法,此算法较适应动态负开平衡,而且优于负载平衡的随机算法,若忽略系统的通信花费则可达到系统的完全负载平衡。综合各种费用,提出的算法通过状态管理器,在不完全信息的状态下可使系统达到较满意的平衡。此外,基于信度网络的负载平衡策略算法不仅适应于虚拟非规则网络,也适应于虚拟规则     

不确定性推理的似然比方法

本文在文献［3］的基础上进一步研究了似然比推理方法，讨论了似然比推理的更一般情形及带权重信息的组合规则，这种推理思想和人们通常推理行为是相一致的，因而此方法在不确定推理中更具有一般性和更好的适应性。     

基于情感词和多任务卷积神经网络的文本情感分布学习

不同于传统的情感分析范式,情感分布学习采用与示例关联的情感分布对多种情绪进行定量建模,可以较好地处理具有情绪模糊性的情感分析任务。针对现有情感分布学习方法缺乏考虑文本分析任务特有的情感词语言学先验知识的问题,该文提出一种基于情感词和多任务卷积神经网络(Lexicon enhanced Multi-Task Convolutional Neural Network, LMT-CNN)的文本情感分布学习模型,用于预测文本的情感分布和情绪标签。LMT-CNN模型的网络结构由文本语义信息模块、情感词的情感知识模块和多任务预测模块组成,采用端到端方式进行模型训练和预测。在7个常用的文本情感数据集上的对比实验结果表明,LMT-CNN模型具有比已有的情感分布学习方法更优的情感分布预测和情绪分类性能。     

融合XLM词语表示的神经机器译文自动评价方法

机器译文自动评价对机器翻译的发展和应用起着重要的促进作用,其一般通过计算机器译文和人工参考译文的相似度来度量机器译文的质量。该文通过跨语种预训练语言模型XLM将源语言句子、机器译文和人工参考译文映射到相同的语义空间,结合分层注意力和内部注意力提取源语言句子与机器译文、机器译文与人工参考译文以及源语言句子与人工参考译文之间的差异特征,并将其融入基于Bi-LSTM神经译文自动评价方法中。在WMT’19译文自动评价数据集上的实验结果表明,融合XLM词语表示的神经机器译文自动评价方法显著提高了其与人工评价的相关性。     

基于加权样本的FCM快速算法研究

为改进FCM算法在处理大样本集聚类时速度慢、耗时多的缺点,根据样本在特征空间中的特征值分布情况,引入等价样本和样本加权概念,在此基础上提出了FCM（Fuzzy C-Means）的快速算法一般形式：WFCM（Weighted Fuzzy C-Means）算法.理论上证明了WFCM算法和FCM算法对样本集分割的等价性,并且,WFCM在运算性能方面明显优于FCM算法.而两个算法在灰度图像分割上的例子验证了WFCM算法的快速性和有效性.     

港口城市规划中港口的功能定位--以温州港为例

在港口城市规划中合理确定港口的定位,对于港口及城市的发展都具有重要的意义。以温州港为例,分析了温州港的区位优势和发展潜力,采用时间序列分析、相关分析、弹性系数等方法综合分析,预测了温州港未来的吞吐量,根据温州市的经济规模、发展潜力及温州港的区位优势,将其功能定位为以国际集装箱和大宗散货运输为主的多功能、综合性、开放型的沿海主枢纽港。