基于层次结构的生成式自动文摘

基于编码器—解码器架构的序列到序列学习模型是近年来主流的生成式文摘方法。但是,传统的编码器尚不能有效地对长文档进行语义编码,并且只能学习线性链结构的信息, 忽视了文档具有的层次结构。而文档的层次结构(字—句—文档)有助于自动文摘系统更加准确地判断文档内不同结构单元的语义信息和重要程度。为了使编码器能够获取文档的层次结构信息,该文根据文档的层次结构对文档进行编码: 首先构建字级语义表示,然后由字级语义表示构建句级语义表示。另外,该文还提出了一种语义融合单元来对输入文档不同层次的语义信息进行融合,作为最终的文档表示提供给编码器生成摘要。实验结果表明,在加入该文提出的层次文档阅读器与语义融合单元后,系统性能在 ROUGE 评价指标上有显著提高。     

基于上下文信息的产品评论摘要Bi-LSTM模型

产品评论摘要任务的主要目标是对产品评论中的用户观点和意见进行概括,总结出用户对该产品对象各方面性能的褒贬评价.针对产品评论中存在的语义缺失?错误较多等复杂的语言现象,提出一种基于上下文信息的产品评论摘要方法.基于Bi-LSTM 神经网络构建产品评论摘要模型,联合学习句子信息和上下文信息,以便更加准确地抽取出产品评论中的重要内容.实验结果表明,与传统的评论摘要方法相比,该方法在ROUGE(Recall-Oriented Understudy for Gisting Evaluation)评价指标上有显著提升.     

基于篇章层次结构的商品评论摘要

商品评论摘要是从一个商品的所有评论中抽取出一系列有序的能够代表评论广泛意见的句子作为该商品的综合评论。篇章层次结构分析旨在对篇章内部各个语义单元之间的层次结构和语义关系进行分析。由此可见,分析篇章层次结构有利于更加准确地判断篇章内各个语义单元的语义信息和重要程度,这对于抽取篇章的重要内容有很大帮助。因此,文中提出了一种基于篇章层次结构的商品评论摘要方法。该方法基于LSTM(Long Short Term Memory Network)神经网络构建抽取式商品评论摘要模型,并利用注意力机制将篇章层次结构信息作为判断篇章单元重要程度的参照加入该模型中,以便更加准确地抽取出商品评论中的重要内容,从而提升整个任务的性能。将所提方法在Yelp 2013数据集上进行实验,并在ROUGE评价指标上进行评测。实验结果表明,加入篇章层次结构信息后,模型的ROUGE-1值达到了0.3608,与仅考虑评论句子信息的标准LSTM方法相比提升了1.57%,这说明在商品评论摘要任务中引入篇章层次结构信息能够有效地提升该任务的性能。     

市政道路排水工程污水管顶管施工技术研究

顶管施工技术作为非挖掘式施工技术,在市政道路的排水工程中得到了广泛应用。随着科技手段的进步,顶管施工的材料与设备也获得了改善,施工工艺也层出不穷。基于此,提出市政道路排水工程污水管顶管施工技术研究,主要针对污水管顶管施工准备(包括场地勘测,材料、图纸复核与设备、设施安装等内容)与顶进施工(正常顶进施工、测量与纠偏以及其他有关施工措施等内容)。根据试验结果对比可知,设计的市政道路排水工程污水管顶管施工技术相比于传统设计,在管道密封性具有较高的优势,性能发挥稳定,基本维持在85%以上,设计的市政道路排水工程污水管顶管施工技术下的管道出现渗漏情况的概率较低。     

面向RGB-D语义分割的多模态任意旋转自监督学习

基于RGB-D数据的自监督学习受到广泛关注, 然而大多数方法侧重全局级别的表示学习, 会丢失对识别对象至关重要的局部细节信息. 由于RGB-D数据中图像和深度具有几何一致性, 因此这可以作为线索来指导RGB-D数据的自监督特征表示学习. 在本文中, 我们提出了ArbRot, 它可以无限制地旋转角度并为代理任务生成多个伪标签用于自监督学习, 而且还建立了全局和局部之间的上下文联系. 本文所提出的ArbRot可以与其他对比学习方法联合训练, 构建多模态多代理任务自监督学习框架, 以增强图像和深度视图的特征表示一致性, 从而为RGB-D语义分割任务提供有效的初始化. 在SUN RGB-D和NYU Depth Dataset V2数据集上的实验结果表明, 多模态任意旋转自监督学习得到的特征表示质量均高于基线模型. 开源代码: https://github.com/Physu/ArbRot.