摒弃“套板效应”的文本解读

文本阅读，是阅读主体以自己的经验，对文本进行阅读体验和再创造的活动，是个体生命经验的结晶。长期以来我们习惯用政治的眼光来解读文学作品，学生们在传统的教学模式下也逐渐形成了思维定势，出现“套板效应”带来的弊端。从摒弃“套板效应”角度探讨怎样用好文本资源，提高大学生人文素质。     

文本与翻译

根据当代接受美学的观点,文本从本质上讲是不完全的,文本意义的实现,必须要有读者的参与。本文力图阐述文本的意义是通过译者的能动的阅读理解来加以确定的。而文本意义的实现则是译者视域与文本视域的融合。另外,在翻译过程中处理文本文化因素时的两种倾向“归化”和“异化”都有其价值。     

对阅读模式中“交互”的思考

阅读是"自下而上"和"自上而下"过程相互作用的交互过程。随着认知心理学和心理语言学的发展,阅读研究中出现了五种主要交互模式:交互激活模式、交互补偿模式、双边合作模式、自动处理模式和语言效率模式。这些模式从不同角度体现了阅读过程的交互性特点。交互性也可以体现为文本语言特征之间的相互关系,即文本互动。     

基于知识嵌入式预训练语言模型的文本分类方法研究

为解决一般预训练语言表示模型在语义理解和推理过程中存在不足的问题,提出了一种知识嵌入式预训练语言模型,使用知识嵌入和预训练语言表示的统一模型将事实知识集成到增强的语言表示模型中,充分利用知识图谱中包含的丰富的结构化知识事实来增强文本表示,从而提高预训练模型的效果。该模型利用大规模文本语料库和知识图谱进行训练优化,在THUCNews数据集上的文本分类的准确率和召回率分别达到了96.51%和90.36%,优于文本循环神经网络、基于变换器的双向编码器表征、增强语言表示模型的实验结果,验证了经知识图谱优化后的预训练语言模型在文本分类任务上的优越性。     

基于BERT语义分析和CNN的短文本分类研究

针对短文本数据量较小情况下CNN模型无法获得较好文本分类特征造成文本分类精度不高的问题,提出一种结合BERT语义分析和CNN的短文本分类模型,通过对BERT预训练模型进行微调获得文本向量表示,文本向量能够体现文本特征的全局语义关系,并将文本向量表示数据输入CNN模型进行分类模型训练,获得最终的文本分类特征实现分类。此方法能够实现短文本分类精度的有效提升。     

基于Web技术的航天文本分类系统研究与应用

海南发射场的海量文档缺乏有效的组织和管理,急需开发一种快速、有效的方法以实现文档的自动整理、归类。针对这一实际需求,基于Web技术和文本分类技术,通过Web服务器构建、训练文本数据收集、文本预处理、文本特征表示和分类模型训练,研发了一套服务器—客户端模式的航天文本分类系统。经测试,该分类系统在测试数据集上的准确率和召回率均达到90%以上,具有良好的分类性能。     

基于TI-LSTM的文本自动分类算法及应用

为了有效解决中文文本分类问题,提高文本分类的准确性,提出一种基于TF-IDF和神经网络相结合的文本自动分类算法——TI-LSTM算法。算法根据语义情景提取相应特征,进行量化,通过长短期神经网络（LSTM）对量化后的特征进行训练并赋予权重,最后以特征权重为依据对中文文本信息进行评价。使用TI-LSTM算法可以在保留原文语义的情况下准确提取特征。将该算法应用到长春理工大学贫困生等级分类研究中。与传统的KNN、逻辑回归、朴素贝叶斯和LSTM分类方法进行了比较,训练和测试的准确率都有了较大的提升,准确率达到了86%以上。     

互文性与意义增殖

按照互文性理论,文本的创造及其意义的产生依赖文本的共生性语境和不同文本间意义的参比。仅凭单一文本,不能完整解释文本自身的全部意义。文本自身也往往通过参照其他文本去获得意义,进而形成意义的增殖。互文性理论及其实践方式,可以引导作家和读者避免从单一视角、纬度、语境去孤立地对待文本的创造与解读。     

互文性与意义增殖

按照互文性理论,文本的创造及其意义的产生依赖文本的共生性语境和不同文本间意义的参比。仅凭单一文本,不能完整解释文本自身的全部意义。文本自身也往往通过参照其他文本去获得意义,进而形成意义的增殖。互文性理论及其实践方式,可以引导作家和读者避免从单一视角、纬度、语境去孤立地对待文本的创造与解读。     

对话:互文性视角下的文本意义生成过程——兼论艾略特诗学的互文性特征

文本的意义生成过程,就是作者、读者、历史以及现实等因子参与的对话过程。分为两个阶段,第一阶段是话语主体(作者)与先前文本的对话;第二阶段是读者阅读和接受的过程。     

基于汇编语言的简易文本编辑器的设计

汇编语言比机器语言易于读写、易于调试和修改，同时也具有机器语言执行速度快，占内存空间少等优点。文本编辑器是每一个电脑用户必备的软件，也是最常用的软件之一。本文简要介绍了关于汇编语言存在的意义，以及用汇编语言实现文本编辑器的意义及它的使用方法和主要功能的实现。     

基于相对熵的KNN文本分类方法的研究

摘要:为提高处理文本相似度的效果,提出了一种基于相对熵度量文本差异的KNN算法.该算法首先对文本进行预处理(分字与删去停用字)和构建特征字字典; 然后计算训练集中所有文本特征字的概率,并组成训练集(特征字概率矩阵); 最后计算预测文本的特征字概率向量,并通过计算和统计K个预测文本与训练集文本间相对熵最小的文本类别个数后将数目最多的类别作为测试样本的类别.实验结果表明,该算法的分类效果不仅显著优于传统KNN、SVM、Decision Tree、朴素Bayes算法的分类效果,且在小样本数据情况下     

浅谈接受美学的翻译观

介绍了接受美学关于作者意图、文本意义与读者参与关系的基本观点。读者的阅读是一个创造的过程,是预测和期待的过程,是读者情感参与的过程。按照接受美学理论,翻译就是在文本和读者、作者和读者间反复进行对话的双重交流过程。     

浅谈接受美学的翻译观

介绍了接受美学关于作者意图、文本意义与读者参与关系的基本观点。读者的阅读是一个创造的过程,是预测和期待的过程,是读者情感参与的过程。按照接受美学理论,翻译就是在文本和读者、作者和读者间反复进行对话的双重交流过程。     

论读者意识视野下的摘要英译

英文摘要读者对英文摘要所传达的意义的构建离不开读者的知识经验和阅读习惯。因此,在摘要文本的生产过程中,译者必须具有读者意识,从读者的视角出发生产英文摘要文本。只有这样,文本所要传达的意义和内容才能为英文读者所接受和使用。这就要求译者在论文摘要英译中超越中文摘要文本,结合论文原文和译者的意见把握论文核心内容,并通过模仿英文原创摘要调整自己的英文表达方式,完整有效地向英文读者介绍和传递论文中的创新内容。     

融合对抗训练与ERNIE的短文本情感分析模型

使用深度学习技术进行文本情感分类是近年来自然语言处理领域的研究热点,好的文本表示是提升深度学习模型分类性能的关键因素。由于短文本蕴含情感信息较少、训练时易受噪声干扰,因此提出一种融合对抗训练的文本情感分析模型PERNIE RCNN。该模型使用ERNIE预训练模型对输入文本进行向量化,初步提取文本的情感特征。随后在ERNIE预训练模型的输出向量上添加噪声扰动,对原始样本进行对抗攻击生成对抗样本,并将生成的对抗样本送入分类模型进行对抗训练,提高模型面临噪声攻击时的鲁棒性。实验结果表明, PERNIE RCNN模型的文本分类性能更好,泛化能力更优。     

基于文本融合的物联网触发动作编程模式服务推荐方法

针对一类物联网自动化驱动应用提出了一种服务推荐方法.该方法结合了文本分析、异构信息网络、深度学习技术,通过分析文本来寻找物联网中相关联的对象,进而达到推荐服务的目的 .首先,构造异构信息网络,并将文本和文本关系融入其中,生成一种文本融合的异构信息网络;随后,设计元路径和关系权重;最终,训练生成神经网络模型用于对服务进行推荐.在一个真实的数据集上进行了实验评估,结果表明,本文方法可以对服务进行推荐,并明显优于一些经典方法.     

浅谈基于粗集理论的文本归类系统

文本归类是处理大量文本数据自动分类的重要技术。基于粗集理论建立的林业文本信息归类系统,是在已知类别的训练集的基础上,通过分析训练数据样本,建立决策表产生区分矩阵构造出区分函数,并化简它,得到最小属性约简,最后应用Apriori算法产生最终分类的规则表,利用产生的规则表,可将林业文本信息数据进行自动归类。     

一种动态调整训练集的中文文本分类系统

对文本特征表示模型和文本特征提取方法进行了探讨,分析了分类效果的影响因素,设计了一种动态调整训练集的文本分类算法,并结合支持向量机验证了该分类系统的类别特征信息和分类适应性.     

用于文本分类的多探测任务语言模型微调

预训练语言模型被广泛运用在多项自然语言处理任务中,但是对于不同的任务没有精细的微调.针对文本分类任务,提出基于探测任务的语言模型微调方法,利用探测任务训练模型特定的语言学知识,可提高模型在文本分类任务上的性能.设计了6个探测任务,覆盖句子浅层、语法和语义三方面信息.最后在6个文本分类数据集上验证了本文的方法,使分类错误率得到改善.