警示传播算法的原理分析及算法改进

详细分析了警示传播算法基本原理,给出了算法的收敛性分析及算法的改进。实验证明,改进后的算法比原算法具有更 少的迭代次数和更少的运行时间,提高了收敛速度。警示传播算法的分析有助于理解和分析信念传播算法、调查传播算法的数学原理、以及传播算法的演化过程。     

大型球铁中开泵泵体的铸造

应用均衡凝固和大孔出流理论设计浇冒系统，在既无电炉又无保温炉的生产条件下，用5t／h冲天炉。采用炉缸喷氧新技术，成功地生产出重达8t的薄壁球铁件，材质满足QT500—7的性能要求，铸件本体金相球化率80％以上。详述了泵体的铸造工艺设计，熔炼、球化处理等关键工序的质量控制及解决措施。     

基于Multi-BiLSTM-Attention的关系抽取

在关系抽取任务中,单一的长短期记忆模型只能学习到某个特定维度的特征,而卷积神经网络可以利用多个卷积核学习不同维度特征.基于上述两个特点,该文提出了一种多层双向长短期记忆-注意力模型,该方法通过给长短期记忆模型设置不同大小的隐藏层,使其能自动从原始输入中抽取不同维度的、带依赖信息的抽象特征,并利用注意力机制捕获全局信息.实验显示,该方法能显著提高中文关系抽取效果,在ACE RDC 2005中文数据集上取得71.6％的F值.     

基于因子图求解(3,4=)-CNF公式类下可满足问题

合取范式(CNF)公式F是(3,4=)-CNF公式,如果F中每个子句的长度是3,每个变元出现的次数恰好为4次.与(3,4=)-CNF公式所关联的因子图是一类规则的二部图,即每个子句结点的度为3,每个变元结点的度为4,此类规则图被称为(3,4)-双向正则二部图.对于一个(3,4=)-CNF公式F,如果它关联的因子图GF有P7路径因子,则F可满足.     

边界回归的谓语中心词识别

识别谓语中心词是理解句子的关键，对于分析汉语结构具有重要意义。汉语结构松散导致谓语中心词识别困难，成为中文信息处理中的难点问题。由于单个句子中只有一个谓语中心词，枚举跨度将会产生大量负样本，导致正负样本不平衡。谓语中心词及高度重叠的负例样本之间共享相同的上下文，语义相近，容易产生误报。为了解决这些问题，提出一种基于边界回归的谓语中心词识别方法。首先识别谓语中心词的边界，然后通过边界组合生成跨度，从而减少跨度负样本的数量并且降低计算的复杂度。通过边界回归模块，更新跨度在句子中相当于谓语中心词的位置，提高跨度边界的准确性。通过增加约束策略，输出唯一的谓语中心词。实验结果显示，该模型的F值达到了84.41%，验证了该模型识别谓语中心词的有效性。     

基于跨度解码的嵌套命名实体识别方法

跨度分类是嵌套命名实体识别常用的方法，但由于需要穷举并验证每一个跨度，存在高复杂度和数据不平衡的问题。并且，由于对每个跨度是单独进行预测，忽视了文本序列中存在的实体间的依赖关系。针对跨度分类方法存在的上述问题，提出了一种基于跨度解码的嵌套命名实体识别方法。结合词性特征、字符特征、词特征以及上下文特征对文本进行编码，获取文本丰富的语义信息；识别可能的实体开始位置，在此基础上穷举可能的实体跨度，一定程度地减少潜在的实体跨度；使用基于注意力机制的解码器逐一对每个开始所对应的实体跨度的类型进行预测，解码过程中将已预测的实体信息进行传递，进而捕获和学习实体间的依赖关系。实验结果表明，跨度解码可以有效地改进跨度分类，所提出的方法在公共的英语嵌套实体数据集ACE2005和GENIA上的F1分数分别提高了0.45和0.14个百分点。