医学影像诊断资源平台关键技术的研究

研究了医学影像诊断资源平台中的一些关键技术,利用文本处理技术提取文本特征和影像处理技术提取灰度、纹理和形状特征,应用文本和影像处理相结合的技术确定影像中病灶特征,使用索引技术将高维特征组织在一起,利用语义网建立资源的语义关联。原型系统提供了高效率和高准确率的资源检索平台,为医生提供了学习以及交流的平台。实验结果表明,系统的性能得到较大提升。     

相似文本的快速搜索

相似文本的快速搜索是大规模文本处理需要解决的基本问题。从两方面改进了Udi的相似文本搜索方法，通过Hash把集合映射成ID．从而得到更快的集合比较算法．重新定义了相似关系，能够减少误判，同时对有固定格式的文本也有更好的效果。     

基于正文和评论交互注意的微博案件方面识别

微博案件观点所涉方面的自动识别是了解互联网社交媒体新闻舆情的重要手段,但由于微博文本形式和内容均灵活多变,传统的方面识别方法通常只利用单一的正文或评论,使微博语义理解非常有限。针对涉案微博文本的方面识别问题开展研究,提出一种基于正文和评论交互注意的案件方面识别方法,通过融合社交媒体的上下文信息,实现对案件观点所涉方面的识别。首先基于Transformer框架对正文和评论分别进行编码;然后基于交互注意力机制,实现正文信息和评论信息的融合,并基于融合后的特征实现对评论文本案件方面的识别;最后基于12个案件构建的微博数据集进行实验,实验结果表明,采用交互注意力机制融合微博正文信息和评论信息可以显著提升案件方面识别的准确率,证明了所提方法的有效性。     

使用信息增益方法选择分类器

为了减少表现差的个体分类器对集成器分类性能的影响,提高集成器分类效果及稳定性,提出了基于信息增益的分类器选择方法。该方法将高维分类器空间压缩至低维分类器空间,并在该空间内学习集成器。在多个数据集上的比较实验结果表明,该方法可行,其集成性能较理想。     

Two-stage sentence selection approach for multi-document summarization

Compared with the traditional method of adding sentences to get summary in multi-document summarization,a two-stage sentence selection approach based on deleting sentences in a candidate sentence set to generate summary is proposed,which has two stages,the acquisition of a candidate sentence set and the optimum selection of sentence.At the first stage,the candidate sentence set is obtained by redundancy-based sentence selection approach.At the second stage,optimum selection of sentences is proposed to delete sentences in the candidate sentence set according to its contribution to the whole set until getting the appointed summary length.With a test corpus,the ROUGE value of summaries gotten by the proposed approach proves its validity,compared with the traditional method of sentence selection.The influence of the token chosen in the two-stage sentence selection approach on the quality of the generated summaries is analyzed.     

面向哈萨克语LVCSR的语言模型构建方法研究

一个好的语言模型不仅可以压缩语音识别过程中的搜索空间,而且还可以提高识别准确率。N-gram统计语言模型是目前广泛使用的语言模型之一。从文本的收集和处理开始,介绍了哈萨克语语言模型的构建相关技术,并以此为基础实现了一个哈萨克语连续语音识别基线系统。分别训练了基于单词和基于音节的3-gram语言模型,并通过困惑度及连续语言实验结果对两种语言模型进行了评价。     

自动术语抽取研究综述

自动术语抽取是从文本集合中自动抽取领域相关的词或短语，是本体构建、文本摘要、知识图谱等领域的关键基础问题和研究热点.特别是，随着近年来对非结构化文本大数据研究的兴起，使得自动术语抽取技术进一步得到学者的广泛关注，取得了较为丰富的研究成果.本文以术语排序算法为主线，对自动术语抽取方法的理论、技术、现状及优缺点进行研究综述：首先概述了自动术语抽取问题的形式化定义和解决框架.然后围绕“浅层语言分析”中基础语言信息和关系结构信息两个层面的特征对近年来国内外的研究成果进行分类，系统总结了现有自动术语抽取方法的研究进展和面临的挑战.最后对术语抽取使用的数据资源及实验评价进行分析，并对自动术语抽取未来可能的研究趋势进行了探讨与展望.     

TXL编程语言及其应用

针对常用文本处理工具、方法中无法有效地对上下文无关语法描述的源代码进行结构查询、匹配这一问题,提出基于TXL语言语法编程功能的解决方法。 TXL是一种语言转换和快速原型构建系统,其核心是TXL编程语言。利用其强大的语法编程功能,可以轻松实现对任意可以用上下文无关语法描述的语言进行解析变换,实现特定结构的匹配、检索与转换功能。介绍TXL语言基本概念及使用方法,结合日常工作经验介绍其在文本处理、编程语言处理与转换等方面的应用。实践证明,TXL编程能有效解决传统文本处理工具在词法标记、语法解析及代码转换上的实现代价,实现高效率的源码文本处理功能。     

基于变长码的面向字符文本处理方法

传统的以字节为对象的文本处理方法在今天越来越显出它的弊端。本文提出的基于变长码的面向字符的文本处理方法, 在统一编码的基础上, 将逻辑字符与它的存储方式独立开来, 并以此为单位进行文本处理。这种方式可以有效地解决汉字等多字节字符集的编辑、显示、检索的不便, 还可使字符集的容量无限扩充。本文陈述了变长码的概念与面向字符的文本处理方法的基本思想, 并以汉字处理为例给出了几个层次的实现方法。     

理解正则表达式（下）

本文是作者2007-03期文章的继续,正则表达式首先是一个文本处理工具,它的作用正在超越这一范围。正如本文作者所言,由于它对结构的关注,它其实正在改变人们设计程序的思维方式。