晋东南传统聚落水环境适应性营造智慧 — —以晋城市泽州县南峪村为例

水环境的适应性营造是生态适应性 的重要组成部分。为了探究晋东南水环境的 适应性,研究在现场调查和建筑测绘的基础 上,利用空间句法软件Depthmap分析选址布 局与水环境物质底板的关系,将晋东南传统 聚落水适应性环境营造总结为“双层循环子 系统”的宏观框架和“单一元素多功能使用” 的系统特征,同时将其微观呈现归纳为四个方 面。得出结论：第一,城市化背景下传统聚落 的变革模式应该延续“缓慢渐进的适应模式” 来创造和改善人居环境。第二,“从与自然共 生的角度出发”和“整体与个体相结合”是晋 东南传统聚落水适应性环境营造经验总结, 对解决现代城市问题有重要的借鉴作用。     

基于BIND域名解析服务管理的设计

基于BIND的域名服务器的管理用手工操作完成,域名的访问量、用户访问特征难以统计。该文以Solaris 9下运行的BIND为实验平台给出了一种自动管理和配置BIND的解决方法。通过分析BIND源代码,提出在内存中的实时访问统计方法,解决BIND中基于日志记录统计造成的性能瓶颈,实现高效的域名访问量统计。     

句法分析中基于词汇化树邻接语法的数据增强方法

句法分析是自然语言处理的基础技术,主流的由数据驱动的神经网络句法分析模型需要大规模的标注数据,但是通过人工标注扩展树库成本很高,因此如何利用现有标注树库进行数据增强成为研究焦点。在汉语句法分析的数据增强任务中,对于给定的标注树库,要求数据增强所生成的句子满足如下条件：第一,要求生成句具有多样化且完整的句法树结构;第二,要求生成句具有合理的语义。对此,我们首次提出基于词汇化树邻接语法的数据增强方法。针对第一个需求,该文设计实现基于词汇化树邻接语法的词汇化树抽取算法与句法树合成算法,基于该语法可以在句法树之间进行“接插”和“替换”的操作,从而推导生成新的句法树,并且用语言学的知识保证生成句符合语法规则且具有完整的句法树结构。针对第二个需求,该文利用语言模型对生成句进行语义合理性评估,选取语义合理的句子作为最终的增强数据,从而获取高质量的标注树库。我们以汉语为例开展研究,在汉语树库CTB5上进行句法分析的数据增强评测实验。实验结果显示,在小样本(CTB5的20%)实验中,通过该方法得到的增强数据使依存句法分析和成分句法分析的精度分别提高1.39%和2.14%。在鲁棒性实验中,该文通过构建扩展...     

基于ERNIE-BiGRU模型的摘要语步自动识别研究

是对文献主要内容的浓缩,摘要不同部分的语步具有不同的信息,语步的自动识别和抽取对于学术摘要的后续研究有着重要的应用价值,而目前语步识别的研究相对较少,并且相关算法的效果还需要提高。针对上述问题,该文提出了一种基于ERNIE-BiGRU模型的语步识别算法。该算法首先结合中文句法分析理论提出基于句法依存关系的多语步结构拆分法,对学术文献摘要多语步结构进行自动拆分,获得多个单语步结构;然后构建用于训练的单语步结构语料库,并利用知识增强语义表示预训练模型,训练出句子级词向量;最后将训练出的单语步结构词向量信息输入双向门限循环单元(BiGRU)进行摘要语步自动化识别,取得了良好的效果。实验结果表明,该算法具有较好的鲁棒性和较高的识别精度,在结构化和非结构化摘要上的识别准确率分别达到了96.57%和93.75%。     

基于图神经网络的汉语依存分析和语义组合计算联合模型

组合原则表明句子的语义由其构成成分的语义按照一定规则组合而成,由此基于句法结构的语义组合计算一直是一个重要的探索方向,其中采用树结构的组合计算方法最具有代表性。但是该方法难以应用于大规模数据处理,主要问题是其语义组合的顺序依赖于具体树的结构,无法实现并行处理。该文提出一种基于图的依存句法分析和语义组合计算的联合框架,并借助复述识别任务训练语义组合模型和句法分析模型。一方面,图模型可以在训练和预测阶段采用并行处理,极大地缩短计算时间;另一方面,联合句法分析的语义组合框架不必依赖外部句法分析器,同时两个任务的联合学习可使语义表示同时学习句法结构和语义的上下文信息。我们在公开汉语复述识别数据集LCQMC上进行评测,实验结果显示准确率接近树结构组合方法,达到79.54%,预测速度最高可提升30倍以上。     

Ratfor-Fortran翻译程序

本文主要介绍了结构Fortran语言到Ratfor语言的翻译方法,具体介绍了Fortran语言与Ratfor语言的区别和把Ratfor语言中的控制流语句翻译成Fortran语言的控制流语句的方法.     

Dependency treelet translation: the convergence of statistical and example-based machine-translation?

We describe a novel approach to MT that combines the strengths of the two leading corpus-based approaches: Phrasal SMT and EBMT. We use a syntactically informed decoder and reordering model based on the source dependency tree, in combination with conventional SMT models to incorporate the power of phrasal SMT with the linguistic generality available in a parser. We show that this approach significantly outperforms a leading string-based Phrasal SMT decoder and an EBMT system. We present results from two radically different language pairs, and investigate the sensitivity of this approach to parse quality by using two distinct parsers and oracle experiments. We also validate our automated bleu scores with a small human evaluation.     

How to hit scylla without avoiding charybdis: Comment on Perruchet, Tyler, Galland, and Peereman (2004).

M. Pe?a, L. L. Bonatti, M. Nespor, and J. Mehler (see record 2002-06215-001) argued that humans compute nonadjacent statistical relations among syllables in a continuous artificial speech stream to extract words, but they use other computations to determine the structural properties of words. Instead, when participants are familiarized with a segmented stream, structural generalizations about words are quickly established. P. Perruchet, M. D. Tyler, N. Galland, and R. Peereman (see record 2004-21166-008) criticized M. Pe?a et al.'s work and dismissed their results. In this article, the authors show that P. Perruchet et al.'s criticisms are groundless. (PsycINFO Database Record (c) 2010 APA, all rights reserved)     

Correction to Perruchet et al. (2006).

Reports an error in "Do We Need Algebraic-Like Computations? A Reply to Bonatti, Pena, Nespor, and Mehler (2004)" by Pierre Perruchet, Ronald Peereman, and Michael D. Tyler (Journal of Experimental Psychology: General, 2006[May], 135(2), 322-326). The page numbers that Dr. Perruchet cited from Dr. Bonatti et al.'s article were printed incorrectly. These page numbers should appear as follows in the correction. (The following abstract of this article originally appeared in record 2006-06642-011.) L. L. Bonatti, M. Pena, M. Nespor, and J. Mehler (see record 2006-06642-010) argued that P. Perruchet, M. D. Tyler, N. Galland, and R. Peereman (see record 2004-21166-008) confused the notions of segmentation and generalization by ignoring the evidence for generalization in M. Pena, L. L. Bonatti, M. Nespor, and J. Mehler (see record 2002-06215-001). In this reply, the authors reformulate and complement their initial arguments, showing that their way of dealing with segmentation and generalization is not due to confusion or ignorance but rather to the fact that the tests used in Pena et al. make it likely that neither segmentation nor generalization were captured in their experiments. Finally, the authors address the challenge posed by Pena et al. of accounting for the whole pattern of their results without invoking rule-based, algebraic-like computations. (PsycINFO Database Record (c) 2010 APA, all rights reserved)     

程序设计语言的GLR优化分析

阐述了在程序设计语言语法分析器的构造中采用通用LR(generalized LR,简称GLR)分析算法的动机.提出了一个多层次的优化策略,加快了GLR分析器的分析速度.为基本的GLR算法增加了必要的运行时控制机制,以实现语法分析时调用文法规则附带的语义动作,化解输入串的二义性,同时避免GLR分析器可能存在的语义动作延迟问题.优化后的算法已在一个可视化语法分析器自动生成环境VPGE中实现.实验结果表明,在分析确定性的编程语言时,自动生成的GLR分析器的分析速度与自由软件基金会的Bison生成的LALR(1)分析器的分析速度有可比性.