英语情态动词语用充实的历史语用学探析——以must为例

在语用充实理论的基础上,结合关联理论,利用历史语用学的分析方法,从语境和认知两个角度分析了英语情态动词must词义的历史发展脉络,并借此研究了情态动词must在具体使用中词义的语用充实过程。研究表明:语境并不是事先存在的,而是随听话人关联的信息而变化的;语境的动态变化,使得听话人对must含义的解读也发生变化;在一段时期内,听话人关联的信息会相对固定,语境也会相对固定,对must含义的解读也趋于一致,而这种一致性促成了must新词义的形成。

基于深度神经网络的文本问题生成技术综述

问题生成作为自然语言生成任务的一种,近年来受到了研究人员的广泛重视。该任务的目标是在给定输入文本的情况下,生成一个关于该输入的合理的问题。问题生成有很多应用场景,例如在线教育、搜索引擎提示和问答系统等等。近年来,基于深度神经网络的方法使文本生成技术摆脱了基于模板的生成方式,开始采用基于编码器-解码器框架的文本生成方法。本文介绍了现有基于深度神经网络的文本问题生成技术的研究背景和国内外的研究现状,概述了目前该任务的相关数据集,并对各种方法进行了分类:基于循环神经网络的文本问题生成、基于Transformer的文本问题生成和基于预训练技术的文本问题生成。同时,总结了当前该任务面临的挑战和难点。

文本自动摘要研究进展

作为自然语言理解能力的重要一环,机器摘要技术一直为相关研究人员所重视。随着新闻聚合类APP、智能语音音箱和智能手机助手等产品的兴起,机器摘要技术也得到了越发广泛的应用。(Automatic Summarization)是利用计算机自动实现文本分析、内容归纳和摘要自动生成的技术。