基于深度学习的抽取式摘要研究综述

自动文本摘要(ATS)是自然语言处理的热门研究方向,主要实现方法分为抽取式和生成式两类。抽取式摘要直接采用源文档中的文字内容,相比生成式摘要具有更高的语法正确性和事实正确性,在政策解读、官方文件总结、法律和医药等要求较为严谨的领域具有广泛应用前景。目前基于深度学习的抽取式摘要研究受到广泛关注。主要梳理了近几年基于深度学习的抽取式摘要技术研究进展;针对抽取式摘要的两个关键步骤——文本单元编码和摘要抽取,分别分析了相关研究工作。根据模型框架的不同,将文本单元编码方法分为层级序列编码、基于图神经网络的编码、融合式编码和基于预训练的编码四类进行介绍;根据摘要抽取阶段抽取粒度的不同,将摘要抽取方法分为文本单元级抽取和摘要级抽取两类进行分析。介绍了抽取式摘要任务常用的公共数据集和性能评估指标。预测并分析总结了该领域未来可能的研究方向及相应的发展趋势。

基于随机场和Monte-Carlo法的随机有限元分析

首先利用所分析的工程结构建立随机场,对随机场进行离散处理,然后求得所需的特征量协方差矩阵,把协方差矩阵进行Cholesky分解,用Cholesky分解后的特殊矩阵与对随机变量随机抽样得到的随机数矩阵作用得到所需随机变量的随机数,对进行随机场离散后的模型再进行有限元网格的离散,在此基础上对所建立的模型用有限元法进行求解。用Matlab编程来实现以上的分析和处理过程。通过算例表明:结合随机场和Monte-Carlo法与传统的monte-carlo法相比,在保证计算精度的前提下,可以有效地减少随机抽样的次数。