基于注意力机制的事件同指消解方法

事件同指消解是一项具有挑战性的自然语言处理任务,它在事件抽取、问答系统、阅读理解中有着重要的作用。文中提出了一种基于全局和局部信息,并具有全局推理机制的可分解注意力神经网络模型DANGL(Decomposable Attention Neural network based on Global and Local information),用于文档级的事件同指消解。神经网络模型DANGL与过去大部分以概率模型和图模型为基础的传统方法之间存在很大的区别。DANGL首先使用Bi-LSTM和CNN分别获取每个事件句的全局信息和局部信息;然后使用可分解注意力网络获取每个事件句中相对重要的信息;最后使用文档级全局推理模型进一步优化同指链。在TAC-KBP语料库上的实验显示,DANGL使用了少量的特征,且平均性能优于目前最好的基准系统。

基于跨语言数据增强的事件同指消解方法

事件同指消解是一个具有挑战性的自然语言处理任务,它在事件抽取、问答系统和阅读理解等任务中发挥着重要作用。现存的事件同指消解语料库的一个问题是标注规模较小,无法训练出高效能的模型。为了解决上述问题,该文提出了一个基于跨语言数据增强的事件同指消解神经网络模型ECR_CDA(Event Coreference Resolution on Cross-lingual Data Augmentation)。该模型通过中英文语料互译来增强语料,并通过共享模型参数的方式实现中英文模型的跨语言学习,从而提高了事件同指消解的性能。在ACE 2005英文语料上的实验结果表明,ECR_CDA优于目前最先进的基准系统。

基于结构化表示的中文事件同指消解方法

事件同指消解是自然语言处理中一个具有挑战性的任务,它在事件抽取、问答系统和阅读理解中具有重要作用。针对事件的语义信息主要由触发词和论元表示这一个特点,该文将事件进行结构化表示并输入一个基于门控和注意力机制的模型GAN-SR(gated attention network with structured representation),在文档内进行中文事件同指消解。首先,该模型采用语义角色标注和依存句法分析技术对事件句进行浅层语义分析,抽取事件句信息并表示为一个事件五元组。其次,将各种事件信息输入GRU进行编码,然后使用多头注意力机制挖掘事件句和事件对之间的重要特征。在ACE2005中文语料库上的实验表明,GAN-SR的性能优于目前性能最好的基准系统。

棉花低温加热过程中气体成分与规律分析

为有效预防和控制棉花的低温燃烧现象,以新疆长绒棉作为样品,采用HS-GC顶空-气相色谱质谱仪测试其在60～200℃释放的气体成分及体积分数,分析此温度区间内的气体变化规律。实验结果表明,随着温度逐渐升高,样品释放的CO_2、乙烷、戊醛和丁醛表现出了一定的规律性:温度逐渐升高至100℃,乙烷体积分数由100%下降直至0;温度达到110℃时,戊醛体积分数几乎达到了100%。继续加温至160℃时生成了大量的CO_2;温度到达180℃时,CO_2逐渐消失,出现了环氧乙烷、氟乙炔等可燃气体。可以通过测定这几种气体判断棉花所处的温度范围,达到间接预警棉包内部起火的效果。