基于分层潜在语义驱动网络的事件检测

事件检测旨在检测句子中的触发词并将其分类为预定义的事件类型.如何有效地表示触发词是实现该任务的核心要素.目前基于表示的方法通过复杂的深度神经网络来学习候选触发词的语义表示,以提升模型性能.然而,其忽略了2个问题:1)受句子语境的影响,同一个触发词会触发不同的事件类型;2)受自然语言表达多样性的影响,不同的触发词会触发同一个事件类型.受变分自编码器中隐变量及其他自然语言处理(natural language processing,NLP)任务中分层结构的启发,提出基于分层潜在语义驱动网络(hierarchical latent semantic-driven network,HLSD)的事件检测方法,通过句子和单词的潜在语义信息来辅助缓解以上2个问题.模型从文本表示空间中分层降维到新的潜在语义空间,探索事件宏微观语境中更本质的影响信息.首先,通过BERT对候选句子进行编码,得到句子的表示和句子中单词的表示;其次,设计一个双重的潜在语义机制,并采用VAE挖掘句子和单词级潜在语义;最后,从不同粒度的上下文角度,提出采用一个由粗到细的分层结构来充分使用句子和单词的潜在信息,从而提升模型的性能.ACE2005英文语料库上的实验结果表明,所提方法的F1值在事件检测任务上达到了77.9%.此外,在实验部分对以上2个问题进行了定量分析,证明了所提方法的有效性.

基于异构社交上下文的多视图微博主题检测

社交媒体主题检测旨在从大规模短帖子中挖掘潜在的主题信息.由于帖子形式简短、表达非正规化,且社交媒体中用户交互复杂多样,使得该任务具有一定的挑战性.前人工作仅考虑了帖子的文本内容,或者同时对同构情境下的社交上下文进行建模,忽略了社交网络的异构性.然而,不同的用户交互方式,如转发,评论等,可能意味着不同的行为模式和兴趣偏好,其反映了对主题的不同的关注与理解;此外,不同用户对同一主题的发展和演化具有不同影响,社区中处于引领地位的权威用户相对于普通用户对主题推断会产生更重要的作用.因此,提出一种新的多视图主题模型(multi-view topic model,MVTM),通过编码微博会话网络中的异构社交上下文来推断更加完整、连贯的主题.首先根据用户之间的交互关系构建一个属性多元异构会话网络,并将其分解为具有不同交互语义的多个视图;接着,考虑不同交互方式与不同用户的重要性,借助邻居级注意力和交互级注意力机制,得到特定视图的嵌入表示;最后,设计一个多视图驱动的神经变分推理方法,以捕捉不同视图之间的深层关联,并自适应地平衡它们的一致性和独立性,从而产生更连贯的主题.在3个月新浪微博数据集上的实验结果证明所提方法的有效性.

基于依存分析和错误驱动的中文时间表达式识别

时间表达式识别是进行时间表达式归一化的基础,其识别结果的好坏直接影响归一化的效果。本文提出一种基于依存分析和错误驱动识别中文时间表达式的新方法。首先以时间触发词为切入点,据依存关系递归地识别时间表达式,大大地提高了识别效果;然后,采用错误驱动学习来进一步增强识别效果,根据错误识别结果和人工标注的差异自动地获取和改进规则,使系统的性能又提高了近3.5%。最终在封闭测试集和开放测试集上,F1值达到了76.38%和76.57%。

基于宏微观重要性判别模型的时序多文档文摘

时序多文档文摘是针对新闻领域跨时段的相关文档集,即系列新闻报道进行问题无关的、抽取式文摘.根据系列新闻报道不同细节层次的时序特性,提出一种基于宏微观重要性判别模型的内容选择方法.从宏观和微观角度挖掘信息随着时间进化的时序特性,以指导时序多文档文摘的内容选择.首先通过宏观模型确定重要的时间点,然后通过微观模型在重要的时间点选择重要的句子,从而更有效地获取文摘.实验证明该方法是有效的.

基于启发式错误驱动学习的中文时间表达式识别

提出了一种基于启发式错误驱动学习的中文时间表达式识别的新方法。该方法先采用依存分析方法以时间触发词为切入点递归地识别时间表达式，有效地解决了长距离依赖的问题，大大提高了识别效果；在此基础上，对比错误识别结果和人工标注，采用启发式A＊算法搜索策略进行错误驱动学习，降低了规则学习的复杂度，并具有区分每条规则的有效性和规则间相容性的优点，使系统性能提高近6％。最终在封闭测试集和开放测试集上，F值分别达到了77．96％和77．92％。

基于多任务学习的中文事件抽取联合模型

事件抽取旨在从非结构化的文本中提取人们感兴趣的信息,并以结构化的形式呈现给用户.当前,大多数中文事件抽取系统采用连续的管道模型,即:先识别事件触发词,后识别事件元素.其容易产生级联错误,且处于下游的任务无法将信息反馈至上游任务,辅助上游任务的识别.将事件抽取看作序列标注任务,构建了基于CRF多任务学习的中文事件抽取联合模型.针对仅基于CRF的事件抽取联合模型的缺陷进行了两个扩展:首先,采用分类训练策略解决联合模型中事件元素的多标签问题(即:当一个事件提及中包含多个事件时,同一个实体往往会在不同的事件中扮演不同的角色).其次,由于处于同一事件大类下的事件子类,其事件元素存在高度的相互关联性.为此,提出采用多任务学习方法对各事件子类进行互增强的联合学习,进而有效缓解分类训练后的语料稀疏问题.在ACE2005中文语料上的实验证明了该方法的有效性.

面向视觉假体的复杂图像处理技术

为了更准确地提取视觉假体采集的复杂图像中的信息,提出了一种基于视觉显著性的复杂图像视觉焦点检测和基于多尺度信息融合的图像边缘特征提取算法。算法首先利用GB算法计算复杂图像显著性图,然后利用双阈值分割和形态学方法提取出复杂图像中的视觉焦点区域。其次,针对传统边缘检测中单尺度微分算子的不足,提出了融合多尺度Sobel的边缘检测方法。提出的复杂图像处理策略既简化了图像信息编码的复杂度,又提高了边缘提取算法的噪声稳健性。

基于社会媒体内容和网络拓扑的特定话题推特摘要研究

推特摘要旨在从话题相关的社会媒体短文本中提炼概要的推文集,以获取有效信息,可用于舆情监控、竞争情报分析及电子商务等.然而社会媒体的海量、嘈杂及不规范性使得仅依赖纯文本的传统摘要方法难以直接迁移到社交媒体情景中;而现有的推特摘要方法很少考虑数据稀疏性和社会网络传播带来的强冗余性,鲜有通过挖掘推文之间潜在的社会网络结构关系进行文摘内容选择,忽略了信息可以沿着社交网络进行传播.受压缩感知及社会学理论的启发,该文提出基于社会网络和稀疏重构的推特摘要方法(SNSR)以更好地融合社会媒体内容和结构信息.首先,挖掘推文中隐含的摘要模式,将其建模为组稀疏正则项,以捕捉代表性的推特摘要组合;其次,建模社会网络中表达一致性与表达传染性为社会化正则项,以探索推文之间的潜在网络结构关系在推特摘要中的作用;再次,建模社会媒体信息传播带来的强冗余性为多样性正则项,进而将这些约束整合到稀疏重构的推特摘要框架中;最后,提出基于Nesterov加速梯度下降的推特摘要算法,以解决推特摘要优化框架中的覆盖性、稀疏性以及多样性等问题.同时,由于推特摘要标准语料的缺乏,作者建设了12个话题的评测数据集.相关的实验结果证明了文中提出方法的有效性.

基于BP神经网络的图像目标识别算法研究

图像目标识别系统主要由四部分组成:图像预处理、图像分割、图像描述、分类决策。文章采用基于不变矩的提取特征值方法,这样整个模式识别主要过程包括图像采集、图像预处理、运动目标不变矩提取和分类识别。利用阈值分割得到运动目标图像,再经滤波去噪得到预处理图像,然后对得到的预处理图像分别提取其Hu不变矩,最后采用最小距离分类器和BP神经网络分类器进行分类,判别运动目标类别。

基于文本摘要及引用关系的可视辅助文献阅读

近年来,科技论文发表数量与日俱增,科研人员需要阅读文献的数量也随之迅速增长.如何快速而有效地阅读一篇科技论文,逐渐成为一个重要的研究课题.另一方面,在阅读科技论文时,理解与其相关的重要参考文献可帮助读者更好地理解文章的内容.然而,如何从众多的参考文献中快速找到最重要、最相关的几篇,如何避免在阅读过程中迷失在文档的多维空间,仍是值得研究的问题.为了解决上述问题,提出了一个基于文本摘要和引用关系的可视辅助文献阅读系统.该系统利用一种基于阅读目的的文本摘要技术提取出论文中重要的句子,并采用多尺度的可视化方式进行展示;使用LDA(latent dirichlet allocation)话题模型抽取参考文献的核心话题;记录用户的阅读行为,用于提示其阅读上下文,以保证用户关注点不发生迷失.同时,在一个具体的案例场景中详细介绍了系统的使用方法,并进行了用户研究以验证系统的可用性.

面向带属性复杂网络的鲁棒、强解释性社团发现方法

语义社团发现包含两重含义,即提升社团发现质量、精确标注社团语义.传统的社团发现方法通常假设网络拓扑与节点内容共享同一社团结构.然而,在许多真实网络(如社交网络)中,网络拓扑与节点内容所对应的社团结构通常并不一致.例如,在Twitter网络中,社交链接能够直接地反映出哪些用户聚集在一个社团之中,而每位用户却会产生迥异的、杂乱无章的内容信息.针对该问题,作者基于非负矩阵分解框架提出了一个鲁棒、强解释性的新的社团发现模型(Robust and Strong Explanatory Community Detection,RSECD).该模型创新地采用一个带先验的转移概率矩阵来刻画网络社团与内容类簇之间的内在关联.在实验中,作者首先采用一组人工网络验证RSECD的有效性和鲁棒性;进而在7个真实网络上,与8种代表性社团发现方法进行量化比较,结果显示RSECD的检测精度比性能最高的对比算法高6%～14%,进一步体现了其优越性;最后,通过一个在线音乐社交网络上的实例分析,作者又验证了RSECD对于所发现社团具有很强的可解释能力.

煤炭开采与环境保护

本文主要介绍了煤炭开采过程中造成的环境污染问题及对煤矿进行监管的必要性和监管办法。

基于语境交互感知和模式筛选的隐式篇章关系识别

隐式篇章关系识别是篇章分析(Discourse Analysis)中一项具有挑战性的子任务,旨在推断出同一篇章内相邻文本片段(称为论元)之间潜在的语义连接关系,例如:时序关系、因果关系等.如何有效地表征篇章论元以及挖掘论元间的交互信息是实现该任务的核心要素.传统研究注重篇章中人工总结的表层语言特征(即情感词极性、位置特征和动词类型等),存在数据稀疏和预处理错误级联的问题,导致机器学习模型性能不高.新近的深度神经网络模型则自动提取篇章论元中的特征,利用注意力或记忆机制等捕获论元的重要信息,并组合不同神经网络提取大量关系特征,以提升模型识别性能.然而,其忽略了表示过程中论元间双向非对称的交互信息,以及识别过程中论元间交互模式的稀疏特性.受认知学相关理论的启发,本文提出基于语境交互感知和模式筛选的隐式篇章关系识别方法(MATS).首先,通过双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)分别编码两个论元,以获取带有上下文语境信息的论元表示;其次建模其动态交互注意力机制,以自动学习论元之间的非对称关联矩阵,进而得到融合语境交互感知信息的论元表示;最后,利用带有稀疏约束的张量神经网络捕捉具有篇章关系指示性的深层交互模式,从而提升模型的识别性能.Penn Discourse Treebank(PDTB)语料库上的实验结果表明,本文提出方法的精确率在其四分类上改善了2.36%.

融合语境分析的时序推特摘要方法

任务中的一个重要分支,旨在从热点事件相关的海量推特流中总结出随时间演化的简要推特集,以帮助用户快速获取信息.推特作为当今最流行的社交媒体平台,其信息量爆发式的增长以及文本碎片的非结构性,使得单纯依赖文本内容的传统摘要方法不再适用.与此同时,社交媒体的新特性也为推特摘要带来了新的机遇.将推特流视作信号,剖析了其中的复杂噪声,提出融合推特流随时序变化的宏微观信号以及用户社交上下文语境信息的时序推特摘要新方法.首先,通过小波分析对推特流全局时序信息建模,实现某一关键词相关的热点子事件时间点检测;接着,融入推特流局部时序信息和用户社交信息建立推特的随机步图模型摘要框架,为每个热点子事件生成推特摘要.在算法评估过程中,对真实推特数据集进行了专家时间点和专家摘要的人工标注,实验结果表明了小波分析和融合了时序-社交上下文语境的图模型在时序推特摘要中的有效性.

谈试验检测技术在道路桥梁中的运用

归纳了道路桥梁试验检测的内容,针对道路桥梁试验检测中存在的问题,阐述了压实度检测、回弹弯沉检测、无损检测三种技术在道路桥梁中的应用,促使道路桥梁检测向图像化、数字化和自动化方向发展。

试析公路桥梁静力荷载试验技术

对公路桥梁静力荷载试验进行了概述,从试验准备工作、加载方案的主要情况、数据观测技术的应用情况等方面,对试验方面的项目及试验相关情况加以分析,旨在确保公路桥梁静力荷载试验效果和可信度。

粉煤灰、矿渣粉双掺高性能混凝土的应用及施工

在粉煤灰、矿渣粉双掺高性能混凝土中,矿渣粉和粉煤灰双掺可等量或超量取代水泥,大大节约水泥用量,降低水化热,减少因温度应力而造成的混凝土裂缝;还可以增加混凝土的流动性,易泵送,改善混凝土和易性,提高新拌混凝土内聚性,改善水泥浆体的微观结构,增大混凝土的密实性,从而提高混凝土强度和耐久性。

快乐体育在课堂教学中的运用

快乐体育有利于学校培养适应社会发展的综合素质人才。同时在体育教学中贯彻快乐体育的理念，对于营造良好的教学环境、构建和谐的师生关系、创新教学内容以及科学设置体育教学课程都有着积极的影响。