Coulomb Correction to Keldysh-Faisal-Reiss Theory for Photoionization of Atoms

In this paper,the Coulomb correction to Keldysh-Faisal-Reiss theory is derived in A-gauge.An application of the Coulomb correction to the photoelectric effect of H-atom is presented and the role of the gauge choice and the Coulomb correction are discussed.It is shown that the Coulomb correction plays an importaht role in the explanation of the recent energetic photoelectron spectra of He.

Corrective-Net:面向多标签文本分类的标签关联学习模块

在目前的多标签文本分类任务中,主要面临以下2个问题:(1)侧重文本表示学习,对标签之间的关联信息建模不充分;(2)尽管使用了标签关联信息来改善多标签分类任务,但对标签关联的建模过于依赖人工预定义的外部知识,而外部知识的获取成本高昂,限制了其实际应用。针对以上问题,提出了一种面向多标签文本分类的标签关联学习模块Corrective-Net。该模块可以在不依赖外部知识的前提下,自动学习数据中的标签关联信息;同时,它还可以利用标签关联信息,对基础分类模块的初始预测结果进行修正,使得最终预测兼顾语义信息和标签关联信息,以获得更精准的多标签预测结果。在AAPD和SO数据集上的大量实验表明,Corrective-Net具有通用性和有效性,通过分析标签修正对各个标签性能的影响,得到了显式的标签关联信息,并进行了可视化。

融合音素的缅甸语语音识别文本纠错

缅甸语语音识别文本中包含大量的同音和空格错误,使用通用的文本语义信息纠正错误字符,对缅甸语空格和同音错误定位和纠正不准确。考虑到缅甸语是一种声调语言,并且音素中包含了声调信息,因此提出融合音素的缅甸语语音识别文本纠错方法。通过参数共享策略对转录文本及其音素进行联合建模,利用音素信息辅助检测并纠正缅甸语同音和空格错误。实验结果表明,本文所提方法相比基线方法ConvSeq2Seq,在缅甸语语音识别纠错任务中的F1值提升了85.97%,达到了79.15%。

面向大曲率环扇形文本的矫正预处理方法

基于降低文本识别难度、优化STN(Spatial Transformer Networks)矫正算法、改善图像质量的目的,采用控制点预处理和文本分割预处理方法,通过计算文本检测算法得到的控制点来规范环扇形文本区域,通过优化单位矫正区域来改善STN矫正质量。结合在公开数据集上开展的矫正及识别实验得出,该文推荐方法在IIIT5K和CUTE80数据集上的准确率至少提升了2.67倍和2.41倍。

中文文本纠错软件测试用例的选择生成方法

针对目前尚无有效的中文文本纠错软件测试用例生成方法的情况,为了服务于软件纠错性能的测量并为软件提供优化方向,设计了一种面向多用户的、工程化的中文文本纠错软件测试用例选择生成方法(SGMT-CCS)。定义了两种不同的可供用户选择的用例评判标准:错误数量密度和错误种类密度。设计了三个模块:测试用例自动化生成模块、测试用例选择模块以及测试用例优先级排序模块。在SGMT-CCS中,用户可以:1)在测试用例自动化生成的过程中自定义错误最小间隔和用例集大小;2)在测试用例选择的过程中自定义错误最小间隔和期望值;3)在测试用例选择和优先级排序的过程中选择不同的用例评判标准进行自定义操作,以适应不同数据集的要求。实验结果表明,SGMT-CCS能够在较短的时间内获得有效的测试用例,选择模块实验在模拟的需求情况下都能满足用户自定义目标,优先级排序模块实验验证了相较于排序前,在不同评判标准下的不同时间段内都能有效提高测试效率。

基于Soft-Masked BERT的新闻文本纠错研究

互联网时代的新闻宣传领域,每天都会产生海量的文本稿件,仅依靠人工进行校正,成本极高,效率低下。利用计算机辅助技术对新闻稿件进行审阅极大地提高了校稿效率,大大减少人力成本,进一步利用特定新闻领域语料集的深度学习模型,完成个性化定制,在该领域的纠错过程中可以取得更好的效果。文中使用一种全新的中文文本纠错模型理论:Soft-Masked BERT,该模型将中文文本的检错过程与纠错过程分离,纠正网络的输入来自于检测网络输出。文中旨在Soft-Masked BERT基础上进行改进并应用。使用“哈尔滨工业大学新闻网”新闻稿件中10 000条文本序列(HIT News Site)作为初始语料进行训练,之后对该新闻网的相关稿件进行中文文本校对。结果表明,Soft-Masked模型在HIT News Site数据集上的整体性能表现优于BERT-Finetune,准确率提高0.6个百分点,精确率提高1.3个百分点,召回率提高1.5个百分点,F1分数提高1.4个百分点,效果良好。

读《文字墨影》墓志录文札记

中国文字博物馆收藏有一批珍贵墓志拓片,《文字墨影》选释其中110种,部分为首次刊布,其文献、史料、语料等价值非常突出。该书释读水平整体较高,但受残泐、讹俗、用典等因素影响,文字缺录、误录问题仍较严重,极不利于材料的科学有效利用。对照墓志拓片,选取该书典型缺、误文字案例,分形近字、涉典字、疑难字及残泐字四类进行考辨补正,以还原文献原貌,从而为碑刻文献释读整理提供参考,为汉语汉字研究提供可靠实证支撑。

《长沙走马楼西汉简牍选粹》释文补正

《长沙走马楼西汉简牍选粹》公布了最新西汉简牍资料120枚。基于红外影像图版,通过系统校读简文释文,并参考未刊走马楼西汉简牍文献资料,对《长沙走马楼西汉简牍选粹》所收简牍释文进行补充和订正。其中,订正释文文字14例,补释未释文字29例,修订脱文衍文1例。这一个案研究,将有利于推动走马楼西汉简牍新材料的应用和探讨。

基线自适应透视变换的文本行矫正

相机拍摄的文档图像通常存在弯折和透视形变,这将导致由图像提取的文本行弯曲和文字的大小不一致。提出基线自适应透视变换来进行文本行矫正。该方法使用Bezier曲线拟合文本行中心和上、下边界基线,在文本行拉直矫正中加入了横向矫正效果。提出的方法将需要矫正的文本行片段模拟为倾斜平面,当文本行片段高边方向与文档旋转轴向角度为45°时,未经过透视形变与经过透视形变的文本行片段高度比与宽度比的比值相同。根据片段高度与文本行平均高度比值进行宽度变化并计算透视变换矩阵,矫正其中存在的透视形变。对实际拍摄的文档图像提取的文本行进行人工检查,将没有完成的文本行拉直矫正,以及矫正后有字体较大错误形变的文本行图像作为矫正失败的文本行图像,文本行矫正成功的概率约为98.08%。

陈校本《元典章》校读札记

目前所见《元典章》的最早版本是元刊本,但是该版本的刊刻质量一般,讹、脱、衍、倒等失误之处多见。陈高华等点校的《元典章》虽对元刊本《元典章》中的失误之处进行了纠正,但仍有一些失误之处未暇顾及,同时其本身时有整理失误之处。今通过异文比对、文字分析、词义训释等方法,对陈高华等点校的《元典章》中21条失误之处进行辨正,以期促进《元典章》的阅读和研究。

场景图像弯曲文本检测与识别

随着深度学习技术的发展,场景文本检测与识别在近几年取得了巨大的进步,场景文本检测与识别的实现方式也越来越具有多样性。然而,场景文本的表示方式仍然以矩形和旋转矩形居多,该类文本表示方式难以精准表示弯曲的文本实例。为了解决弯曲文本的表示问题,论文提出了一种参数化的弯曲文本表示法,并且基于参数化表示法设计了弯曲文本纠正算法,实现了弯曲文本的形态纠正,降低了识别的难度。通过引入该方法,实现了功能完善的场景文本检测与识别系统。实验结果表明,此方法可以有效完成场景文本的检测与识别任务。

中文文本纠错软件测试用例的最小化方法

针对目前尚未存在有效的中文文本纠错软件测试用例最小化方法的情况,设计了两种中文文本纠错软件测试用例集最小化方法:基于多目标遗传算法的中文文本纠错软件测试用例集最小化方法(Minimization Method based on Multi-objective Genetic Algorithm of Test case for Chinese text error Correction Software,MMG-CCS)和基于TextRank模型的中文文本纠错软件测试用例最小化方法(Minimization Method based on TextRank of Test case for Chinese text error Correction Software,MMT-CCS).MMG-CCS基于问题特点设计了一种中文文本纠错软件测试用例集覆盖度模型,并将测试用例集大小及覆盖度作为目标函数,为了高效求解该问题,MMG-CCS同时对遗传算子进行了改进.此外,MMT-CCS方法能将测试用例集最小化问题映射为图解问题,并根据问题特点对TextRank模型进行了针对性改进.实验结果表明,MMG-CCS和MMT-CCS对测试用例集的缩减程度高,且在不同中文文本纠错软件上对于不同中文文本纠错软件测试用例集均能保持相同的测试效果.

一种面向中文拼写纠错的自监督预训练方法

预训练语言模型BERT/RoBERTa/MacBERT等虽然能够通过预训练任务中的掩码语言模型(MLM)很好地学习字和词的语法、语义及上下文特征,但其缺乏拼写错误识别及纠正能力,且在中文拼写纠错(CSC)任务中面临预训练与下游任务微调目标不一致的问题。为了进一步提升BERT/RoBERTa/MacBERT等模型的拼写错误识别及纠正能力,提出一种面向中文拼写纠错的自监督预训练方法MASC。MASC在MLM的基础上将对被掩码字的正确值预测转换成对拼写错误字的识别和纠正。首先,MASC将MLM对字的掩码扩展为相应的全词掩码,目的是提升BERT对单词级别的语义表征学习能力;接着,利用混淆集从音调相同、音调相近和字形相近等方面对MLM中的被掩码字进行替换,并将MLM的训练目标更改为识别正确的字,从而增强了BERT的拼写错误识别及纠正能力;最后,在3个公开的CSC语料集sighan13、sighan14和sighan15上的实验结果表明,MASC可在不改变BERT/RoBERTa/MacBERT等模型结构的前提下进一步提升它们在下游CSC任务中的效果,并且消融实验也证明了全词掩码、音调和字形等信息的重要性。

基于文本内容分析的互联网医疗平台信息质量评价研究

目的/意义借助文本内容分析法对互联网医疗平台用户发布的信息质量进行评价研究。方法/过程通过Python爬虫获取国内典型互联网医疗平台的文本内容,进行自然语言处理和聚类分析,提取特征指标设计逻辑回归模型并进行灰色关联度修正,从而构建信息质量评价指标体系。结果/结论互联网医疗平台可重点从信息丰富度、信息发布者特征及用户交流互动方面加强信息的发布与呈现,引导用户发布高质量信息并快速识别有价值信息,促进互联网医疗平台的可持续发展。

HM-BERT:一种采用分级掩码的风电语音文本纠正方法

采用一种基于分级掩码策略的文本纠正方法来提高语音识别后的文本质量.以风电相关的语音为数据集,将其通过公开的语音识别SDK转为文本数据,利用BERT中的MLM机制实现文本纠正,并采用分级掩码策略,针对不同的内容采用不同的掩码方法,改进后的模型称为HM-BERT.实验证明:HM-BERT在提升纠正效果的同时还加强了纠正模型的鲁棒性,该方法对其他领域的文本纠正也提供了解决思路.

基于行业词表的自动语音转写后优化技术

自动语音识别(ASR)技术目前已发展得较为成熟,通用ASR引擎已经广泛应用于交通、医疗、通信等行业。但是,由于行业专有词汇在大规模训练语料库中呈非独立同态分布,通用ASR引擎在各细分行业转写时存在对行业专有词汇识别准确率低的问题。相较于互联网环境的16 kHz音频采样率,电话呼叫中心语音为窄带低采样(采样率8 kHz),转写后精度下降尤为明显。为了提高行业词汇的语音转写准确率,文中提出一种基于行业词表的ASR转写后优化技术。首先,对语料库文本数据分别采用卷积神经网络模型和深度神经网络BERT模型进行预测分词,生成行业纠错词表。随后,在生产环境中,使用通用ASR引擎对电话呼叫语音数据进行初始转写。然后,对一次转写后的文本,通过Soft-Masked BERT模型结合纠错词表实现文本数据的纠错,从而提高语音识别准确率。使用广州12345热线客服通话语音数据进行训练和测试,结果表明,使用文中的转写后优化技术可以将通用ASR引擎的行业用词转写准确率提高约10个百分点,且纠错速度较快,具有良好的适用性。

基于LSTM和灰色模型的股价时间序列预测研究

影响股价的因素错综复杂,因此在考虑多变量情形下,对时间序列中常用的长短期记忆网络(LSTM)进行修正,并选取股票价格进行预测.首先,采用方差膨胀因子(VIF)进行变量的筛选,再结合自适应提升法(Adaboost)模型查看特征变量的重要程度.其次,用爬虫对投资者情绪进行文本分析,计算情绪指数等指标并揭示其与股价的关系.然后,对格力电器、飞科电器、美的集团3支股票进行股价预测,对比多层感知器(MLP)模型、LSTM模型,并选择适当的模型作为基准模型,在基准模型的基础上加上情绪指数、投资者关注度等指标构建了LSTM-EM模型.进一步,在考虑了投资者情绪后对残差项使用GM(1,1)模型进行修正.实证结果表明,该模型能对股价进行较为精确的预测.

基于MacBERT⁃BiLSTM和注意力机制的短文本分类研究

针对中文短文本上下文依赖性强,特征信息难以提取的问题,提出一种融合MacBERT、双向长短期记忆神经网络(BiLSTM)、注意力(Attention)机制的短文本分类模型方法。利用预训练模型MacBERT得到动态词向量,输入BiLSTM模型中提取上下文关系特征。结合注意力机制分配不同的权重值,最后使用Softmax分类器得到分类结果。研究表明,该模型在THUCNews数据集上F1值达到了95.63%,相较于基准模型BERT提高了2.18%,验证了其在短文本分类任务中的可行性和有效性。

基于生成对抗网络的文本生成图像算法

文本生成图像算法对生成图像的质量和文本匹配度有很高的要求.为了提高生成图像的清晰度,在现有算法的基础上改进生成对抗网络模型.加入动态记忆网络、细节校正模块(DCM)、文本图像仿射组合模块(ACM)来提高生成图片的质量.其中动态记忆网络可以细化模糊图像并选择重要的文本信息存储,以提高下一阶段生成图像的质量.DCM纠正细节,完成合成图像中缺失部分.ACM编码原始图像特征,重建与文本描述无关的部分.改进后的模型实现了两个目标,一是根据给定文本生成高质量的图片,同时保留与文本无关的内容.二是使生成图像不再较大程度依赖于初始图像的生成质量.通过在CUB-200-2011鸟类数据集进行研究实验,结果表明相较之前的算法模型,FID(Frechet inception)有了显著的改善,结果由16.09变为10.40.证明了算法的可行性和先进性.

基于BERT的电网现场作业风险自动评级方法

电网现场作业风险等级影响着作业的安全性和经济性,目前风险等级评级主要依赖于人工评级,存在一定的错误率。以国网公司的作业风险分级表与实际现场历史文本库作为研究对象,在充分分析各自文本特点的基础上,提出了基于BERT(bidirectional encoder representations from transformers)模型的电网现场作业风险自动评级方法。考虑作业风险分级表的概括性,提出对作业风险分级表进行文本增强;考虑实际现场历史文本库中存在一定比例的冗余内容和错误评级,提出冗余文本去除方法和基于文本挖掘技术的风险等级纠错方法;以经过上述方法处理后的2类现场作业文本为样本,构建了基于BERT单文本主题分类微调模型的文本分类模型,实现了对电网现场作业风险的自动评级。算例对比了该文模型与其他分类模型在不同样本集下的评级效果,表明BERT模型能够更全面地获取作业文本的语义特征,分级表的文本增强方法和历史库的风险等级纠错方法能提升评级效果,而冗余文本去除会导致作业文本样本数量减少较多,反而降低评级效果。上述结果表明,该文方法能够实现电网现场作业文本的自动评级,并具有较高的准确性。