英语阅读教学中语篇信息词的作用

文章作者以教学研究者和反思者的双重身份,以自己的课堂教学为试验基地,通过两年的实践,在英语阅读教学中有意识地强调语篇信息词在英语阅读课文中的作用。研究试验数据、教师的实际教学、问卷调查和随后的访谈都表明有意识地培养学生在英语阅读课文中关注语篇信息词,不仅可以提高学生阅读理解的效率,还可改进教师英语阅读课的教学方法和提高授课技巧。

信息词:捕捉阅读目标的“定位器”

在高中英语教学中,如何培养学生在有限的时间内完成对大量材料的阅读和分析,并从中捕捉到阅读目标,始终是英语教师和广大学生力求突破的一个难点。因此,如何定位信息词,并以此快速捕捉到阅读目标,就成为需要探讨的问题。

基于句信息增强词信息的方面级情感分类

方面级情感分类属于细粒度的情感分类,旨在判断句子中指定方面词的情感极性。近年来,句法知识在方面级情感分类任务中得到了广泛应用。目前主流的模型利用句法依存树和图卷积神经网络进行情感极性的分类。然而,此类模型着眼于利用聚合后的方面词信息来判断情感极性,很少关注句子的全局信息对情感极性的影响,从而导致情感极性分类结果出现偏差。为了解决这一问题,提出了一种基于句信息增强词信息的方面级情感分类模型,该模型通过对比学习对句向量进行表示学习,以减小句向量对比损失为目标调整词向量的特征表示,最后通过图卷积神经网络聚合意见词信息得出情感分类结果。在SemEval2014数据集和Twitter数据集上进行实验,结果表明,所提模型可以提高分类的准确性,综合验证了该方法的有效性。

融合单词级段信息的中文医疗命名实体识别

中文医疗命名实体识别(Named Entity Recognition,NER)是医学领域的一项基础任务,在知识图谱等许多下游任务中起着重要的作用。常用的NER方法可分为基于词级信息和基于段级信息,已有研究表明两种信息融合能取得更好的性能。目前,词级信息和段级信息融合的方法在中文医疗NER任务中还未被充分研究,且现有的融合方法为段中的每个单词赋予相同的权重,不考虑单词的不同贡献。而医疗实体中每个单词和实体(段)有着不同的相关性,忽略这种相关性的差异将影响医疗NER的性能。基于此,通过分析中文医疗实体特性,提出了一种单词级段信息抽取方法(Word-Level Segment Information Extraction,WL-SIE)。该方法为实体中的每个单词分配一个权重矩阵集,学习单词与实体之间的关联信息,在与实体词组交互之后输出不同的单词级段信息。在CCKS2017和CMeEE中文临床NER数据集上的实验结果表明,WL-SIE方法较对比方法在F1值上提升了3%~5%,特别是在实体样本不均衡场景下和长实体识别任务上表现出了优异的性能。

基于多种分词情况的中文命名实体识别

针对中文词语边界不明确,词语和句子上下文关系被忽略的问题,设计一种基于多种分词情况的歧义分词信息抑制算法.在预处理中根据预训练的词汇频率表计算语句中不同分词的权重,将最有可能的分词情况与其他分词情况进行区分,合并至语句中,在自注意力机制提取语句上下文信息时加入分词权重信息,添加正确分词有效的边界信息,抑制歧义分词错误的前后文关系.对比MarkBert与W2NER算法,在公开数据集Resume、 MSRA、 Weibo、 OntoNotes中的试验结果表明,歧义分词信息抑制算法的预测准确率、句子长度增加时的鲁棒性、数据集增大时的预测准确率均有更好的表现.

词边界信息在中文阅读眼跳目标选择中的作用:来自中文二语学习者的证据

采用EyeLink 1000眼动仪,选取韩、美、日、泰四国留学生各20名,在正常无空格和词间空格两种呈现方式下阅读中文语句,以此来探讨二语学习者在阅读中文时词边界信息在眼跳目标选择中的作用。结果发现,二语学习者在中文阅读中存在着一致的眼动模式,即在单次注视事件中,倾向于注视词的中间部分,在多次注视事件中,倾向于注视其开端部分,然后再计划一次词内再注视。词边界信息能够有效地引导中文二语学习者的眼动行为和眼跳计划,更多地将首次注视位置落在词的中间部分。最后,词边界信息在眼跳目标选择中的促进作用没有受到母语文本呈现方式熟悉性的调节。我们认为,中文二语学习者在阅读中的眼跳目标选择可能采用的是战略-战术策略。

词边界信息和词频在汉语阅读中的作用

利用Eyelink2000眼动仪,记录27名本科生阅读时的眼动轨迹。句子中插入四种空格(正常无空格、词间空格、字间空格和非词空格)标记词边界信息,并操纵目标词的词频,以考察词边界信息和词频在汉语阅读中的作用。结果表明:(1)插入非词空格对低频词的干扰作用大于高频词,插入字间空格能促进低频词的加工;(2)被试对低频词的加工难度均大于高频词;(3)汉语阅读的基本加工单位为词而不是汉字。

基于信息词解读的英语阅读教学探究

阅读背景下的信息词指文本中在主题内容、结构脉络、逻辑思维和情感文化等方面对阅读具有触发、链接、卷入和升华特征的词汇或语块。依据不同的阅读功能，信息词可有主题信息词、语篇信息词、情感信息词和文化信息词之分。阅读教学中，定位并解读好文本中的各类信息词，既可以帮助学生提升阅读素养和思维品质，也能丰富阅读教学的形式和内涵。

词边界信息对读者阅读歧义短语时眼跳策略的影响

采用Eye Link 2000眼动仪,选取60个歧义短语,要求大学生被试阅读包含有歧义短语的句子。句子的呈现设置了四种条件:正常无阴影、词间阴影、歧义阴影和字间阴影,以探讨词边界信息是否影响读者阅读歧义短语时的注视位置效应。结果发现:读者对歧义短语的首次注视位置在四种条件下基本一致;词边界信息影响读者对歧义短语的再注视概率。结果表明,词边界信息对歧义短语的影响主要体现在眼跳行动(即"where")的晚期阶段。

词边界信息在句中的分布

用经过删除的语音歧义句作材料，研究了词边界信息在句中的分布。结果说明，在歧义句中歧义音节是最重要的切分线索；向歧义音节的前后过渡也对词切分有贡献；歧义音节和过渡以外的部分在一定条件下对切分有帮助。

基于词信息嵌入的汉语构词结构识别研究

作为一种意合型语言,汉语中的构词结构刻画了构词成分之间的组合关系,是认知、理解词义的关键。在中文信息处理领域,此前的构词结构识别工作大多沿用句法层面的粗粒度标签,且主要基于上下文等词间信息建模,忽略了语素义、词义等词内信息对构词结构识别的作用。该文采用语言学视域下的构词结构标签体系,构建汉语构词结构及相关信息数据集,提出了一种基于BiLSTM和selfattention的模型,以此来探究词内、词间等多方面信息对构词结构识别的潜在影响和能达到的性能。实验取得了良好的预测效果,准确率达77.87%,F_(1)值为78.36%;同时,对比测试揭示,词内的语素义信息对构词结构识别具有显著的贡献,而词间的上下文信息贡献较弱且带有较强的不稳定性。

融入词集合信息的跨境民族文化实体识别方法

跨境民族文化领域实体通常由描述民族文化特征的领域词汇组合构成,使用当前主流的基于字符表征的实体识别方法会面临领域实体边界模糊问题,造成实体识别错误。为此,该文提出一种融入词集合信息的跨境民族文化实体识别方法,利用领域词典获取的词集合增强领域实体的词边界和词语义信息。首先,构建跨境民族文化领域词典,用于获取词集合信息;其次,通过词集合注意力机制获取词集合向量之间的权重,并融入位置编码增强词集合位置信息;最后,在特征提取层融入词集合信息,增强领域实体边界信息并缓解仅使用字符特征表示所带来的词语义缺失问题。实验结果表明,在跨境民族文化文本数据集上所提出方法相比于基线方法的F_(1)值提升了2.71%。

情感词信息加工的脑神经认知机制研究

情感词是情感传达的重要介质,以往国内外的相关研究也常常把情感词作为情感认知研究的切入点,且取得了许多优秀的成果.文章旨在从情感词认知加工的ERP研究和脑成像研究两方面来探讨其脑神经认知机制,以期对情感词的研究有一个总体的认识,进而为人类情感认知机制的研究奠定基础.

融合词、句层级信息的抽取式摘要优化框架

提出一个混合的抽取式摘要优化框架,在优化单词层级信息的同时,将句子层级信息作为优化约束。在约束条件下,该优化框架迭代地进行摘要文本中单元的替换,得到不断逼近目标函数的最优解。与传统方法对比,该框架在DUC数据集上获得ROUGE评测的高分,证明了该框架的有效性。

词边界信息对读者阅读汉语切分歧义的影响

读者在阅读汉语切分歧义句时,由于汉语文本中词边界信息不明确,可能会出现回读或猜词试错的情况,导致阅读效率降低。通过实验讨论了有无词边界信息对读者阅读汉语切分歧义的影响。在实验中只讨论了一种词边界形式,即词间空格。通过实验得到以下结论:一是读者阅读汉语切分歧义句时,词边界信息有助于提高阅读效率;二是当词边界信息只出现在句中的切分歧义处时,积极作用最明显;三是读者在阅读同音字叠加的特殊歧义句时,无论句中有无词边界信息,都会出现停顿和反复回读的情况。

结合词信息的中文命名实体识别研究

中文文本没有分词的标志符号,而分词的好坏会直接影响中文命名实体识别。针对这个问题,文章将从基于联合分词任务 (CWS) 的多任务学习的方法、基于上下文编码层嵌入词汇信息的方法和基于分布式表示层嵌入词汇信息的方法这 3 个方面对目前利用词汇信息的中文 NER 任务进行阐述分析。

融合多种使用词信息方法的命名实体识别研究

文章对融合词信息增强中文命名实体识别问题进行了研究,提出一种用于中文命名实体识别的融合词信息神经网络模型系统。首先使用预训练语言模型Bert对字进行编码得到字标识,然后使用SoftLexicon基于统计的方法将词统计语义信息融合进入字表示中,之后使用设计的GraphLexicon根据文本内字、词之间的交互关系图结构,将字词信息表示相互融合,达到较高的命名实体识别准确率。

基于对抗训练的事件要素识别方法

针对目前大多数事件要素识别模型未考虑词级别的语义信息,及模型鲁棒性不高的问题,提出一种融合词信息和对抗训练的事件要素识别方法。将Bert(bidirectional encode representations from transformers)预训练语言模型生成的字向量与分词信息进行融合,在得到的融合向量中添加扰动因子产生对抗样本,将对抗样本与融合向量表示作为编码层的输入;采用BiGRU(bidirectional gating recurrent unit)网络对输入的文本进行编码,丰富文本的上下文语义信息;采用CRF(conditional random field)函数计算完成事件要素的识别任务。在CEC(Chinese emergency corpus)中文突发事件语料库上的实验结果表明,该方法能够取得较好的效果。