基于图注意力网络字词融合的中文命名实体识别

命名实体识别指识别文本中具有特定意义的实体,是自然语言处理诸多下游任务的重要基石。在命名实体识别任务中,协同图网络(CGN)模型通过引入多个图注意力网络获得较强的知识整合能力及较高的处理速度,但CGN模型在嵌入层中没有充分利用词边界信息,且采用的传统静态图注意力网络影响了图注意力的表达能力。在对CGN模型的图注意力网络进行改进的基础上,提出一种中文命名实体识别新模型,在嵌入层融入词语的分词信息,以生成包含词边界信息的字向量,从而充分利用词边界信息。通过在编码层使用BiLSTM模型获取文本的上下文信息,采用改进后的图注意力网络提取文本特征,并通过优化传统图注意力网络中相关系数的计算方式,增强模型的特征提取能力。最后,利用条件随机场对文本进行解码,从而实现对实体的标注。实验结果表明,该模型相比CGN模型在MSRA、OntoNotes4.0、Weibo数据集上的F1值分别提升了0.67%、3.16%、0.16%,验证了其在中文命名实体识别任务上的有效性。

文本信息分词处理下的智能家电离线语音识别

针对传统智能家电离线语音识别方法识别效率低、识别准确率差的问题,提出了一种在文本信息分词处理下的智能家电离线语音识别方法,对获取的语音信号进行傅里叶变换,得到语音的频谱,通过回声消除和降噪去除冗余信息,在远场语音识别中,智能家电往往离用户的距离较远,所获取的语音信号常常在远距离的传播过程中发生衰减,因此,对信号进行增强处理,将命令词和自然语言转换成两种文本形式,实现智能识别。为验证识别方法效果,进行对比实验,结果表明,文本信息分词处理下的智能家电离线语音识别方法具有很强的识别能力,识别准确率接近于99%,能够快速地识别用户对智能家电的指令,而且不需要全网覆盖,在离线的情况下也能正常工作。

基于典故领域本体的诗词用典自动分析系统

本课题填补了典故领域本体研究的空白,为开发基于典故领域本体库的各种应用奠定了基础。为加速数以万计的典故的实例化过程,本研究采用了词典法与互信息法相结合的中文分词方法协助分解典故要素,取得了很好的效果。