基于词汇增强和表格填充的中文命名实体识别

中文命名实体识别主要包括中文平面命名实体识别和中文嵌套命名实体识别两个任务,其中中文嵌套命名实体识别任务难度更大。提出了一个基于词汇增强和表格填充的统一模型TLEXNER,该模型能够同时处理上述任务。该模型首先针对中文语料分词困难的问题,使用词典适配器将词汇信息融合到BERT预训练模型,并且将字符与词汇组的相对位置信息集成到BERT的嵌入层中;然后通过条件层归一化和双仿射模型构造并预测字符对表格,使用表格建模字符与字符之间的关系,得到平面实体与嵌套实体的统一表示;最后根据字符对表格上三角区域的数值判断实体类别。提出的模型在平面实体的公开数据集Resume和自行标注的军事领域嵌套实体数据集上F1分别是97.35%和91.96%,证明了TLEXNER模型的有效性。

树形表格展示优化方法

本论文描述了一种树形数据展示优化方法,针对表格初始状态可见区域、滚动条滚动后的新增可见区域及对应的每个单元格的数据进行相应填充显示。在该方案中,用户在初始使用表格查看数据时,只加载填充当前可见区域内的数据,减少了当前填充的数据量,避免了表格响应时间长及界面卡顿的问题,提高了数据展现的速度及流畅度,提升了用户体验感。

基于MUBTM的方面词情感三元组抽取方法研究

方面词情感三元组抽取旨在从评论文本中识别方面词、评论观点词及情感极性。针对现有研究容易忽略三元组中部分实体与其情感极性在标记空间中的关联关系,并且较易出现三元组边界识别错误的问题,提出一种基于表格填充的多类别统一及边界标记模型(MUBTM)。首先,采用双仿射注意力机制学习词对间的交互,并构建多类别统一标记空间;然后,利用标记空间的对称性结构化约束与级联二进制边界约束,限制词对间的概率分布;最后,根据子元素在统一标记空间中结构为正方形或矩形的特性,逐步解码生成方面词情感三元组。实验结果表明,与其他基线模型相比,本模型在方面词情感三元组抽取上的F1值有显著提升,表明了所提出方法的可行性。

Authorware使用中的妙招绝技

Authorware是一种基于图标和流程线为结构的多媒体创作工具,它自1987年问世以来,一直凭借其不断增强的功能以及较高的开发效率而深受人们的喜爱。但是对于一个刚刚开始学习使用Authorware的初级用户来说,如果不掌握其中的一些使用技巧,可能会在使用的过程中遇到一些麻烦。为了能帮助各位初级用户高效使用Authorware,笔者就把自己在这方面的一些技巧体会写成文字,以供大家参考。