多级语义量词对心理测量适合度的调查分析

为研究适合心理测量使用的语义量词等级数目而进行了本实验。实验采用自编《词义理解简明量表》,通过180名士兵 对多级语义量词的区间赋值和点赋值,对不同等级语义量词模糊度进行了比较性研究。结果发现:(1)区间赋值范围与点赋值 95%、99%可信区间无显著差异;(2)语义量词内序列关系与自然语言的序列关系基本一致,但词与词赋值区间并不完全等距; (3)三级与六级、七级语义量词的模糊度差异显著,六、七级语义量词模糊度高,在一定程度上不适合用于士兵心理测量。

客观知识体系中的多级语义传递规律研究——以Wordnet为例

客观知识体系是人类共识的序化知识体系,其中存在着大量的语义传递现象,然而其中的多级语义传递规律却一直未引起学者的关注。本文依据知识体系的语义网络的多路径特性,针对多级语义传递现象及其元素进行了定义及分析,同时引入语义域来泛化语义概念,以WordNet为例,对其进行了多级语义传递规律挖掘,发现了其中的语义传递规律。该研究丰富了语义传递规律的研究,为基于OWL2的语义推理提供了理论依据。

基于多级语义的判别式跨模态哈希检索算法

针对大多数跨模态哈希方法采用二进制矩阵表示相关程度,因此无法捕获多标签数据之间更深层的语义信息,以及它们忽略了保持语义结构和数据特征的判别性等问题,提出了一种基于多级语义的判别式跨模态哈希检索算法——ML-SDH。所提算法使用多级语义相似度矩阵发现跨模态数据中的深层关联信息,同时利用平等指导跨模态哈希表示在语义结构和判别分类中的关联关系,不仅实现了对蕴含高级语义信息的多标签数据进行编码的目的,而且构建的保留多级语义的结构能够确保最终学习的哈希码在保持语义相似度的同时又具有判别性。在NUSWIDE数据集上,哈希码长度为32 bit时,所提算法在两个检索任务中的平均准确率(mAP)比深度跨模态哈希(DCMH)、成对关联哈希(PRDH)、平等指导判别式哈希(EGDH)算法分别高出了19.48,14.50,1.95个百分点和16.32,11.82,2.08个百分点。

基于多级语义信息融合编码的序列标注方法

序列标注是自然语言处理领域的基本任务。目前大多数序列标注方法采用循环神经网络及其变体直接提取序列中的上下文语义信息,尽管有效地捕捉到了词之间的连续依赖关系并取得了不错的性能,但捕获序列中离散依赖关系的能力不足,同时也忽略了词与标签之间的联系。因此,提出了一种多级语义信息融合编码方式,首先,通过双向长短期记忆网络提取序列上下文语义信息;然后,利用注意力机制将标签语义信息添加到上下文语义信息中,得到融合标签语义信息的上下文语义信息;接着,引入自注意力机制捕捉序列中的离散依赖关系,得到含有离散依赖关系的上下文语义信息;最后,使用融合机制将3种语义信息融合,得到一种全新的语义信息。实验结果表明,相比于采用循环神经网络或其变体对序列直接编码的方式,多级语义信息融合编码方式能明显提升模型性能。

基于深度学习的图像语义通信系统

语义通信是一种新颖的通信方式,可通过传输数据的语义信息提高带宽效率。提出一种用于无线图像传输的系统。该系统基于深度学习技术开发并以端到端(E2E)的方式进行训练。利用深度学习实现语义特征的提取和重建,在发送端提取信源信息不同类型和不同形式的语义特征,在接收端融合各类型语义特征进行目标语义恢复。仿真结果表明,与基准模型相比,所提模型在信道环境恶劣的情况下,具有更好的重建精度。