发掘和利用:细粒度层次化网络的文本到图像生成

针对现有文本到图像生成(text-to-image synthesis,T2I)方法采用冗余的阶段性网络结构,同时缺乏对文本特性有效利用从而影响网络完全收敛的问题,提出了一种细粒度的层次化生成对抗网络(generative adversarial networks,GAN)。该网络利用多维度文本特征提取器充分地“发掘”(explore)文本语义特征;通过堆叠层次化模块,即空间仿射生成模块和累加结合模块,更好地“利用”(exploit)主干网络的生成性能。在3个基准数据集上的实验充分表明,所提方法在量化指标和可视化效果方面均显著领先于现有方法。实现代码已经公开在https:∥github.com/qikizh/EE-GAN。

文本分析工具——缩短从数据收集到教学干预的周期

如何迅速地从学习者数据中自动推断学习者的需求并提供学习支持,是学习分析领域中的一个重要研究问题。在对话分析这一子领域里,机器学习可被用于非结构化的文本数据,为教育应用提供有价值的计算模型。这一领域的大部分研究关注英文文本的分析。而本文所介绍的文本数据架构工具DiscourseDB和文本挖掘和建模工具LightSIDE也能够收集中文文本数据,以及对中文文本数据进行分析和建模,进而对中文在线讨论学习提供实时的支持。

基于海量文本数据的知识图谱自动构建算法

现有方法在构建知识图谱过程中,由于忽视了对半结构化数据的处理,导致知识图谱构建精确性不高,且耗时过长,为此本文提出基于海量文本数据的知识图谱自动构建算法。利用三元组抽取器实现海量文本数据源抽取,并提取其中的半结构化数据,同时剔除冗余数据。根据数据处理结果,利用数据采集功能选取适当的数据对象,作为知识图谱构建的文本数据源,并对数据源实行文本格式转换、分词和特征提取等规范化处理。分析得出数据的潜在语义,并绘制XTM可视化图谱,构成初步的知识图谱。挖掘该知识图谱中的已存知识,将潜在向量应用在信息推荐中,组成用户、评分与项目的三元组数据,采用图谱演进算法对评分、用户及项目进行预测,构建潜在向量模型生成多领域推荐,从而实现知识图谱的自动演进。实验结果表明,该算法具有更高的构建精确性,并且用时较短,说明该算法具有可靠性与实际应用性。

基于深度学习的抽象文本摘要自动生成方法综述

抽象文本摘要本质上做的一件事情是信息过滤,旨在将文本或文本集合转换为包含关键信息的简短摘要,解决信息过载及信息冗余的问题.目前,在抽象文本摘要领域使用的主流方法大多是基于深度学习的模型.深度学习模型使用多个处理层来学习原文的层次表示,在抽象文本摘要领域产生了最先进的结果,所以基于深度学习的抽象文本摘要方法是近几年的研究热点.面向具体的应用场景,介绍近年来基于深度学习方法抽象文本摘要自动生成的最新进展.首先,以不同的特征提取器为线索,详细总结基于深度学习的抽象文本摘要的方法和研究进展.其次,简单介绍抽象摘要任务的评价方法.然后,基于这些讨论,总结基于深度学习的抽象文本摘要自动生成方法面临的主要挑战以及可能的解决方案.最后,展望抽象文本摘要自动生成方法的发展方向与前景.通过分类和总结现有方法,为进一步的研究工作提供参考.