基于层次化表示的电力文本命名实体识别和匹配算法

针对电力领域科技项目申请书评审工作中存在的项目与专家精准匹配难的问题,提出一种基于层次化语义表示的电力文本命名实体识别模型(Attention-RoBerta-BiLSTM-CRF,ARBC)以及基于语义-象形双特征空间映射的电力项目与电力专家的匹配策略。ARBC模型包括词嵌入模块、双向长短时记忆网络BiLSTM模块以及条件随机场(CRF)模块。其中,词嵌入模块同时使用了电力文本词语、句子和文档3个层面的信息。具体地,首先提取基于RoBerta预训练模型的词嵌入向量,进而通过引入文档层面基于词频-逆文档频率值的注意力机制增强句子的上下文表征能力,最终将词嵌入与句子嵌入进行线性加权融合,形成词语的层次化表征向量。在ARBC模型输出电力文本命名实体基础之上,进一步提出基于语义-象形双特征空间映射的项目文本与领域专家的实体匹配策略,最终实现项目与专家的有效精准匹配任务。实验结果表明,ARBC模型在2000篇电力项目摘要文本命名实体识别测试集上获得83%的F1值,显著高于基于Bert和RoBerta的文本表示方法。此外,基于双特征空间映射的实体匹配策略在电力文本与电力专家匹配任务中准确率达85%。

基于层次化结构表示的数据到文本生成方法

最近的数据到文本生成方法广泛采用了编码器—解码器架构或其变体,但是这些方法无法识别数据中不同部分的信息的重要性,导致在选择适当的内容和排序方面表现不佳。针对这些问题,提出了一个基于层次化结构表示的数据到文本生成方法,它包括规划阶段和生成阶段,规划阶段通过实体级、记录级的多层次注意力来增强语义空间的表达能力,输出的计划代表重要内容的高层次表示,同时将计划输入给生成阶段的生成器得到最终的文本。通过在两个数据到文本生成的数据集上进行的广泛实验表明,该方法相比于已有的数据到文本生成方法,生成的文本对数据的描述更加准确,质量更高,该方法的提出为数据到文本生成的研究提供了一定的指导性作用。

基于交比上下文的层次化形状特征提取及匹配算法

针对视角变换下的形状识别问题,提出一种基于交比上下文关系的层次化形状特征提取及匹配算法.首先通过由粗到精的采样方式建立层次化的形状特征描述子,实现对形状从整体到局部的描述关系;其次通过对传统的交比不变量进行扩展,建立每5个采样点之间的射影不变关系;最后在形状匹配方面使用动态规划算法计算形状间相似度.实验结果表明,该算法对形状变形具有很好的识别效果,并且计算复杂度低、特征维度小.此外,文中层次化的方法也适用于其他不变量特征,便于和传统的形状特征表示方法进行融合,充分发挥2种描述子各自的优势,具有一定的扩展性.

A New CKP Hierarchy with Two Generalized Time Series and Its Reduction

A new C-type subhierarchy for KP hierarchy with two new time series γn and σk （ （Tn,crk ）-CKPH）, which consists of γn-flow, σk-flow and mixed γn and σk evolution equations of eigenfunctions, is proposed. The zero-curvature representation for the （γn, σk ）-CKPH is derived. The reduction and constrained flows of （γn, σk ）-CKPH are studied.