高校学生评教信息中文本语义因素的挖掘与运用研究

越来越多的高校使用学生对教师课堂教学的评价来作为评判教师课堂教学质量的关键依据。多数高校学生评教系统中均同时包括数值信息的学生评分和非数值信息的学生评价文本,但出于信息收集与计算的方便,多数高校仅使用评分数值计算评教结果,本文使用了共4001条管理学原理课程的所有学生评教文本信息,对学生评教文本信息要素进行抽取,通过评价者异质性判别,保证所抽取文本语义因素能适用于绝大多数学生所发布的评教信息,并使用多种方式判断了所挖掘文本语义因素,对课堂教学评价归类的预测有效性。

结合混合特征提取与深度学习的长文本语义相似度计算

文本语义相似度计算是自然语言处理中一项非常重要的任务,但是目前对于文本语义相似度的研究多集中在短文本领域,而不是长文本。相较于短文本,长文本语义信息丰富,但同时语义信息容易分散。针对长文本语义信息分散的问题,提出一种特征提取模型,提取出长文本的主要语义信息;对提取的语义信息使用滑窗重叠的方法输入BERT预训练模型得到文本向量表示;然后,通过双向长短期记忆网络建模长文本的前后语义联系,将其映射到语义空间内;再通过线性层增加模型表示能力;最后,通过相似语义向量内积最大化和交叉熵损失函数进行微调。实验结果表明,该模型在CNSE和CNSS数据集上F1分数分别为0.84和0.91,性能优于基线模型。

基于知识增强的文本语义匹配模型研究

文本语义匹配模型在信息检索、文本挖掘等领域已经获得了广泛应用。为解决现有模型主要从文本自身角度判断文本之间的语义关系而忽略对外部知识有效利用的问题,本文提出一种新的基于知识增强的文本语义匹配模型,以知识图谱实体作为外部知识,有效建模文本的外部知识信息,并自适应地过滤外部知识中存在的噪声。针对自然语言推理和释义识别两个文本语义匹配任务,与基线方法相比,本文模型在大多数指标上取得了最优效果。研究结果表明,本文模型有助于揭示知识图谱在文本语义匹配任务中的作用,为将知识图谱应用到智能信息服务领域提供了参考。

一种基于异构图神经网络和文本语义增强的实体关系抽取方法

信息化时代,如何从海量自然语言文本中提取结构化信息已经成为研究热点。电力系统中繁杂的知识信息需要通过构建知识图谱来解决,而实体关系抽取是其上游的信息抽取任务,其完成度直接关系到知识图谱的有效性。而随着深度学习的不断发展,利用深度学习技术来完成实体关系抽取任务的研究逐渐展开并取得了良好的效果。然而目前依然存在文本语义应用不完全等问题。针对这些问题本文尝试提出了一种基于异构图神经网络和文本语义增强的实体关系抽取方法,该方法使用词节点与关系节点学习语义特征,并通过BRET与预训练任务分别获得两种节点的初始特征,使用多层图网络结构迭代更新,并在每一层中使用基于多头注意力机制的信息传递实现两种节点的交互。通过该模型与其他实体关系抽取在两个公开数据集上实验对比,所提模型取得了预期效果,在多种情境下普遍优于对比模型。

基于汉字形音义多元知识和标签嵌入的文本语义匹配模型

文本语义匹配指基于给定的文本判别文本之间的语义关系。针对该任务,现有模型的信息编码未考虑利用除汉字字符外的潜在语义信息,且在分类时未考虑标签信息对模型性能的影响。因此,该文提出了一种使用汉字形音义多元知识和标签嵌入的文本语义匹配方法。首先,通过信息编码层对汉字的形音义的多元知识进行编码;其次,通过信息整合层获取融合汉字形音义多元知识的联合表示;然后,经过标签嵌入层利用编码后的分类标签与汉字形音义的联合表示生成信号监督标签;最后,经过标签预测层获取文本层面与标签层面的联合信息表示,进而对文本语义关系进行最终的判别。在多个数据集上的实验结果显示,该文提出的模型优于多个基线模型,验证了模型的有效性。

文本语义表征技术研究综述

文本语义表征是自然语言处理领域的核心任务之一,将文本信息转化为计算机可理解的数值表示能够实现对文本深层含义的挖掘和应用。文章通过对传统文本语义表征方法的梳理,剖析了这些方法的优势与局限,并重点探讨了深度学习在文本语义表征领域的突破性进展和发展趋势,旨在全面综述文本语义表征技术的研究现状与发展趋势,为相关领域的研究提供有益的参考和启示。

基于关键词图表示的文本语义去重算法

网络中存在大量语义相同或者相似的冗余文本,而文本去重能够解决冗余文本浪费存储空间的问题,并能为信息抽取任务减少不必要的消耗。传统的文本去重算法依赖文字重合度信息,而没有较好地利用文本语义信息,同时也无法捕捉长文本中距离较远句子之间的交互信息,去重效果不理想。针对文本语义去重问题,提出一种基于关键词图表示的长文本去重算法。首先,通过抽取文本对中的语义关键词短语,将文本对表示为以关键词短语为节点的图;其次,通过多种方式对节点进行编码,并利用图注意力网络(GAT)学习节点之间的关系,从而得到文本对图的向量表示,并判断文本对是否语义相似;最后,根据文本对的语义相似度进行去重处理。与传统算法相比,所提算法能有效利用文本的语义信息,并能通过图结构将长文本中距离较远的句子用关键词短语的共现关系连接起来,从而增加不同句子之间的语义交互。实验结果表明,所提算法在两个公开数据集CNSE(Chinese News Same Event)和CNSS(Chinese News Same Story)上都取得了比Simhash、BERT(Bidirectional Encoder Representations from Transformers)微调、概念交互图(CIG)等传统算法更好的表现。具体地,所提算法在CNSE数据集上的F1值达到84.65%,在CNSS数据集上的F1值达到90.76%,说明所提算法可以有效提升文本去重任务的效果。

基于Python技术的半监督文本语义分类方法研究

针对传统方法存在的语义标注准确度不高,语义分类查全率较低以及语义特征提取能力不佳的问题,研究基于Python技术的半监督文本语义分类方法。利用Python编程技术通过调用接口和扩展库建立自动标注下的半监督文本语义分类模型,通过自动标注手段将初始文本标注后划分为训练文本和测试文本。经过文本预处理后,利用改进的CHI算法展开文本语义特征提取和归一化处理并输入到监督分类器内,使用支持向量机算法完成文本语义分类。实验结果表明,上述方法文本语义标注准确度高于95%,标注精度高;词频曲线与实际词频曲线重合度较高,特征提取能力强;拟合误差低,受非线性问题影响小,且平均查全率为97.21%,说明所提方法的文本语义分类能力较好。

基于抑郁症患者微博平台数据的文本语义挖掘与情感分析

基于抑郁症患者倾向于在社交平台表达情感的特性,提出在当前社交媒体上搜寻、分析和讨论抑郁症患者的主要特征。首先对抑郁症患者的微博数据进行高频词分析,使用LDA主题模型构建映射关系;然后基于时间序列分析该类人群正负向情感表达的变化情况,细致分析5类消极情绪的强度占比;最后在现有理论成果的基础上对抑郁症患者的平台形象、认知特征、行为特征及情感特征进行总结。在微博平台中利用文本特征与情感关键影响因素识别潜在的抑郁症患者具有非常重要的实际意义。

基于文本语义指导的自然场景文本图像超分辨方法

在自然场景文本图像超分辨中,针对先验信息利用不准确、不充分以及文本边缘恢复不完整的问题,提出了一种基于文本语义指导的自然场景文本图像超分辨方法。该网络结构由超分辨重建模块和文本语义感知模块组成。为进一步提高超分辨网络的表达能力,提出使用循环十字交叉注意力,捕获全局上下文信息,使得模型在训练的过程中更加关注文本区域,同时,提出软边缘损失、梯度损失对重建过程进行约束,生成具有锐利边缘的超分辨结果。采用公开的自然场景文本图像超分辨数据集TextZoom对提出模型的性能进行验证,与8种主流深度网络模型进行了对比,结果表明:该模型在3个不同识别器下的平均识别率相比TSRN分别提升了2.06%、1.80%和2.89%,在PSNR和SSIM指标上也具有一定的优势。

基于文本语义分类的广播电视自动化分类系统设计

针对传统广播电视自动分类系统存在的内容特征提取单一、内容分类准确率不理想问题,提出基于文本语义的混合多层分类模型。模型通过引入TextRank算法,完成对广播电视节目文本介绍内容的关键语义词的提取,进而使用BM25算法对冗余的语义关键词进行去除,最终通过FastText模型完成对广播电视节目的文本自动分类操作。搭建实验环境对提出的模型进行实现与仿真,实验结果表明,改进后的方式能够有效提升广播电视节目分类系统的分类准确性。

基于文本语义和表情倾向的微博情感分析方法

针对基于机器学习的中文微博情感分析方法存在处理过程复杂、判断准确率低等问题,该文提出了一种新的情感分析方法。将微博爬虫和Web应用程序编程接口(API)相结合,对动态微博数据进行收集和预处理。基于NTUSD和How Net中文情感词典的微博情感词的抽取和分类,计算词语语义相似度和倾向性。综合考虑表情、文本情感倾向的加权和正面情感增强等因素。实验结果表明:表情情感倾向对微博情感倾向起着重要作用;在表情和文本情感倾向比值固定的情况下,调整因素和中性区间的选择会对情感倾向判断准确率产生影响;通过与基于How Net语义相似度的计算模型比较,该文方法使得情感倾向判断准确率提高约5%。

面向文本分类的中文文本语义表示方法

为了解决词频统计文本表示方法中词语间语义信息缺失的问题,在考虑文本中词语上下文语境和语义背景信息的基础上,提出了一种新的中文文本表示模型——文本语义图.该方法利用维基百科作为知识背景计算文本中实意特征词语的语义关联,将具有较强语义关系的词语合并成词包作为图的节点,节点权值用词包所包含词语的数目及词频计算;不同词包中词语间的上下文关系作为图的有向边,有向边权值用其邻接节点的最大权值表示.该模型在较大程度地保留文本中词语上下文信息的同时强化了词语间语义内涵.通过中文文本分类实验,文本语义图分类方法相对于支持向量机分类效率提升了7.8%,同时错误率减少了1/3,且表现出更好的稳定性.实验结果表明在文本分类应用中,文本语义图模型能够有效地表示文本内容.

基于概念空间的文本语义索引

1 引言据统计,在现今的联机存储信息中,80%以上的信息以文本的形式存在.信息的多元化、复杂化,致使信息的自动索引成为急需解决的问题.本文研究的内容是建立一个基于概念空间的文本语义索引.

一种融合文本语义和情感分析的好友推荐方法

在现实生活中用户的兴趣和情绪波动很大,而其他的微博特征(如注册信息等)一般变动较少,不能很好地表征用户。提出了一种融合用户文本语义和情感分析的好友推荐方法,根据用户的微博文本内容提取出语义特征,通过语义分析技术来计算特征词的相似度,同时引入了时间因素。在获得语义特征相似的用户之后,又进一步考虑用户的情感特征,根据微博文本中表述用户情感的词汇对用户的情感特点进行分析,进而对上一步产生的结果做优化筛选,得出最终的结果。通过实验表明,加入文本语义和情感分析的好友推荐模型更能够有效地提高推荐的准确度和接受率。

基于文本语义的热点事件网络暴力分析方法

网络暴力识别与多维度分析对网络舆情态势感知和管控具有十分重要的意义,当前的网络暴力研究主要集中在用户负面情感分析、舆情危机治理及外部网络生态优化等方面,缺乏对网络暴力的定量分析研究,无法在复杂的网络环境中及时感知网络暴力发展态势和组成结构。通过分析网络暴力在文本中的存在形式和结构特征,提出了一种基于文本语义的网络暴力分析方法(text semantic based approach for cyber violence analysis,TSCA)。该方法首先运用互信息理论创建暴力领域情感词典,根据暴力领域情感词典和语义环境从评论语料库中生成负面情感词组集;然后,通过卡方检验对负面情感词组集进行暴力特征筛选,生词暴力词组集;最后,从文本和用户角度对网络暴力进行定量计算和多维度分析。在真实的网络热点事件评论文本数据集上与其他方法进行了对比,实验结果表明:该方法达到了良好的网络暴力特征识别效果。

融合领域本体的中文文本语义特征提取算法研究

针对传统的中文文本特征提取算法存在的语义丢失和语义缺乏问题,设计了融合领域本体的中文文本语义特征提取算法。该算法利用基于种子—扩展机制的关键词识别与提取算法解决传统算法中利用分词工具进行关键词提取所产生的语义丢失问题;利用基于领域本体的文本概念特征语义映射与聚合算法解决传统算法中利用向量空间模型进行文本表示所产生的高维和语义缺乏问题。实验结果表明,该算法取得了很好的预期效果,能够显著提高文本特征提取的深度和准确性。

文本语义结构的朦胧之美——论新批评的“文学性”概念

新批评的“文学性”概念重在分析文学文本语义结构的多重性及其所产生的朦胧之美。新批评的基本理论术语“隐喻”、“张力”、“悖论”、“反讽”、“复义”、“多层结构”等等都是为揭示语义结构的朦胧性和复杂性这一基本目标而服务的。是否具有语义叠加、语义冲突、语义交织、意义复杂等特征成为新批评区分文学文本和其它文本最根本的标准。

基于文本语义的SA-LDA增量爬取图书选择与推介

为满足当前图书馆各专业领域最新技术图书的采购,以网络数据为基础,构筑领域关键词的本体语义库,并与图书馆学科书目库进行相似度比较,通过聚类算法选择相似度、相关度大的图书进行推介.文章建立在语义本体库类属层次基础上,首先通过Web网络对领域主题词的爬取,逐次对网络进行增量爬取以丰富语义库,再与当前图书目录的学科关键词计算文本相似度,提出了一种采用基于Entropy类属平均距离计算的近邻分类算法,最终实现一种基于相似度计算的图书的指派与推介策略.实验表明,该图书选取方法能有效地改善最新图书采购的准确度,进一步提升大数据在图书购买的效率.

面向文本语义自动分析的本体语义学述要

文本语义自动分析是当前人工智能和语言信息处理领域一个极为重要的研究议题。通过一系列自然语言处理工程项目研发,美籍俄裔计算语言学家尼伦堡和拉斯金创立了本体语义学理论模型。本文扼要评述本体语义学的基本理论主张,剖析基于本体语义学的应用系统构架,考察基于本体语义学的文本意义表征、静态知识源的主要类型和文本语义分析的基本处理流程,对多语言语义本体构建、文本内容理解与转换研究具有重要的启示和参考作用。