融合句法特征与语义特征的作文自动评分方法

作文自动评分是一种利用自然语言处理技术对作文进行自动评估和打分的技术。作文自动评分能够提升评分效率,降低人工成本,确保评分的客观性和一致性,在教育领域有着广泛的应用前景。尽管句法特征和主题特征在作文自动评分中扮演着重要角色,但迄今为止,关于如何更好地利用这些特征进行作文自动评分的研究还相对不足。本文提出融合句法特征与语义特征的作文自动评分方法 ISSF,该模型采用Parser提取作文的句法特征,采用BERT和适配器的训练方式提取作文的深层语义特征,为了更好地利用作文的主题特征和句法特征及深层语义特征的关联性,采用自注意力机制提取作文的主题特征并用于句法特征强化和深层语义特征强化。实验结果表明,本文提出的ISSF模型在公共数据集ASAP的8个子集上取得了较好的平均性能,相比于通义千问等基线模型,ISSF模型在评分范围较大、评分标准复杂的情况下更具有性能优势。

基于Deep Learning的代词指代消解

针对指代消解一直是自然语言处理中的核心问题,提出一种利用DBN(deep belief nets)模型的Deep Learning学习机制进行基于语义特征的指代消解方法。DBN模型由多层无监督的RBM(restricted Boltzmann machine)网络和一层有监督的BP(back-propagation)网络组成,RBM网络确保特征向量映射达到最优,最后一层BP网络可以对RBM网络的输出特征向量进行分类,从而训练指代消解分类器。在ACE04英文语料及ACE05中文语料上进行测试,实验结果表明,增加RBM训练层数可以提高系统性能。此外,引入对特征集合的抽象分层因素,也对系统性能的提升产生积极作用。

基于显著性特征和DCNN的高分遥感影像场景分类

高分遥感影像的场景分类是解译遥感影像信息的重要工作之一。为了准确提取出目标信息,针对高分遥感影像场景分类中存在的背景复杂、目标多样、目标信息与背景信息难以区分等问题,提出了一种基于显著性特征和深度卷积神经网络(DCNN)的高分遥感影像场景分类方法。首先,利用K-means聚类与超像素分割算法得到影像的颜色空间分布与颜色对比图,融合不同对比图,以得到显著图。然后,通过对数变换增强显著图中的特征,采用自适应阈值分割方法提高目标的区分度并划分出目标区域和背景区域,以提取出感兴趣区域。最后,构建了一种用于提取深层语义特征的DCNN模型,并将得到的特征输入网络模型中进行训练和分类。实验结果表明,本方法能有效区分主要目标信息与背景信息,减少无关信息的干扰,在UC-Merced数据集和WHU-RS数据集上的分类精度分别为96.10%和95.84%。