基于一种混合语言模型的自动文本分类技术研究

随着Internet以及Intranet中大量可利用信息的爆炸式增长,文本分类成为处理和组织大量文档数据的关键技术之一。该文提出一种本体论和统计方法相结合的混合语言模型,用以解决自动文本分类问题。首先,通过学习不同类别的训练语料,分别获得各自类别的语言本体知识库,构造成为不同类别的分类器。对于实际文档,将基于不同类别的语言本体知识库分别获得对文档的评价值,并以所获得的最高评价值决定该文档的类别归属。与Bayes,k-nearest neighbor,support vector machine等3种典型的文本分类器进行了比较。实验结果表明,该文方法的分类性能均胜于其上述3种方法。

一个基于混合语言模型的日文识别后处理系统

在文字识别系统中,为了进一步提高文本识别率,后处理模块是很重要的环节。文章针对日文的语言特性,建立统计方法和规则相结合的混和语言模型,实现了一个日文识别后处理系统。该系统首先利用Viterbi算法得到统计模型输出的最优结果,通过与前端识别器输入的识别结果相比较,确定可疑字位置,再利用上下文词匹配方法和语法规则库的使用对可疑字进行检错和纠错处理。经实验验证,该后处理系统对识别日文印刷体文本错误率平均下降21.4%。

基于混合语言模型的盲汉机器翻译系统的研究与实现

文章介绍了一种规则与统计相结合的混合语言模型来实现盲文到汉语的机器翻译,该技术把基于统计的Markov模型与规则量化模型相结合,用Viterbi算法寻找最佳汉语句子,取得了良好的翻译效果。

传递性推理的认知与脑机制探讨

以抽象的内容作为实验材料,测定12名大学生在完成四种不同格式的传递性推理任务时的事件相关电位(ERP),探讨传递性推理过程的认知机制与脑内时程动态变化。结果发现,被试解决四种不同类型推理题目时的正确率和反应时差异均不显著;但是"谁最大"提问方式的正确率显著高于"谁最小"提问方式,另外,在任务类型①与④中"谁最大"提问方式的反应时显著短于"谁最小"提问方式。脑电数据结果表明,不同任务类型下,不同提问方式所诱发的ERP波形基本一致。空间表象模型与语言学模型都不能很好地解释以上结论,这似乎表明推理过程是很复杂的,人们往往会采用不同的信息加工策略来解决不同的推理问题,从而激活不同的大脑区域和神经通路。