基于音素混淆模型的集外词查询项扩展方法

为了提高语音查询项检索系统中集外词检索的性能,在加权有限状态转换器(weighted finite-state transducer,WFST)框架下提出了一种基于音素混淆模型的集外词查询项扩展技术,将查询项扩展成多发音序列来解决集外词问题。首先由G2P(grapheme-to-phoneme)模型生成查询项的发音序列,然后利用音素混淆模型将发音序列扩展成N-best发音,以补偿识别错误造成Lattice建立的索引与查询项发音序列之间音素表示差异带来的影响,从而有效降低漏警率。实验结果表明,加入音素混淆模型之后,系统集外词检索性能有明显提升。

基于互信息的问句语义扩展研究

用户习惯用很少的关键字来检索所需的信息,这必然会导致出现用户所检索的信息与得到的信息有所偏差。针对这一现象,提出了基于互信息的问句语义扩展模型(QSE_BMI)。它的好处在于可以根据用户自己制定的兴趣模型和输入的查询问句,检索出与用户兴趣相匹配的并且符合用户需要的相关信息。

典籍事件触发动词识别研究:基于《左传》的文本实验

[目的/意义]事件自动识别抽取是当前典籍主题挖掘研究中一个新的重要课题,其中事件触发词的识别是一项基础的工作,本研究旨在探索古代典籍中事件触发词自动识别和分类的通用方法。[方法/过程]首先运用LDA模型对动词进行主题聚类,归纳典籍事件触发动词的分类体系;并依据聚类结果与分类体系,初步构建触发动词的种子词集。在此基础上,通过语义相似度计算,对种子词集进行扩展,构建典籍事件触发词语义数据集。在实验阶段,以先秦时期的重要典籍《左传》为例,对分类体系构建和种子词集扩展的方法进行验证。[结果/结论]结果表明,本文所提出的典籍事件触发词识别方法可行有效,据此构建的事件触发词集具有较高可信度,未来可进一步扩大实验的样本数量及范围。

基于共识模型和ORESTE的扩展概率语言多属性群决策方法

扩展概率语言词集作为一种更具通用性的语言信息表示模型,能够更加充分地描述原始评价信息,提高语言多属性决策的科学性。鉴于此,本文针对扩展概率语言环境下的多属性群决策问题,提出一种基于共识模型和ORESTE方法的多属性群决策方法。首先,给出了扩展概率语言词集的概念以及相关理论。其次,考虑到群决策过程中专家群体因知识背景以及素质能力的不同从而给出不同的评价信息导致群体意见不一致的情况,提出了扩展概率语言环境下的共识模型。再次,鉴于多数情况下备选方案间不存在单一排序顺序,本文对经典的ORESTE方法进行改进,提出扩展概率语言ORESTE方法。基于本文提出的扩展概率语言共识模型和扩展概率语言ORESTE方法,提出了扩展概率语言多属性群决策方法。最后,为了验证本文提出方法的有效性和合理性,采用共享单车设计方案评价算例进行分析,并通过与其他方法的对比分析说明本文提出方法的优越性。

基于证据推理和广义Shapley值的扩展概率语言多属性群决策方法

扩展概率语言词集通过语言变量概率分布的调整能够转化为多种语言信息表示模型,是语言变量、不确定语言信息、扩展犹豫模糊语言词集、分布语言评估信息、概率语言词集等的一般化,具有较强的通用性和实用性,是处理不确定性信息的重要工具。鉴于此,本文针对扩展概率语言环境下的多属性群决策问题,提出基于证据推理和广义Shapley值的多属性群决策方法。首先,提出扩展概率语言词集的定义和相关基础理论。其次,将广义Shapley值和证据推理相结合用于专家信息融合,并将广义Shapley值和TODIM方法相结合用于备选方案排序。再次,提出基于灰色关联法的权重确定模型来处理专家/属性权重部分未知的情况。最后,以绿色供应商选择为例进行分析,通过对比分析验证所提方法的有效性和优越性。