语法化过程中的结构省缩和语义保留——以语气词“好了”为例

现代汉语中句末语气词"好了"可区分三种语义——句法类型:最低条件义、任由义和纯粹祈使语气。最低条件类语气词"好了"源于最低条件类"就好了"中"就"的省缩,但逻辑关联词"就"所蕴含的最低条件义得到保留,也即"最小努力原则"在语境中持续起作用。任由类语气词"好了"源于最低条件类"好了",是言语交际中因交互主观化和移情带来的获益主体的改变,即"利他原则"。表祈使语气的"好了"是"最低条件类"和"任由类"的"好了"丢失"选择义"的结果,是语义淡化的产物。

基于模态内相似性与语义保留的深度跨模态哈希

【目的】解决现有大多数跨模态哈希方法在相似性度量时仅考虑模态间相似性,且无法充分利用标签语义信息,从而忽略了异构数据细节并导致语义信息丢失的问题。【方法】首先对来自图像和文本的数据分别采用欧氏距离和谷本系数度量其模态内相似性;接着采用二者加权值度量模态间相似性以充分利用异构数据细节信息;之后通过保留数据标签的语义信息来提高哈希码的判别性,防止语义信息丢失;最后,对生成的哈希码计算量化损失并施加哈希位平衡约束,进一步提升哈希码质量。【结果】与11种方法进行对比,在MIR-Flickr25k数据集中文检图和图检文任务上哈希码长度为64位时,mAP最高分别提升了9.5和5.8个百分点,在NUS-WIDE数据集中则最高分别提升了4.7和1.1个百分点。【局限】模型训练时依赖标签信息,在无监督和半监督情况下性能下降。【结论】所提方法能保留异构数据细节信息并防止语义信息丢失,有效提升了模型检索性能。

一种新的保留语义的P2P系统索引构造方法

提出了一种新的P2P系统索引构建方法.它使用多个简单本体(ontology),对同一资源进行描述,将各个ontology描述转化为相应的本体序号(ontology ID),然后使用Hilbert空间填充曲线,实现从多维ontology ID到一维索引值的映射,得到保留了语义的索引值.根据这个索引值,在Chord等结构化P2P上发布和查找资源.该方法对资源的描述更加准确、简单,资源的发布和查询也更加灵活和高效.

基于XML Schema的异构数据源集成技术研究

异构数据源集成过程中所面对的首要问题是异构问题,包括系统异构、模式异构和语义异构三个。以W3C的XML Schema标准作为异构数据源的全局模式,借助XML Schema强的数据描述能力,通过实现关系模式的提取、关系模式到XML Schema的转化和附加语义约束,实现了异构数据源的集成。

基于特征分布调整的深度神经网络二值量化方法

二值卷积神经网络(BNNs)由于其占用空间小、计算效率高而受到关注.但由于量化激活特征的正负部分分布不均等问题,二值网络和浮点深度神经网络(DNNs)之间存在着明显的性能差距,影响了其在资源受限平台上的部署.二值网络性能受限的主要原因是特征离散性造成的信息损失以及分布优化不当造成的语义信息消失.针对此问题,应用特征分布调整引导二值化,通过调整特征的均值方差均衡特征分布,减小离散性造成的信息损失.同时,通过分组激励与特征精调模块设计,调整优化量化零点位置,均衡二值化激活分布,最大程度保留语义信息.实验表明,所提出方法在不同骨干网络、使用不同数据集时均能取得较好效果,其中在CIFAR-10上使用ResNet-18网络量化后网络准确率仅损失0.4%,高于当前主流先进二值量化算法.