基于语义层软件理解的形式化格局识别技术

目前国内外学者在软件理解的研究上多注重于程序的词法层和语法层技术的探索,相应的有程序切片、程序类跟踪、程序依赖性分析、反汇编与反编译等方法。但对程序的语义层理解方法进行研究的甚少。该文正是基于上述分析研究了一种软件理解新方法——形式化格局识别技术,以行为层状结构的变换来表述程序的语义,进而采用近人类的思维方式来理解并抽取软件的设计决策与体系结构。

基于语义层行为结构的变换对形式化格局识别技术的再探究

程序的语义层是程序的词法层和语法层的抽象表达,而蕴涵在软件中的语义层构成了人脑思维与机器思维交互过程的中间变换,从程序的语义层出发,利用行为结构的高层表达进行软件理解,进而抽取设计决策,成为了软件逆向工程理论研究的热门课题,形式化格局识别技术在不同程度上表达了上述思想。基于以上分析,对格局识别技术作进一步探究,并在原有基础上提出了新的改进算法与实施技术。

交互设计的语义层面

从分析交互设计的语义现状出发,指出了交互设计在概念阐释、研究方法上的混乱,造成了人们对交互设计的模糊认识,进而从语汇层来阐述了交互设计的语言构建,从行为层阐述了当前交互设计的事件取向,从体验层阐述了交互设计的精神价值归属。在此基础上,提出了交互设计的语义内涵应从交互设计的语汇层、行为层、体验层三方面进行创新性构建。

试论语境在转变语义层对语义的实现功能

语言进入交际语境具有的语义可分为两个层面 :基本语义层和转变语义层 ,言语交际的复杂多变多表现在转变语义层。传统语境要素的归纳主要是从静态的角度在具体交际活动中抽象出来的 ,其实一旦进入具体的交际活动 ,语境的建立就呈动态发展的趋势 ,只有那些与当前言语交际密切相关的语境要素才有资格构成语境。

一种基于语义层的J2EE-ERP电力信息系统平台设计

提出了一种基于J2EE技术,用于电力信息系统的平台设计方案,并着重介绍了平台的语义层设计与实现。J2EE技术的引入为项目开发带来诸多优点,多层的基于语义层的开发模式具有适应业务多变的特点,可显著降低电力信息系统的维护成本。

汉语语义层论析

【正】 0 语义层属于意群聚合体平面的范畴,是指句子里词义所形成的意群内部的层次关系。从语义层的角度来说,词义是指词的个体义,意群是指两个以上个体义扩展来的词的合体义。词义扩展而为意群。意群聚合体表现为词义和意群,或者意群和意群之间关系的最高一级,是语义层的基本要素,处于第一语义层,起着直接表达句子思想内容的作用。词义或意群也可以是语义层的基本要素。就是说,当词的个体义或合体义起着直接表达句子思想内容作用的时候,就成为语义层的基本要素而处于第一语义层了。从直接成分分析法的角度来说,语义层的基本要素,实质上就是语义层的直接成分。换句话说,起着直接表达句子思想内容作用的基本要素:词义和词义。

一种端到端的藏文La格浅层语义分析

该文通过详细分析La格的用法及特征,在研制La格(■)浅层语义标记规范的基础上,提出一种端到端的长短时记忆神经网络藏文La格浅层语义分析方法,该方法首先借鉴LSTM的设计思路,通过在LSTM的垂直方向上装置一个新颖的“门控高速连接”机制(Gated high-speed connection mechanism,GM),学习了输入句子的时序语义特征。GM包含对单元内部输入和输出的线性连接,使信息可以通畅地在不同层之间传播;然后使用Softmax计算每一时刻语义标签的局部归一化分布,以供输出层进行约束解码;最后使用维特比算法进行解码时通过强制执行该文设定的BIO和La格浅层语义标注约束,规范了输出语义标签之间的结构关系。虽然这个模型比较简单,不需要输入任何额外特征,但取得了理想的实验结果,在测试集上的藏文La格浅层语义分析准确率达到90.59%。

基于XML的语义层报表模型的研究与实现

研究了在报表设计器和企业数据源之间建立语义层,在语义层中定义数据模型,该模型封装了数据源的技术细节,用户基于语义层设计报表,只需简单地拖拽语义层元素即可,不需要编写复杂表达式和复杂SQ L.语义层的加入不仅给用户的操作带来了极大的方便,而且增强了企业数据的安全性.在模型中字段上建立视图间的关联关系,关系自动作用在报表上,不需要进行视图间连接就可以设计出多源报表,极大地提高了复杂报表的计算效率.

浅层语义分析研究

语义分析是自然语言理解领域研究的根本性问题,浅层语义分析为此提供了一种新的解决途径.从语义学的角度讨论了浅层语义分析的发展历史和理论基础,概述了语义角色标注任务的定义、相关资源与方法.还着重介绍并比较了当前英语两大语义角色体系和汉语角色体系,最后给出了浅层语义分析中统计模型的现有特征集的句法语义分类.

基于浅层语义树核的阅读理解答案句抽取

阅读理解系统是通过对一篇自然语言文本的分析理解,对用户根据该文本所提的问题,自动抽取或者生成答案。本文提出一种利用浅层语义信息的英文阅读理解抽取方法,首先将问题和所有候选句的语义角色标注结果表示成树状结构,用树核(tree kernel)的方法计算问题和每个候选句之间的语义结构相似度,将该相似度值和词袋方法获得的词匹配数融合在一起,选择具有最高分值的候选句作为最终的答案句。在Remedia测试语料上,本文方法取得43.3%的HumSent准确率。

应用层语义可靠的自适应多播

Internet上的可靠多播具有很大的应用前景,但是同时也面临着挑战,主要是因为Internet的异构性以及IPMulticast仍不能广域内得以实现.提出了一种应用层语义可靠的自适应多播体系结构（application semanticsreliable multicast,简称ASRM）.ASRM不以IP Multicast为基础,而是采用一种混合IP单播和多播的方法来实现多点数据通信.ASRM采用一种简单、自然,且具有更好的伸缩性的方法来命名多播会话,并可以在转发过程中,根据变换模型、变换规则和用户意愿进行自适应的数据传输,从而解决异构性问题.ASRM适用于广域范围内的小规模可靠多播应用.

综合多层语义特征与深度卷积网络的手绘图像检索方法

针对手绘图像检索领域中手绘图像的语义特征,为了深度发掘手绘图像的语义特征,并获得高效、准确的检索结果,提出一种基于多层语义特征和深度卷积网络的融合网络的方法.首先提出针对手绘图像语义特征的分层的概念,并构建与多层语义特征相对应的多层深度卷积神经网络来学习不同层次的深度特征,然后通过特征融合,实现多层深度语义特征的融合,形成最终的特征描述子,达到高精度的检索.在基准数据库Flickr15k上的实验结果表明该方法是可行、有效的.

半监督学习和主动学习相结合的浅层语义分析

语义分析是基于内容的文本挖掘领域的重要技术和研究难点。有监督机器学习方法受限于标注语料的规模,在小规模标注样本中难以获取较高性能。本文面向浅层语义分析任务,采用一种新颖的半监督学习方法——直推式支持向量机,并结合其训练特点提出了基于主动学习的样本优化策略。实验表明,本文提出的浅层语义分析方法通过整合主动学习与半监督学习,在小规模标注样本环境中取得了良好的学习效果。

浅层语义分析及SPARQL在问答系统中的应用

为了解决受限域问答系统中答案抽取的问题,提出了一种基于浅层语义分析的问答系统模型。该模型以自然语言为接口,利用医院信息本体,采用浅层语义分析技术,由语义块定义规则和语义块判定规则,首先生成问句向量,然后利用SPARQL查询技术,在本体中进行查询,从而得到答案。实验表明该方法可行,对自动问答系统的设计具有借鉴意义和深入研究的价值。

基于中文框架网络的浅层语义分析模型

在中文框架网络的基础上建立中文浅层语义分析模型。模型利用统计的方法,经过句子分解、识别框架元素界限、确定框架元素类型三个阶段。通过对模型进行实例数据分析,表明基于中文框架网络的浅层语义分析模型是可行的。

基于多层次语义特征的英文作文自动评分方法

作文自动评分(AES)技术能够自动地对作文进行分析和评分,其已成为自然语言处理技术在教育领域应用的热点研究问题之一。针对目前AES方法割裂了深层和浅层语义特征,忽视了多层次语义融合对作文评分影响的问题,提出了一种基于多层次语义特征的神经网络(MLSF)模型进行AES。首先,采用卷积神经网络(CNN)捕获局部语义特征,并采用混合神经网络捕获全局语义特征,以从深层次获取作文的语义特征;其次,利用篇章级的作文主题向量来获取主题层特征,同时针对深度学习模型难以挖掘的语法错误和语言丰富程度特征,构造了少量人工特征以从浅层获取作文的语言学特征;最后,通过特征融合对作文进行自动评分。实验结果表明,所提出模型在Kaggle ASAP竞赛公开数据集的所有子集上性能均有显著提升,该模型的平均二次加权的卡帕值(QWK)达到79.17%,验证了该模型在AES任务中的有效性。

一种用于图像检索的多层语义二值描述符

随着图像数据的爆炸性增长,基于内容的图像检索引起了大量的关注.图像检索系统的性能很大程度上是由描述符决定的.有很多传统的描述符先后被提出,但检索的准确率都不太理想.随着深度学习的发展,利用卷积神经网络(Convolutional Neural Network,CNN)来学习占用空间小且具有较强区分力(discriminative)的图像表示逐渐兴起.卷积神经网络全连接层的特征通常为分类任务而设计,捕获的往往是高层的语义信息,难以充分有效的捕获图像的局部信息,而且维度很高.为解决全连接层特征缺乏局部信息且维度较高的问题,本文提出了一种多层语义二值描述符(Multi-level Semantic Binary Descriptor,MSBD).多层语义二值描述符通过多层语义浮点描述符构建和二值描述符学习两个步骤生成.多层语义浮点描述符由全局分支、对象分支以及显著性区域分支构成,每个分支代表一个语义层次,可以同时捕获全局特征以及显著的局部特征.二值描述符学习算法通过一个迭代的过程减少二值化过程中的量化误差以及编码中的冗余信息,在压缩描述符的同时减少区分力的损失.为了进一步提高查询的准确率,本文提出了一种不相似性度量函数.此度量函数同时包含了哈希代表的视觉语义信息以及类级别的高层概念语义信息.本文在该领域典型的数据集上对描述符进行了系统的对比实验,实验结果表明,多层语义二值描述符具有很强的区分力,查询准确率优于很多当前最先进的浮点描述符,在Oxford5K数据集上与目前最好的方法达到了相近的准确率,在Paris6K数据集上比已有的方法超过了约4.3%,在Holidays数据集上比已有方法超过了约2.1%.

网络多层语义深度挖掘及流媒体缓存策略研究

对网络音视频数据进行多层次语义的深度挖掘,统计分析用户行为,建立一个流行度预测模型,在此基础上提出智能化的代理缓存替换策略。初步模拟实验表明该策略能提高缓存字节命中率,减短客户端的请求延迟时间。

基于四层树状语义模型的场景语义识别方法

场景分类的主要方法是基于底层特征的方法和基于视觉词包模型的方法,前者缺乏语义描述能力并且时间复杂度大,后者识别率低。借鉴两类方法的优势,提出了基于四层树状语义模型的场景语义识别新方法。四层语义模型包括视觉层(图像的底层特性)、概念层(场景实物的名称)、关系层和语义层。提取训练样本场景实物的颜色、颜色层次和轮廓得到视觉层;同类场景中实物的名称(概念单词)的交集构成了概念层;统计概念单词的频率并对概念单词的空间位置关系进行关联规则的数据挖掘得到关系层;计算关键概念单词与PSB标准模型语义属性分类树的语义相似度得到场景高层语义。计算测试样本的底层特征后,通过视觉层的检索得到概念单词。通过概念单词的频率和空间位置关系关联规则的检索得到场景分类。由场景分类、场景高层语义、场景概念单词构成场景语义的识别结果。实验显示:新方法提高了识别率,降低了识别时间,并且具有场景高层语义的描述能力。

一种改进的汉语语义角色分类体系与标注实践

语义角色标注是自然语言处理中的一项重要任务,涉及文本挖掘、神经网络学习、统计语言学等多个研究领域。在对一个汉语语料库进行语义角色分析时,发现现有的汉语语义角色体系存在一定的局限性。通过引入新的语义角色、吸收和重新定义现有语义角色体系中的语义角色,该文提出了一种改进的汉语语义角色分类体系。该语义角色分类体系将事件中的语义角色分为两大类,即中枢语义角色和周边语义角色,其中,周边语义角色可进一步被细分为主要周边语义角色和辅助周边语义角色。为了减少语义理解的主观性从而客观地判断语义角色类型,该文基于语义和句式以“判断标准-相应例句”的形式详细解释了语义角色分类体系中的主要周边语义角色,并从中枢语义角色半自动化判断、复合动词作中枢语义角色处理、易混淆语义角色难点分析和辅助周边语义角色标注规定等多个方面给出了提高语义角色标注一致性的说明。最后,根据提出的语义角色分类体系对实验语料库进行了语义角色的标注实践,分析了标注一致性,统计了新提出和重定义的主要周边语义角色在语料库中的分布情况,并与基于鲁川语义角色分类体系得到的标注结果进行了对比。