法律翻译中的语义不对等与语义补充

法律语言是高度专业化的语言,在语义方面表现出明显的自足性、规定性和精确性。法律翻译追求精确,力求准确传达源语语义,实现精准交流。但由于独特的法律文化和法律语言,以及译者和译文接受者本身的专业素养,法律翻译中经常存在语义缺失、语义错位、语义理解障碍等方面的语义不对等现象。此时需要译者根据相关原则进行语义补充,实现语义的尽可能对等,达到准确传达既定语义的目的。

基于Affix-Attention的命名实体识别语义补充方法

针对现有命名实体识别方法存在的语义信息获取不全面问题,提出基于Affix-Attention的命名实体识别语义补充方法。将句子和句子中每个单词对应的词缀输入到编码层,使用Bi-LSTM提取上下文特征。在编码层设计特征融合模块、建模文本特征与词缀特征的对应关系,使用Affix-Attention同时关注文本信息和词缀信息进行语义补充。解码层使用CRF层得到目标序列。在生物医学领域的JNLPBA-2004和BC2GM基准数据集上的试验结果综合评价指标F1达到81.73%、84.73%;在公共数据集CONLL-2003中试验结果综合评价指标F1达到91.35%。试验结果表明,本研究方法能够有效获取词的内部语义特征,融合文本信息和词缀信息,达到语义补充的效果,提升命名实体识别的性能。

补充语义信息的多特征融合模糊文本分类

针对中文文本分类中依赖词嵌入和单一的神经网络,存在语义表达不充分、特征获取不全面且文本表达模糊比清晰更难以辨识类别的问题,提出补充语义信息的多特征融合(multi-feature fusion with supplementing semantic information,SSI-MFF)的模糊文本分类模型,使用BERT预训练模型对模糊文本进行向量表示,TextCNN、BiLSTM分别学习文本关键字符特征、句子语义特征并用原始向量补充语义信息。在模糊文本数据集上的分类实验结果表明,方法的准确率为79.22%,分类效果明显优于传统文本分类算法。

略论格语法在翻译中的运用

试图运用英国著名翻译家皮特·纽马克的格语法翻译理论，探讨具体的翻译实践过程中格语法及格省略的翻译方法和翻译技巧，以达到原语和目的语表达效果相同或相近的日的，从而实现可懂性和可读性并重的原则。

SSVAE:一种补充语义信息的深度变分文本聚类模型

【目的】解决现有深度变分推断算法进行文本聚类时面临的语义缺失问题。【方法】基于现有的深度变分推断算法,设计一种补充语义信息的深度文本聚类模型(SSVAE),可以将文本语义信息补充到聚类过程中。【结果】实验结果表明,SSVAE在文本聚类过程中有效地补充了文本缺失的语义信息,与现有效果最好的深度变分推断模型以及主流的深度聚类模型相比,SSVAE的NMI指标在BBC,Reuters-1500,Abstract,Reuters-10k,20news-l这5个真实文本数据集上分别提升8.92、7.43、8.73、4.80和6.14个百分点。【局限】SSVAE在补充语义的过程中,除了补充了缺失的语义,有时也不可避免地引入一些噪声,这会造成聚类效果的微小偏差。【结论】补充语义信息的深度变分文本聚类模型SSVAE能够对文本进行更有效的聚类划分,提高聚类准确性。

从语义角度看短语“一直以来”

"一直以来"因其非常规语义组合受到争议。本文通过比较认为,"一直以来"同常规的"X以来"语义组合的不同之处在于其突显的要素不在于一般的时间范围,而是突显了动作或状态的持续性,给"X以来"增添新的语义功能,是包括"长期以来"等"X以来"成员所不具备的,是对语义功能的补充。这就是"一直以来"的语义价值和合理性。