我要投稿 查看投稿进度
学术期刊
在线客服
客服电话：400-188-5008
客服邮箱：service@ccnpub.com
投诉举报：feedback@ccnpub.com
人工客服

工作时间（9：00-18：00）
官方公众号

科技成果·全球共享

请选择 目标期刊

基于ATT-IndRNN-CNN的维吾尔语名词指代消解 下载：26 浏览：407

祁青山1 田生伟1 禹龙2 艾山·吾买尔2 《中文研究》 2019年2期

摘要:
该文提出一种基于注意力机制(attention mechanism，ATT)、独立循环神经网络(independently recurrent neural network，IndRNN)和卷积神经网络(convolutional neural network，CNN)结合的维吾尔语名词指代消解模型(ATT-IndRNN-CNN)。根据维吾尔语的语法和语义结构，提取17种规则和语义信息特征。利用注意力机制作为模型特征的选择组件计算特征与消解结果的关联度，结果分别输入IndRNN和CNN得到包含上下文信息的全局特征和局部特征，最后融合两类特征并使用softmax进行分类完成消解任务。实验结果表明，该方法优于传统模型，准确率为87.23%，召回率为88.80%，F值为88.04%，由此证明了该模型的有效性。

基于多编码器多解码器的大规模维汉神经网络机器翻译模型 下载：50 浏览：350

张金超1，2，3 艾山·吾买尔4 买合木提·买买提4 刘群1，5 《中文研究》 2018年6期

摘要:
为提升维汉机器翻译模型的翻译能力，该文提出使用多编码器多解码器的结构，搭建大规模的维汉神经网络机器翻译模型。相比于单编码器单解码器的浅层的小模型，多编码器多解码器模型具有多个编码器，可以对源语言进行多层次、多视角的压缩表示；同时具有多个解码器，可以增强目标语言的生成能力。实验证明，在大规模的训练数据上，使用该方法搭建的大规模维汉神经网络机器翻译模型，译文质量可以大幅度地超过基于短语的统计机器翻译模型和基本的神经网络翻译模型。该文还针对维汉翻译源端语言和目标端语言的翻译单元粒度进行了实验，发现维吾尔语端使用字节对编码单元、汉语端使用字单元，可以消除对汉语分词器的依赖，做到和双端都使用字节对编码单元可比的效果。

哈萨克语句法分析辅助特征提取研究 下载：63 浏览：275

陈雪古丽拉·阿东别克 《中文研究》 2018年2期

摘要:
在哈萨克语句法分析中，该文用平均感知器算法训练句法分析模型，用柱搜索算法进行解码，可以快速准确地对哈萨克语句子进行短语结构句法分析。在解析句子过程中，构建了一个双向LSTM模型，利用它提取句子中每个单词之间组成结构的信息，以预测每个单词在句法树中的句法组成部分，然后将结果作为辅助前瞻特征传递给句法分析过程。实验证明，此方法与基线模型相比，在准确率和召回率上均有提高。

基于Bi-tagged特征的维吾尔文情感分类方法研究 下载：55 浏览：412

热西旦木·吐尔洪太1，2 吾守尔·斯拉木1 《中文研究》 2018年2期

摘要:
现有的维吾尔文文本情感分类方法以从空格分词中得到的unigram特征作为文本表示，因而无法挖掘与情感表达相关的深层语言现象。该文从维吾尔文词汇之间的顺序依赖关系入手，总结若干个词性组合规则，提取能够表达丰富情感信息的Bi-tagged特征，并基于支持向量机(SVM)分类器对维吾尔文情感语料库进行了正负情感分类。实验结果表明，在维吾尔文文本情感分类中:(1)当包含该文提出的各项词性规则时，Bi-tagged特征的性能最优；(2)Bi-tagged特征不仅能够提取情感丰富的信息，而且可以提取否定信息；(3)与常用的unigram、bigram特征以及unigram和bigram的组合特征在该文数据集上的分类效果相比，该文所提取的Bi-tagged与unigram的组合特征分类效果更佳，比该文的Baseline的分类准确率提高了4.225%。该研究成果不但可以进一步提高维吾尔文文本情感分类效率，也可为哈萨克语、柯尔克孜语等亲属语言的情感分类提供借鉴。

面向神经机器翻译的集成学习方法分析 下载：44 浏览：448

李北1 王强1 肖桐1 姜雨帆1 张哲旸1 刘继强1 张俐1 于清2 《当代中文学刊》 2019年9期

摘要:
集成学习是一种联合多个学习器进行协同决策的机器学习方法,应用在机器翻译任务的推断过程中可以有效整合多个模型预测的概率分布,达到提升翻译系统准确性的目的。虽然该方法的有效性已在机器翻译评测中得到了广泛验证,但关于子模型的选择与融合的策略仍鲜有研究。该文主要针对机器翻译任务中的参数平均与模型融合两种集成学习方法进行大量的实验,分别从模型与数据层面、多样性与模型数量层面对集成学习的策略进行了深入探索。实验结果表明在WMT中英新闻任务上,所提模型相比Transformer单模型有3.19个BLEU值的提升。

基于深度神经网络的维吾尔文命名实体识别研究 下载：42 浏览：226

王路路1,2 艾山·吾买尔1,2 吐尔根·依布拉音1,2 买合木提·买买提1,2 卡哈尔江·阿比的热西提1,2 《当代中文学刊》 2019年8期

摘要:
现有的维吾尔文命名实体识别主要采用基于条件随机场的统计学习方法,但依赖于人工提取的特征工程和领域知识。针对该问题,该文提出了一种基于深度神经网络的学习方法,并引入不同的特征向量表示。首先利用大规模未标注语料训练的词向量模型获取每个单词具有语义信息的词向量;其次,利用Bi-LSTM提取单词的字符级向量;然后,利用直接串联法或注意力机制处理词向量和字符级向量,进一步获取联合向量表示;最后,用BiLSTM-CRF深度神经网络模型进行命名实体标注。实验结果表明,以基于注意力机制的联合向量表示作为输入的Bi-LSTM-CRF方法在维吾尔文命名实体识别上F值达到90.13%。

基于稳健词素序列和LSTM的维吾尔语短文本分类 下载：56 浏览：374

沙尔旦尔·帕尔哈提米吉提·阿不里米提艾斯卡尔·艾木都拉 《当代中文学刊》 2020年2期

摘要:
维吾尔语是一种派生类语言,其词是由词干和词缀连接而成的。其中,词干是有实际意义的词汇单元,词缀提供语法功能。该文提出了基于词干单元和长短期记忆(LSTM)网络的维吾尔语短文本分类技术。用基于词-词素平行训练语料的稳健词素切分和词干提取方法,从互联网下载的文本中提取其词干,以此构建词干序列文本语料库,并通过Word2Vec算法映射到实数向量空间。然后用LSTM网络作为特征选择和文本分类算法进行维吾尔语短文本分类实验,并得到95.48%的分类准确率。从实验结果看,对于维吾尔语等派生类语言而言,特别是对于带噪声的文本,基于词干的分类方法有更多优异的性能。
[1/1]
|<
<
1
>
>|
在线客服：：点击联系客服
联系电话：：400-188-5008
客服邮箱：：service@ccnpub.com
投诉举报：：feedback@ccnpub.com
人工客服

工作时间（9：00-18：00）
官方公众号

科技成果·全球共享