2006av无码视频在线播放,日本人妻丰满熟妇久久久久久

內(nèi)容簡介

　　本書面向計算機科學、信息科學、認知科學、語言學等專業(yè)的本科生、研究生、研究學者或者軟件研發(fā)人員，由淺入深、跨學科地介紹了認知概念信息量、基于認知概念信息增益的文本信息量計算方法、融合認知概念信息權(quán)重的全文本信息量計算方法，一步一步實現(xiàn)了基于認知概念信息量的文本語義相似度的模型。本書模型建立在認知概念網(wǎng)絡基礎(chǔ)上，計算方法接近人類的思維習慣，更加符合人工智能初衷。本書模型具有可解釋性，參數(shù)含義十分明確，易于根據(jù)應用領(lǐng)域或場景調(diào)優(yōu)性能，具有優(yōu)良的發(fā)展前景。本書研究方法另辟蹊徑，在深度學習大行其道的今天對相關(guān)研究人員是不失為一種啟發(fā)和補充。

作者簡介

　　吳昊，博士，碩士生導師，北京理工大學計算機學院、人工智能研究院教師。北京市海量語言信息處理與云計算應用工程技術(shù)研究中心、信息智能處理與內(nèi)容安全工信部重點實驗室骨干成員。

圖書目錄

第1章緒論
1.1 研究背景
1.2 研究意義
1.3 研究目標
1.4 研究內(nèi)容
1.5 本書組織結(jié)構(gòu)
第2章文本語義相似度研究現(xiàn)狀
2.1 標注數(shù)據(jù)及評估方法
2.1.1 早期評估數(shù)據(jù)
2.1.2 SemEval STS任務數(shù)據(jù)
2.1.3 系統(tǒng)評估方法
2.2 文本語義相似度研究方法
2.2.1 無監(jiān)督模型
2.2.2 有監(jiān)督模型
2.3 認知概念信息量方法
第3章基于認知概念信息量的文本語義相似度基本模型
3.1 引言
3.2 相關(guān)工作
3.3 認知概念空間中的文本語義相似度
3.3.1 認知概念空間與認知概念信息量
3.3.2 基于容斥原理的文本認知概念信息量
3.3.3 文本語義相似度基本模型
3.4 模型的實現(xiàn)
3.4.1 知識庫與數(shù)據(jù)庫的使用
3.4.2 獲取認知概念的頻率
3.4.3 選擇詞語對應的認知概念
3.5 實驗
3.5.1 模型的整體性能
3.5.2 知識庫和數(shù)據(jù)庫的影響分析
3.5.3 模型的適應性分析
3.5.4 模型準確率和效率的關(guān)系分析
3.6 本章小結(jié)
第4章基于認知概念信息增益的文本信息量計算方法
4.1 引言
4.2 預備知識
4.3 文本信息量的計算與證明
4.3.1 基本概念和函數(shù)
4.3.2 文本信息量計算公式的推導
4.3.3 文本信息量的高效算法
4.4 算法復雜性分析與實驗
4.4.1 算法復雜性分析
4.4.2 算法效率對比實驗
4.5 本章小結(jié)
第5章融合認知概念信息權(quán)重的全文本信息量計算方法
5.1 引言
5.2 相關(guān)工作
5.3 融合認知概念信息權(quán)重的全文本信息量
5.3.1 基于WordNet的名詞化方法
5.3.2 未登錄詞和功能詞的計算
5.3.3 加權(quán)的文本信息量
5.4 實驗
5.4.1 實驗設置
5.4.2 增強模型的整體性能
5.4.3 與句嵌入表示方法的比較
5.4.4 增強模型對其他方法性能的提升
5.4.5 增強模型的各核心模塊分析
5.4.6 名詞化方法分析
5.4.7 基于WordNet的派生方法分析
5.4.8 未登錄命名實體計算分析
5.4.9 信息權(quán)重融合分析
5.5 本章小結(jié)
第6章基于增強模型的測評系統(tǒng)
6.1 SemEval STS測評任務簡介
6.2 SemEval STS測評系統(tǒng)
6.2.1 增強模型測評系統(tǒng)(Run 1)
6.2.2 融合詞語對齊模型的系統(tǒng)(Run 2)
6.2.3 融合深度學習模型的系統(tǒng)(Run 3)
6.3 測評數(shù)據(jù)集
6.4 系統(tǒng)評估
6.4.1 數(shù)據(jù)預處理
6.4.2 成績及討論
6.5 STS Benchmark
6.6 本章小結(jié)
總結(jié)和展望
參考文獻