基于認(rèn)知概念信息量的文本語(yǔ)義相似度模型研究

定　價(jià)：￥52.00

作　者：	吳昊，黃河燕著
出版社：	北京理工大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

京東 (￥43.70)

ISBN：	9787568295277	出版時(shí)間：	2021-01-01	包裝：	平裝
開本：	16開	頁(yè)數(shù)：	153	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書面向計(jì)算機(jī)科學(xué)、信息科學(xué)、認(rèn)知科學(xué)、語(yǔ)言學(xué)等專業(yè)的本科生、研究生、研究學(xué)者或者軟件研發(fā)人員，由淺入深、跨學(xué)科地介紹了認(rèn)知概念信息量、基于認(rèn)知概念信息增益的文本信息量計(jì)算方法、融合認(rèn)知概念信息權(quán)重的全文本信息量計(jì)算方法，一步一步實(shí)現(xiàn)了基于認(rèn)知概念信息量的文本語(yǔ)義相似度的模型。本書模型建立在認(rèn)知概念網(wǎng)絡(luò)基礎(chǔ)上，計(jì)算方法接近人類的思維習(xí)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(yīng)用領(lǐng)域或場(chǎng)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(xué)習(xí)大行其道的今天對(duì)相關(guān)研究人員是不失為一種啟發(fā)和補(bǔ)充。

作者簡(jiǎn)介

　　吳昊，博士，碩士生導(dǎo)師，北京理工大學(xué)計(jì)算機(jī)學(xué)院、人工智能研究院教師。北京市海量語(yǔ)言信息處理與云計(jì)算應(yīng)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(diǎn)實(shí)驗(yàn)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(biāo)
1.4 研究?jī)?nèi)容
1.5 本書組織結(jié)構(gòu)
第2章文本語(yǔ)義相似度研究現(xiàn)狀
2.1 標(biāo)注數(shù)據(jù)及評(píng)估方法
2.1.1 早期評(píng)估數(shù)據(jù)
2.1.2 SemEval STS任務(wù)數(shù)據(jù)
2.1.3 系統(tǒng)評(píng)估方法
2.2 文本語(yǔ)義相似度研究方法
2.2.1 無(wú)監(jiān)督模型
2.2.2 有監(jiān)督模型
2.3 認(rèn)知概念信息量方法
第3章基于認(rèn)知概念信息量的文本語(yǔ)義相似度基本模型
3.1 引言
3.2 相關(guān)工作
3.3 認(rèn)知概念空間中的文本語(yǔ)義相似度
3.3.1 認(rèn)知概念空間與認(rèn)知概念信息量
3.3.2 基于容斥原理的文本認(rèn)知概念信息量
3.3.3 文本語(yǔ)義相似度基本模型
3.4 模型的實(shí)現(xiàn)
3.4.1 知識(shí)庫(kù)與數(shù)據(jù)庫(kù)的使用
3.4.2 獲取認(rèn)知概念的頻率
3.4.3 選擇詞語(yǔ)對(duì)應(yīng)的認(rèn)知概念
3.5 實(shí)驗(yàn)
3.5.1 模型的整體性能
3.5.2 知識(shí)庫(kù)和數(shù)據(jù)庫(kù)的影響分析
3.5.3 模型的適應(yīng)性分析
3.5.4 模型準(zhǔn)確率和效率的關(guān)系分析
3.6 本章小結(jié)
第4章基于認(rèn)知概念信息增益的文本信息量計(jì)算方法
4.1 引言
4.2 預(yù)備知識(shí)
4.3 文本信息量的計(jì)算與證明
4.3.1 基本概念和函數(shù)
4.3.2 文本信息量計(jì)算公式的推導(dǎo)
4.3.3 文本信息量的高效算法
4.4 算法復(fù)雜性分析與實(shí)驗(yàn)
4.4.1 算法復(fù)雜性分析
4.4.2 算法效率對(duì)比實(shí)驗(yàn)
4.5 本章小結(jié)
第5章融合認(rèn)知概念信息權(quán)重的全文本信息量計(jì)算方法
5.1 引言
5.2 相關(guān)工作
5.3 融合認(rèn)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(jì)算
5.3.3 加權(quán)的文本信息量
5.4 實(shí)驗(yàn)
5.4.1 實(shí)驗(yàn)設(shè)置
5.4.2 增強(qiáng)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(qiáng)模型對(duì)其他方法性能的提升
5.4.5 增強(qiáng)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(shí)體計(jì)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(qiáng)模型的測(cè)評(píng)系統(tǒng)
6.1 SemEval STS測(cè)評(píng)任務(wù)簡(jiǎn)介
6.2 SemEval STS測(cè)評(píng)系統(tǒng)
6.2.1 增強(qiáng)模型測(cè)評(píng)系統(tǒng)(Run 1)
6.2.2 融合詞語(yǔ)對(duì)齊模型的系統(tǒng)(Run 2)
6.2.3 融合深度學(xué)習(xí)模型的系統(tǒng)(Run 3)
6.3 測(cè)評(píng)數(shù)據(jù)集
6.4 系統(tǒng)評(píng)估
6.4.1 數(shù)據(jù)預(yù)處理
6.4.2 成績(jī)及討論
6.5 STS Benchmark
6.6 本章小結(jié)
總結(jié)和展望
參考文獻(xiàn)