-
题名利用语义关联增强的跨语言预训练模型的译文质量评估
被引量：1
- 1
-
-
作者
叶恒
贡正仙
-
机构
苏州大学计算机科学与技术学院
-
出处
《中文信息学报》
CSCD
北大核心
2023年第3期79-88,共10页
-
基金
国家自然科学基金(61976148)
江苏高校优势学科建设工程资助项目
-
文摘
机器翻译质量评估(QE)是在不依赖参考译文的条件下,自动对机器翻译译文进行评估。当前人工标注数据稀缺,使得神经QE模型在自动检测译文错误方面还存在较大问题。为了更好地利用规模庞大但却缺少人工标注信息的平行语料,该文提出一种基于平行语料的翻译知识迁移方案。首先采用跨语言预训练模型XLM-R构建神经质量评估基线系统,在此基础上提出三种预训练策略增强XLM-R的双语语义关联能力。该文方法在WMT 2017和WMT 2019的英德翻译质量评估数据集上都达到了最高性能。
-
关键词
机器翻译质量评估
跨语言预训练模型
语义关联
预训练策略
-
Keywords
quality estimation of machine translation
cross-lingual pretrained model
semantic connection
pretraining strategy
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名面向远程监督命名实体识别的噪声检测
- 2
-
-
作者
王嘉诚
王凯
王昊奋
杜渂
何之栋
阮彤
刘井平
-
机构
华东理工大学信息科学与工程学院
同济大学设计与创意学院
迪爱斯信息技术股份有限公司
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2024年第4期916-928,共13页
-
基金
上海市促进产业高质量发展专项资金(2021-GZL-RGZN-01018)
国家重点研发计划项目(2021YFC2701800,2021YFC2701801)
+1 种基金
之江实验室开放课题(2019ND0AB01)
上海市青年科技英才扬帆计划项目(23YF1409400)。
-
文摘
针对远程监督命名实体识别(named entity recognition,NER)任务,目前有许多基于强化学习的方法,利用强化学习的强大决策能力,对远程监督生成的自动标注数据进行噪声过滤.然而,这些方法所使用的策略网络模型架构都较简单,识别噪声能力较弱,且都以完整的句子样本为单位进行识别,导致句子中的部分正确信息被丢弃.为解决上述问题,提出了一种新的基于强化学习的方法,称为RLTL-DSNER,该方法可以从远程监督生成的带噪数据中,以单词级别识别正确实例,减少噪声实例对远程监督NER的负面影响.具体来说,在策略网络模型中引入了标签置信函数来准确识别实例.此外,提出了一种新颖的NER模型预训练策略,使其能为强化学习的初始训练提供精准的状态表示和有效的奖励值,引导其向正确的方向更新.在4个数据集上的实验结果验证了RLTL-DSNER方法的优越性,在NEWS数据集上,相较于现有最先进的方法,获得了4.28%的F1提升.
-
关键词
命名实体识别
远程监督
深度强化学习
噪声检测
预训练策略
-
Keywords
named entity recognition
distant supervision
deep reinforcement learning
noise detection
pre-training strategy
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
-
题名导图预写策略训练对同伴书面反馈的有效性研究
被引量：1
- 3
-
-
作者
杨晓华
许卉艳
-
机构
中国矿业大学(北京)文法学院
-
出处
《外语与外语教学》
CSSCI
北大核心
2022年第1期84-94,149,150,共13页
-
基金
全国高校外语教学科研项目“二语写作课堂中组内合作的特点及模式研究”(项目编号:2017BJ0010A)的阶段性研究成果。
-
文摘
本文探讨了导图预写策略训练对英语学习者同伴书面反馈的影响。研究以92名非英语专业学生为实验对象,比较了实验组和对照组在前后测试中的同伴书面反馈和反馈引起的修改,并通过对实验组半结构访谈验证该策略训练带来的反馈变化。研究发现:后测中实验组的内容和结构反馈数量比对照组有较大提高,内容和结构修改质量也显著高于对照组。同时访谈结果表明:实验组对同伴反馈持积极态度,导图成为该组反馈时的重要依据。因此,大学英语写作课程中实施导图预写策略训练,有助于强化学生的高层级问题意识,提高其书面反馈质量。
-
关键词
导图
预写策略训练
同伴书面反馈
内容
结构
-
Keywords
mapping
prewriting strategy training
peer written feedback
content
organization
-
分类号
H319
[语言文字—英语]
-
-
题名基于图模型与卷积神经网络的交通标志识别方法
被引量：37
- 4
-
-
作者
刘占文
赵祥模
李强
沈超
王姣姣
-
机构
长安大学信息工程学院
长安大学电子与控制工程学院
-
出处
《交通运输工程学报》
EI
CSCD
北大核心
2016年第5期122-131,共10页
-
基金
高等学校学科创新引智计划项目(B14043)
国家自然科学基金项目(51278058
+3 种基金
61302150)
陕西省自然科学基金项目(2012JM8011)
中央高校基本科研业务费专项资金项目(2013G1241111
2014G1321035)
-
文摘
为了提高交通标志识别的鲁棒性,提出了一种基于图模型与卷积神经网络(CNN)的交通标志识别方法,建立了一个面向应用的基于区域的卷积神经网络(R-CNN)交通标志识别系统。构造了基于超轮廓图(UCM)超像素区域的图模型,有效利用自底向上的多级信息,提出了一种基于图模型的层次显著性检测方法,以提取交通标志感兴趣区域,并利用卷积神经网络对感兴趣候选区进行特征提取与分类。检测结果表明:针对限速标志,基于UCM超像素区域的图模型比基于简单线性迭代聚类(SLIC)超像素的图模型更有利于获取上层显著度图的大尺度结构信息;基于先验位置约束与局部特征(颜色与边界)的层次显著性模型有效地融合了局部区域的细节信息与结构信息,检测结果更加准确,检测目标更加完整、均匀,查准率为0.65,查全率为0.8,F指数为0.73,均高于其他同类基于超像素的显著性检测算法;基于具体检测任务的CNN预训练策略扩展了德国交通标志识别库(GTSRB)的样本集,充分利用了CNN的海量学习能力,更好地学习目标内部的局部精细特征,提高了学习与识别能力,总识别率为98.85%,高于SVM分类器的95.73%。
-
关键词
交通控制
交通标志
显著性检测
卷积神经网络
预训练策略
-
Keywords
traffic control
traffic sign
saliency detection
convolutional neural network
pretraining strategy
-
分类号
U491.52
[交通运输工程—交通运输规划与管理]
-
