形容词性

摘要： 连词“和”“与”“及”比较起来,“和”用得最广泛,口语和书面语中都很常见。“和”可以连接名词性成分,也可以连接动词性或形容词性成分,表平等联合。例如:老师和学生都赞成这个意见。表示3项以上成分的平等联合时,“和”要放在最后两项之间,前面的成分用顿号连接。例如:北京、天津、上海和广州都进行了这项工作。

摘要： 连词“和”“与”“及”比较起来,“和”用得最广泛,口语和书面语中都很常见。“和”可以连接名词性成分,也可以连接动词性或形容词性成分,表平等联合。例如:老师和学生都赞成这个意见。表示3项以上成分的平等联合时,“和”要放在最后两项之间,前面的成分用顿号连接。例如:北京、天津、上海和广州都进行了这项工作。

摘要： 连词“和”“与”“及”比较起来,“和”用得最广泛,口语和书面语中都很常见。“和”可以连接名词性成分,也可以连接动词性或形容词性成分,表平等联合。例如:老师和学生都赞成这个意见。表示3项以上成分的平等联合时,“和”要放在最后两项之间,前面的成分用顿号连接。例如:北京、天津、上海和广州都进行了这项工作。

摘要： 连词“和”“与”“及”比较起来,“和”用得最广泛,口语和书面语中都很常见。“和”可以连接名词性成分,也可以连接动词性或形容词性成分,表平等联合。例如:老师和学生都赞成这个意见。

摘要： 连词“和”“与”“及”比较起来,“和”用得最广泛,口语和书面语中都很常见。“和”可以连接名词性成分,也可以连接动词性或形容词性成分,表平等联合。例如:老师和学生都赞成这个意见。表示3项以上成分的平等联合时,“和”要放在最后两项之间,前面的成分用顿号连接。例如:北京、天津、上海和广州都进行了这项工作。

摘要： 连词“和”“与”“及”比较起来,“和”用得最广泛,口语和书面语中都很常见。“和”可以连接名词性成分,也可以连接动词性或形容词性成分,表平等联合。例如:老师和学生都赞成这个意见。表示3项以上成分的平等联合时,“和”要放在最后两项之间,前面的成分用顿号连接。例如:北京、天津、上海和广州都进行了这项工作。另外,在连接较长的词组时,“和”的前面可以有一个停顿,书面上用逗号隔开。

摘要： 连词“和”“与”“及”比较起来,“和”用得最广泛,口语和书面语中都很常见。“和”可以连接名词性成分,也可以连接动词性或形容词性成分,表平等联合。例如:老师和学生都赞成这个意见。表示3项以上成分的平等联合时,“和”要放在最后两项之间,前面的成分用顿号连接。例如:北京、天津、上海和广州都进行了这项工作。另外,在连接较长的词组时,“和”的前面可以有一个停顿,书面上用逗号隔开。“与”较多连接名词性词语,也可连接动词性、形容词性词语,多用于书面语,书名、标题中常见。

摘要： 连词“和”“与”“及”比较起来,“和”用得最广泛,口语和书面语中都很常见。“和”可以连接名词性成分,也可以连接动词性或形容词性成分,表平等联合。例如:老师和学生都赞成这个意见。表示3项以上成分的平等联合时,“和”要放在最后两项之间,前面的成分用顿号连接。例如:北京、天津、上海和广州都进行了这项工作。

摘要： that可以引导形容词性从句(即定语从句)和名词性从句(包括主语从句、宾语从句、表语从句和同位语从句,还可以单独或者和其它词一起引导副词性从句(即状语从句).此文归纳了that引导的各种从句并对它们的用法做了简单的解析.

摘要： 连词“和”“与”“及”比较起来,“和”用得最广泛,口语和书面语中都很常见。“和”可以连接名词性成分,也可以连接动词性或形容词性成分,表平等联合。例如:老师和学生都赞成这个意见。表示3项以上成分的平等联合时,“和”要放在最后两项之间,前面的成分用顿号连接。

摘要： 提供了一种通过使用形容词产生振动的方法和装置。所述方法包括：设置与特定形容词和特定形容词的程度值相应的至少一个基频和至少一个重叠比；接收用于输入形容词和输入的形容词的程度值的至少一个用户输入；基于所述设置产生与输入的形容词和输入的形容词的程度值相应的至少一个振动。产生的所述至少一个振动具有与输入的形容词和输入的形容词的程度值相应的基频和重叠比。

摘要： 本发明公开了一种基于依存约束和知识的形容词词义消歧方法和装置。方法包括：对大规模语料进行依存句法分析，收集所得的依存元组并统计其频数，构建依存知识库；对歧义形容词所在句子进行依存句法分析，提取符合设定条件的4种依存元组，作为歧义形容词的依存约束集合；根据语义词典，为歧义形容词的各个词义，依次提取同义词集、近义词集、反义词集作为相应词义的词义代表词集；根据依存知识库和词义代表词集，依次计算歧义形容词的各个词义在依存约束集合的后验概率；根据后验概率选择歧义形容词的正确词义。利用本发明，可以充分发挥依存句法分析的作用，更准确有效地判定歧义形容词的词义。

摘要： 本发明涉及一种词性标注系统，包括：词性标注模型训练装置，用于基于词性层次树利用词性标注训练集中已标注的第一文本来逐层逐节点地训练词性标注模型；以及词性标注装置，用于使用训练的词性标注模型对待标注的文本进行词性标注。本发明还涉及一种词性标注方法、一种用于训练词性标注模型的装置及其方法。根据本发明的系统和方法，实现了大规模标注集中的词性的标注并提高了词性标注的精度。

摘要： 本发明公开了一种基于依存约束和知识的形容词词义消歧方法和装置。方法包括：对大规模语料进行依存句法分析，收集所得的依存元组并统计其频数，构建依存知识库；对歧义形容词所在句子进行依存句法分析，提取符合设定条件的4种依存元组，作为歧义形容词的依存约束集合；根据语义词典，为歧义形容词的各个词义，依次提取同义词集、近义词集、反义词集作为相应词义的词义代表词集；根据依存知识库和词义代表词集，依次计算歧义形容词的各个词义在依存约束集合的后验概率；根据后验概率选择歧义形容词的正确词义。利用本发明，可以充分发挥依存句法分析的作用，更准确有效地判定歧义形容词的词义。

摘要： 本发明涉及到一种基于依存词汇关联度的形容词词义消歧方法，属于自然语言处理技术领域。其步骤为：1.根据语义词典，收集目标形容词歧义词各个词义的同义词、近义词、反义词，构建相应词义的相关词集。2.对目标歧义词所在的句子进行依存句法分析，收集包含目标歧义词的形容词修饰及副词修饰依存元组，提取相应的依存共现词。3.对大规模语料进行依存句法分析，收集其中的依存共现词对，构建依存共现词对数据库DB。4.根据DB，计算目标歧义词的各个词义的依存词汇关联度。5.将整体依存词汇关联度最大的词义判定为正确词义。本发明的方法对比现有技术，能够准确地选择依存共现词，避免噪声词的干扰；能够自动构建依存共现词对数据库，无需任何人工辅助操作；能够改善形容词词义消歧的效果。

摘要： 提供了一种通过使用形容词产生振动的方法和装置。所述方法包括：设置与特定形容词和特定形容词的程度值相应的至少一个基频和至少一个重叠比；接收用于输入形容词和输入的形容词的程度值的至少一个用户输入；基于所述设置产生与输入的形容词和输入的形容词的程度值相应的至少一个振动。产生的所述至少一个振动具有与输入的形容词和输入的形容词的程度值相应的基频和重叠比。

摘要： 本发明涉及用于使用最高级形容词来排序语义子密钥的系统和方法。具体地，本发明公开了一种用于确定排序的方法、计算机可读媒体和计算机系统。可以访问包括语义密钥和最高级形容词的搜索查询，其中所述语义密钥可能与多个语义子密钥相关。对于所述多个语义子密钥的每个语义子密钥，可以确定至少一个各自文档中的至少一个各自最高级形容词的至少一个各自实例。所述至少一个各自实例的每个实例可以包括与所述多个语义子密钥的各自语义子密钥的各自情感相关的各自最高级形容词。可以基于至少一个各自文档中的至少一个各自最高级形容词的所述至少一个各自实例而确定所述多个语义子密钥的排序。

摘要： 一种基于聚类的形容词极性判断系统和方法，其中该系统包括：句子切分单元，用于对需要判断的句子进行切分；同极性句子合并单元，用于将每个句子中的句子片段按照极性是否相同分为两堆；同极性形容词合并单元，用于检查每堆中的子句片段含有的否定词个数；初始语义矩阵形成单元，用于形成初始语义矩阵；相似度矩阵计算单元，用于对初始语义矩阵形成单元生成的初始语义矩阵进行扩展计算，计算出矩阵中对应位置没有值的那些形容词的相似度；以及语义极性聚类单元，用于利用相似度矩阵计算单元得到的矩阵进行聚类以聚成两类。

摘要： 本发明涉及文本分析技术领域，具体涉及词性标注模型的训练方法、词性标注方法及电子设备，所述训练方法包括获取文本样本数据，以及所述文本样本数据中每个字对应的初始词性标签；获取所述文本样本数据中每个字属于其他词性类别的概率，并基于所述概率对所述初始词性标签进行平滑处理，确定目标词性标签；将所述文本样本数据输入词性标注模型中，确定所述文本样本数据中每个字对应的预测词性；根据所述预测词性以及所述目标词性标签，更新所述词性标注模型的参数，以确定目标词性标注模型。在平滑处理的过程中结合对应的概率，可以避免词性标注模型的输出过拟合到初始词性标签上，并且不会损害其分类能力，从而可以保证目标词性标注模型的准确性。

摘要： 本发明涉及结合兼类词词性消歧模型和字典的越南语词性标记方法，属于自然语言处理技术领域。本发明首先通过整理越南语字典为基础得到非兼类词字典和兼类词字典；其次根据越南语特点，选取越南语词性标注特征，形成兼类词词性消歧模型；再根据兼类词词性消歧模型和非兼类词字典分别对测试语料中的兼类词和非兼类词进行词性标记；最后将两种标记的结果进行融合得到最终标记结果。本发明特别考虑了兼类词对词性标注的影响，有效地提高越南语的词性标注的正确率。