首页>中文会议>工业技术>自动化技术与计算机技术>中国中文信息学会二十五周年学术会议

中国中文信息学会二十五周年学术会议

召开年：2006
召开地：北京
出版时间： 2006-11-21

主办单位：中国中文信息学会

会议文集：中文信息处理前沿进展——中国中文信息学会二十五周年学术会议

会议论文

热门论文

全部论文

最新会议

更多>>

全选（0）

1.基于线性链条件随机场模型的语义角色标注
- 董静;孙乐;吕元华;冯元勇
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：语义角色标注是对语义理解的一种新的探索,具有很重要的研究意义.本文提出一种基于条件随机场模型上的语义标注方法.该方法通过将句法分析树"压平",考虑句法树中水平层次上的角色标签之间的马尔科夫依赖关系,提高了系统的精度.另外,本文还分析比较了不同特征对于标注任务的影响并且提出一些新的特征.实验效果表明这些新特征都提高了系统的准确率和召回率.
2.基于最大熵模型的汉语动词与动词搭配识别
- 王素格;上海大学;张武;李德玉;杨军玲;彭其伟
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：句法分析一直是自然语言处理领域的一个重点和难点问题,准确的动词与动词搭配关系识别可为建立完全的句法分析奠定一定的基础.本文提出了一种基于最大熵模型的汉语动词与动词搭配识别方法,选取目标动词与搭配词的上下文词性信息及其关联程度的统计信息构造候选复合特征模板以及类别信息,利用粗糙集理论中的约简技术,删除复合特征模板中冗余的原子模板,从而获得训练最大熵模型所需的极小模板.四组实验结果表明(1)以同时包含上下文词性信息和统计信息的模板与类别信息模板结合构造的识别模型优于仅含上下文词性信息或统计信息的模板与类别信息模板结合所构造的识别模型;(2)较之搭配定量体系方法,最大熵模型的搭配识别效果较好;(3)结合了粗糙集理论的最大熵方法保证了所构造的模型的简洁性,提高了模型的泛化能力.总之,最大熵模型用于动词与动词搭配识别是可行的.
3.基于分词性能的汉语语料库比较研究
- 张洁;孟遥;于浩
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：语料库是计算语言学的基础资源,目前国内外许多单位都在积极地进行语言资源的加工建设,在汉语语料库建设方面也取得了一些重要研究成果.例如,1998年人民日报标注语料库、国家语委5000万标注语料库、宾州大学中文树库等.但各语料库的组织结构不同,加之各家加工过程中所遵循原则的差异,对同一语言现象的处理方式也存在分歧.因此,如何对各种语料库的特点进行比较研究,如何根据工作的实际需要选择适合的语言资源将是一个很现实的问题.本文提出了一种基于分词性能的汉语语料库比较研究的方法,用1998年人民日报语料,国家语委5000万字标注语料和宾州大学中文树库分别训练基于汉字的隐马尔可夫分词模型,继而通过各自的训练系统进行自测和交叉测试,从本文的实验结果来看,人民口报语料以其过硬的质量和庞大的规模对新闻领域的语料有出色的表现,国家语委语料则表现出较强的稳定性和对不同领域语料的适应力.
4.限定领域汉英口语双语语块库的构建
- 程葳;北京城市学院人工智能研究所;邱立坤
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：基于语料库的统计翻译中语料库的粒度可分为词、句和语块几种,目前词对齐和句子对齐的双语语料库已经颇具规模,相关的对齐算法也比较成熟.比较之下,语块级对齐算法还有待研究,而对齐算法所需要的语块级对齐语料库则颇为缺乏.本文以酒店领域口语为主要对象,构建了汉英双语语块库.文章介绍了语块库的构建过程、语块库标注规范,并对标注的结果进行了统计分析.以上工作将有助于双语语块对齐算法的改进.
5.基于语篇的机器翻译前瞻
- 史晓东;陈毅东
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：近年来,统计机器翻译研究持续升温,多个统计机器翻译系统在以NIST为代表的评测中全面超越传统的基于规则的系统.许多入(包括著名的统计机器翻译专家Kevin Knight)认为,达到类似人的翻译质量的机器翻译系统已经不是一个梦想.本文介绍语篇机器翻译的主要研究内容和语篇机器翻译的主要难点。
6.基于主动学习的自适应话题追踪
- 王会珍;张希娟;朱靖波;张斌
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：针对话题追踪任务中话题漂移现象带来的问题,本文提出了一种基于主动学习的自适应技术ATAL.该技术采用基于流的主动学习框架,无监督地通过话题向量转移和特征权值调整两种方式自适应的更新话题模型.在更新话题模型的过程中,尝试确定性和不确定性相结合的方式作为样本选择标准.通过在TDT4的中文语料上测试,实验结果显示,采用基于主动学习的自适应技术,话题追踪的性能有所提高.
7.关于辞书现代化的思考
- 李宇明
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：中国是辞书古国、辞书大国,但还不是辞书强国.中国辞书现代化的步伐还相当迟缓,缺乏宏观的战略谋划和领跑世界的辞书编纂实践,缺乏享誉世界的精品辞书和影响世界的辞书研究成就.应努力促进辞书编纂手段现代化,开发功能强大的语料库、知识库和适用于辞书编纂的软件系统;应大力发展电子辞书,特别是光盘辞书和网络辞书,迅速占领虚拟空间,走辞书综合集成之路.在印刷业告别"铅与火"进入"光与电"的时代,只有用现代化手段才能圆辞书强国之梦.
8.TRS中文信息检索技术的发展(摘要)
- 施水才;肖诗斌;都云程;王洪俊
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：中文信息检索最早可追溯到748工程中的汉字信息检索项目,上世纪90年代以中文全文检索为代表的信息检索技术得到了迅速的发展并形成了规模化的应用,进入21世纪,由于搜索引擎应用的迅速发展和普及,信息检索技术得到了更快速的发展,已经成为信息管理的核心和关键技术.信息检索从应用需求上来讲,分化出互联网搜索和企业搜索两种不同的类型.海量信息处理能力、智能化、高可用性、个性化、自然语言检索、跨语言跨媒体搜索等是中文信息检索技术的研究和应用热点.本文介绍TRS中文信息检索技术的发展。
9.信息检索研究:过去三十年中我们走了多远
- 马少平;张敏
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文以对信息检索领域最顶级的国际会议SIGIR三十年来论文主题的分析为切入点,结合近来年对相关领域的研究和实践,对信息检索研究的发展变化历程和趋势进行总结和分析.
10.多策略的机器翻译
- 王海峰
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：统计机器翻译方法由于其良好的数学模型、无指导的学习能力、良好的鲁棒性等优点而备受重视.基于规则的机器翻译方法对语言规律良好的概括和描述能力以及基于实例的机器翻译方法对相似句子相当精确的翻译也颇有价值.多种方法相融合的机器翻译策略正在成为机器翻译发展的重要方向.本文全面介绍东芝对规则、实例、统计等各种机器翻译方法的研究,以及在融合各种方法方面的探索.
11.文学语言与自然语言理解研究
- 俞士汶;王治敏;朱学锋
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：在历时20年的自然语言处理与计算语言学的研究历程中,笔者注意到,中文信息处理学界尚未涉及自然语言中最美、最富想象力的文学语言.自然语言处理的最高境界是自然语言理解,而文学语言对自然语言理解研究会提出严重的挑战.笔者从几年前开始对于隐喻给予了较多的关注.隐喻作为一种修辞手段,可以归于文学语言的范畴,但从认知语言学角度观察,隐喻无处不在,因此它又不限于文学语言的范畴.隐喻以及其他类型的文学语言与人们日常交流信息、传承知识、传播文化所使用的普通语言之间并没有天然的鸿沟.自然语言理解研究不应该、也不可能把文学语言排斥在视野之外.本文只是提出文学语言的机器理解研究课题,罗列了影响自然语言理解的各种文学表现手法,诸如隐喻、影射、双关、夸张、幽默、拟人等等.作为研究工作的开篇,王治敏于2006年6月完成了博士学位论文<汉语名词短语隐喻识别研究>.本文概要介绍该论文的核心内容:基于"机器学习+辅助规则"的策略,识别n+n结构的名词性隐喻.最后论述文学语言理解研究的理论意义和应用价值.
12.中文聊天语言的奇异性与动态性研究
- 黄锦辉;夏云庆
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：根据中国互联网络信息中心(CNNIC)的统计,到2005年4月底,我国上网用户已经突破1亿,达到1.002亿人,网民数仅次于美国居世界第二位.今天,每13个中国人就有一个与它"亲密接触",互联网正在成为各界人士获取信息的主要通道.社科院2005年互联网报告指出,我国网民平均每天上网的时间是2.73小时,单纯浏览网络论坛而不发言网民只占38.6％.这个比例说明,网民的上网行为不仅仅是寻找信息,还包含了人际交流的活动.报告指出,通常用来双向交流的交流工具有博客(blog)、论坛(BBS)、微软MSN、聊天室、ICQ和电子邮件,有68.7％的网民使用聊天室,66.6％的网民使用ICQ/OICQ/QQ,44.8％的网民使用BBS,43.9％的网民使用微软MSN.这些数据表明:随着互联网进入社会生活,网络聊天逐渐成为一种重要的沟通渠道.本文主要研究中文聊天语言的奇异性与动态性。
13.藏语文本信息处理的历程与进展
- 江荻
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文叙述了25年来中国藏语信息处理领域有关藏语文本及电子词典工作的发展过程以及目前的进展状况.叙述的内容有藏语文本统计计算和熵值计算研究,有藏语资源和词典构建讨论,藏语分词、分词规范以及组块识别阐述,最后还讨论了藏文拉丁转写与词典排序解决方案.
14.语言监测与词语的计量研究
- 侯敏
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：语言监测是客观描写语言、掌握语言发展动态、进行语言规划的必要手段.词语的计量研究是语言监测的基础性工作.本文讨论了词语计量研究中的四种计算方法:频率、使用率、通用率、流通度,并进行了小规模实验.实验结果证明,就选取常用词语来说,使用率和通用率的计算方法得出的结果更符合人们的语感,流通度宜作为语料库选取语料的标准.文章还提出了应区分原始数据和目标数据的观点.
15.基于TBL的中文名实体识别后处理技术
- 刘利刚;谭红叶;赵铁军;杨沐昀
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：中文名实体识别是自然语言处理当中一个富有难度和挑战性的课题.本文提出了一种改进的基于TBL的后处理技术,它对学习到的规则集合进行优化,极大地提高了单个分类器的识别效果.并且该方法可以自动获取专门领域的语言特征知识.同时基于TBL获取的规则一般不会出现过拟合的现象.本文在HMM分类器的基础上,使用TBL后处理技术后,封闭测试中人名、地名、机构名的F-score分别增加了1.6％、4.9％、4.3％:开放测试中F-score分别增加了0.2％、3.9％、9.5％.实验表明这种改进的基于TBL的后处理技术极大地提高了中文名实体识别的识别效果,可自动学习并且不会过拟合.
16.自然语言处理中专名识别方法的研究
- 张玥杰;徐智婷;钱晶;张涛
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：专有名词的识别在针对各国语言的自然语言处理系统中都是一个具有挑战性和研究意义的课题.目前已有多种专名识别的方法,基于各自的出发点,各有利弊.本文对这些方法作了大致的分类和概述,目的是为了阐明专名识别问题的本质要求以及研究现状,为进一步的研究工作作以铺垫,希望能使此领域内其他研究者有所借鉴.
17.基于语义框架的话题跟踪方法
- 林鸿飞;宋丹;杨志豪
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：话题跟踪属于话题识别与跟踪(TDT)的一项子任务,是一种基于事件的信息组织技术.话题跟踪任务就是根据话题相关的训练新闻报道,在后续报道中发现与这个话题相关的所有报道.针对传统的向量空间模型的不足,文章提出了一种利用语义框架来表示话题和报道的方法,并应用于话题跟踪.实验证明这种方法是有效的.
18.HNC(概念层次网络)理论
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：HNC是Hierarchical Network of Concepts(概念层次网络)的简称,是关于自然语言理解处理的理论框架,是面向整个自然语言理解处理的基础理论框架. 发达国家对自然语言理解己进行了长达50余年的研究,但所获甚微.究其原因,西方文明缺乏切入语言本体研究的基础,而以方块字为基础的汉语却为攻克这一难题提供了天然条件.中国科学院声学研究所的黄曾阳教授有幸发现了汉语"字义基元化,词义组合化"的现象,提出具有原始创新特征的、切合语言本质的概念层次网络理论,其主要思路就是对不同层级的语言单位设计相应的基元模式,以有限的基元表述无限的语言现象,让计算机通过对有限基元的操控完成对自然语言的理解处理.本文主要介绍HNC概念，HNC主要观点，HNC符号体系，HNC取得的进展。
19.多语言信息处理平台
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：和中科院知识创新工程西部行动计划项目<基于Linux的跨平台藏文信息处理系统>的资助下,中科院软件研究所联合西藏自治区藏语委办、西北民族大学、新疆大学和内蒙古科立公司等单位,在国产Linux操作系统和办公套件的基础上,按照标准化、规范化和开放性的少数民族语言处理模型的要求,研发通用的支持蒙、藏、维等少数民族语言的基本系统平台和满足电子政务、办公应用要求的办公套件,包括文字处理、幻灯片演示、电子表格、电子邮件等组件.本文介绍一、民族语言版本Linux操作系统和办公套件，二、跨语言信息检索系统和辅助机器翻译系统。">2003年,在国家"863"软件重大专项<民族语言版本Linux操作系统和办公套件研发>和中科院知识创新工程西部行动计划项目<基于Linux的跨平台藏文信息处理系统>的资助下,中科院软件研究所联合西藏自治区藏语委办、西北民族大学、新疆大学和内蒙古科立公司等单位,在国产Linux操作系统和办公套件的基础上,按照标准化、规范化和开放性的少数民族语言处理模型的要求,研发通用的支持蒙、藏、维等少数民族语言的基本系统平台和满足电子政务、办公应用要求的办公套件,包括文字处理、幻灯片演示、电子表格、电子邮件等组件.本文介绍一、民族语言版本Linux操作系统和办公套件，二、跨语言信息检索系统和辅助机器翻译系统。
20.基于词典的现代维吾尔语词性自动标注系统的研究
- 吐尔根·依不拉音;阿里甫·库尔班;阿不都热依木
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文叙述了现代维吾尔语词类体系和构词自动机,确定了现代维吾尔语词性标注标记集,论述了带词类标记的词典为基础的封闭词库中设计的表,上下文规则库来确定词性的方法来解决维吾尔语词性自动标注.
21.藏文短语及其嵌套短语的提取
- 毋建军;中国科学院软件研究所开放系统与中文信息处理中心;张俊林;孙乐;吴健;次仁罗布;陈俊杰
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文提出一种自动提取藏文短语及其嵌套短语搭配的算法,它通过采用基于统计长短语内词语之间的触发共现和基于句法特征规则相结合的处理策略,利用数据挖掘中的Apriori算法和FTP Tree数据存储结构,克服了N-gram统计语言模型在藏文短语搭配提取中没有考虑语言本身结构特性的缺陷,实验结果表明,短语提取的准确率和召回率都有很大的提高.
22.中文Blog热门话题检测与排序技术研究
- 丁伟莉;赵华;郑德权;赵铁军;于浩
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：Blog(博客)作为一种全新的网络发布模式,在很大程度上增强了网络信息的开放性,也使得Blog空间里的信息量成倍增长.利用话题检测技术将Blog文本信息按照所表达的话题进行归类和组织,可以使用户在这种动态变化的环境下查看自己感兴趣或需要的信息,使Blog信息更加有效、准确地为用户使用.本文根据Blog本身的特点,对向量空间模型的表示和相似度的计算进行了改进,提出了一种应用于Blog中的热门话题检测与排序方法,实验结果显示此方法取得了较好的结果.
23.基于贝叶斯方法的中文垃圾邮件过滤技术综述
- 张志斌;施水才;吕学强
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文首先介绍了朴素贝叶斯方法的基本原理,分析了决定基于贝叶斯的中文垃圾邮件过滤器的性能的几个因素,然后比较了几种基于该方法的过滤器,最后总结了制约中文垃圾邮件过滤技术发展的两个重要因素.
24.基于词条频率的特征选择算法研究
- 徐燕;孙春明;王斌;李锦涛
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：特征选择是解决文本分类中特征空间高维性的难题的有效方法.在文本分类中经常用到的自动特征选择方法都将词条在文档中出现一次和出现多次的情况同等对待,因而忽略了词条频率(TF)信息.本文提出了加入TF信息的改进的特征选择方法,有效的利用了TF信息,从而提高了文本分类的精确度.试验结果表明,改进的特征选择方法的试验效果比原始的特征选择方法的效果有明显的提高.
25.基于词分布的初始点选取方法
- 季铎;朱靖波
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文选用动态聚类算法对汉语的词进行同义词聚类分析.在该任务中,为了改善初始点给动态聚类算法全局最优性造成的严重影响,本文提出了一种根据词在文本类别中的分布选择初始点的方法.此方法在k-均值和k-中心点这两种典型的动态聚类算法中有效地提高了词聚类的系统性能.
26.信息检索中基于MLS的语言模型准确性分析
- 蔡勋梁;赵军
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：基于语言模型的信息检索技术是一种具有理论优势的信息检索框架,这种技术所面临的一大问题是如何为严重数据稀疏的小文档建立语言模型.许多经验性的平滑技术看似严重地偏离观测数据,似乎背离了建模的准确性原则,但却带来了良好的性能.信息检索中一直以来没有一个合适的关于概率建模的理论框架,来对比和分析语言建模过程中准确性.本文通过引入最大似然集(MLS)估计这一针对小样本数据的概率估计方法,在其概率解释的理论框架下,通过实验对比,揭示了语言模型在信息检索任务中是用来表达语义的模型,其准确性不等价于字符概率估计的准确性.
27.面向Blog的网络爬行器设计与实现
- 朴星海;赵铁军;郑德权;张迪
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：随着一种新的信息管理和发布工具逐渐被大家认识和使用,互联网的"个人门户"时代已经迎面走来,这种新的信息组织和传播方式,就是B1og.本文针对Blog领域,设计并实现了一个面向Blog的网络爬行器.与通用爬行器相比,具有面向专业,速度快和搜索信息准确度高的特点.
28.基于内聚度的多文档文摘句子排序
- 姚超;李生;张姝;郑德权
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：多文档文摘的句子排序问题受到的关注一直较少,然而文摘句的顺序对用户正确理解原文意思却起到重要的作用,因此有必要对多文档文摘的句子排序进行研究.本文针对中文新闻摘要系统,给出了一种基于内聚度的自底向上的中文多文档文摘的句子排序算法,该方法能够将相同话题的句子聚到一起,避免了话题中断,从而使文摘更连贯.实验结果表明该方法能够较好的改善文摘的可读性.
29.基于改进型Dotplotting的文本分割模型
- 叶娜;罗海涛;郑妍;朱靖波;张斌
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：Dotplotting是文本分割领域的著名算法,本文在对Dotplotting算法改进的基础上,提出了MMS模型.原始的Dotplotting算法仅考虑了语义段落间相似度来进行分割,而MMS模型综合考虑语义段落内部相似度和语义段落间相似度两方面信息,认为段内相似度越大,段间相似度越小,则分割越理想.其他因素如语义段落长度和句子距离对相似度的影响也加入分割模型,来提高分割的准确率.实验结果表明,与原始Doplotting模型和Dotplotting框架下的其他模型相比,MMS模型取得了更好的Pk值评价性能.
30.基于网络化数据挖掘策略的中文多文档自动文摘研究
- 胡珀;何婷婷;张勇
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：多文档自动文摘是近期自然语言处理领域的一项热点研究课题.文中提出了一种基于网络化数据挖掘策略的中文多文档自动文摘方法,该方法的特色在于生成的摘要具有全面而简洁的特性,其内容能同时获得主题覆盖和冗余之间的平衡.考虑到同一主题的文档集合其潜在子主题的分布往往符合段落密度特性,提出了以段落为中心的研究方法,利用网络模型来表达段落并模拟段落间的语义相关性联系,利用网络化数据挖掘策略来自适应地划分段落语义网络中的各抱团结构并依此识别文档集合中的各潜在子主题,通过对子主题中心句子单元的抽取及排列生成最终的摘要.此外,一种基于句子向量相似度的方法被用来自动评价生成摘要的覆盖度和冗余度,通过与几种典型的多文档摘要方法的实验比较及对自动评价和人工评价结果的统计相关性分析验证了该方法的可行性和有效性.
31.基于句法的统计机器翻译研究
- 刘群;熊德意;刘洋
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文介绍了中科院计算所机器翻译课题组在基于句法的统计机器翻译方面的研究工作.文章提出了两种基于句法的统计翻译模型.第一种模型定义了一种基于源语言句法分析的树到串对齐模板,并在此基础上建立统计翻译模型.第二种模型采用最大熵原理,对BTG模型中短语的调序概率进行建模.这两种模型都一定程度上解决了统计机器翻译中由于缺乏深层次句法知识导致的翻译错误问题.在2005年和2006年NIST机器翻译评测数据集上的结果表明,这两种模型都取得了较好的结果,效果比单纯的基于短语的统计翻译模型有显著提高.
32.短语切分概率在统计机器翻译系统中的应用
- 张步峰;何丕廉;张冬冬;李沐;周明
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：在统计机器翻译领域,基于短语的翻译模型的性能优于基于词的翻译模型.目前在基于短语的所有机器翻译模型系统中,源语言都是以均匀分布的方式进行短语切分,然后将所有可能的短语切分结果送入解码器,最终得到翻译结果.遗憾的是,这种基于均匀分布模型对源语言进行短语切分的方式没有充分结合源语言的语言学知识,可能会误导翻译模型以致选择错误的候选目标短语.本文提出通过对源语言知识进行统计学习,获得短语切分概率模型,以指导对源语言进行合理的短语切分.短语切分概率模型可以独立成为一个新的特征,因此能够非常容易的嵌入以最大熵模型为框架的主流统计机器翻译系统中.通过对中英翻译和法英翻译的实验评测,证明了该方法可以明显改善统计机器翻译系统的性能.
33.基于谓词驱动模板的汉日机器翻译方法
- 陈晴;姚天顺;张俐;姜涛;石磊;李彦丹;肖桐
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本篇文章通过对汉语中谓词以及结构辅助词的分析研究提出了一种基于谓词驱动模板的机器翻译方法.谓词驱动模板方法将谓词以及结构辅助词固化在模板中,实现句子级的结构精确匹配,从而在模板库中找到最适合的翻译模板进行翻译.根据汉语中谓词的分布情况,初步考虑在动词作为谓词时,对谓词驱动模板的获取、检索、匹配对齐以及翻译的方法进行了详细讨论.最后使用由5万句规模的汉日体育新闻语科库生成的谓词驱动模板库对受限小样本开放语料进行翻译测试并获得了较好结果.对于相关的体育新闻语料的测试准确率达到83.3％,而对于弱相关的旅游、天气等新闻语科的测试达到63.2％,平均准确率达到73.0％.
34.基于译文加权的BLEU改进方法
- 朱俊国;杨沐昀
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：BLEU是目前机器翻译自动评价的主要方法之一.针对BLEU中不区分译文差别而平均分配权重的问题,本文应用线性回归方法计算不同词性译文权重,进而设计不同长度译文组合的权重计算方式.实验表明,相对于传统的BLEU方法,本文的改进能够提高翻译自动评价结果和人工翻译评价的相关性.
35.面向中国市场的文字识别技术研发
- 孙俊;黄开竹;于浩;岩见田均
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：富士通研究开发中心自1998年成立以来,一直致力于面向中文的信息处理技术的研发.随着中国业务的不断普及,我们在文字识别领域的技术研发也取得了一定的进展.在印刷体字符识别方面,我们提出了一种基于双子空间分解的灰度字符图像特征提取和识别算法,该算法对于由数码相机拍摄等原因所引起的字符图像退化具有很好的识别效果.在手写体字符识别方面,我们提出了一种基于中国地址层次结构模型的手写中国地址识别系统.该系统利用了整体识别,动态规划,和减枝的方法,能有效地识别符种地址.实验表明,该算法对工整手写地址整条识别率达到94.％,对潦草地址的识别率也达到了74.6％的较好效果.
36.中英文文档中公式定位
- 谭怒涛;刘昌平;黄磊
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：在科技文献中存在大量的中英文与公式的混排现象,如果在识别前能正确把它们进行区分并使用不同的0CR将可以极大地提高文档的识别正确率.本文通过结合两个不同的OCR识别结果以及连通体分析成功实现了中文与英文或公式的区分,然后再进一步通过上下标以及特殊字符的识别,并进行一些语义分析实现公式的定位.实验结果表明,此方法能比较有效的实现中英文文档中的公式定位.
37.在联机手写中文识别中一种针对8方向特征提取的改进算法
- 白真龙;霍强
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：在这篇论文中,我们为联机手写识别提出了一种新的特征提取算法,它是针对我们以前用8-方向特征的工作[2]一种改进方案.这个新方法和老方法关键一点不同在于,在新方法中,非线性变化后的联机手写字符轨迹上每个特征点上的方向并不是由它本身决定的,而是通过找到非线性变化前后轨迹之间的对应关系后,最终轨迹的方向取了非线性变化前的方向.这点改进带来了约10％的错误减少率.我们的新方法不仅指出了前人在提出非线性归一化用于中文字符识别时候的考虑不周之处,还给出非线性归一化在联机手写字符中使用的时候的一种弥补方案.除此之外,在这篇文章中我们还将更加详细的解释联机手写中文识别中预处理的过程,并且补充一些最新的实验结果.我们最新的实验在不仅在香港大学手机和PDA联机中文手写数据库得到了验证,并且在日本Nakayosi和Kuchibue数据库也得到了验证.在日本数据库上的实验结果显示,利用我们的特征提取方法,即使我们使用最简单的1个模板的最小误差分类器或者1最近邻分类器,针在Kanji的识别已经好于以前文献里用功能更强的分类器的识别结果.
38.藏文字体的OpenType特征
- 欧珠
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：随着信息技术尤其是计算机网络在我国藏族地区的发展,以及世界范围的经济、文化的不断交流,包括西藏在内的所有藏语地区的藏语文工作者和用户对高质量的藏文版本的计算机操作系统及应用软件有着越来越迫切的需求.但由于藏语言本身的特点,其处理方法不同于拉丁文字、汉字的处理方法并且更复杂,这给开发藏文版本的软件带来了很大的困难.当前国内所使用的藏文软件,几乎无一例外的不完全支持国际编码标准--ISO/IEC 10646(或Unicode)中藏文编码字符集国际标准(基本集),而且很多软件也不太符合藏语言文字的规范,这给藏语言版本的软件发展制造了很大的障碍.当前,在Windows和Linux中对复杂文本显示的支持是通过使用OpenType字体文件来实现的.本文将详细介绍藏字体OpenType结构特征和设计方法,以便于使用OpenType来支持复杂藏文文本的正确显示。
39.能够满足拼音识字教学要求的汉字编码系统——借此宣传一种理念:按字词的属性拼写样式输入汉字
- 李成跃
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：一个能够满足拼音识字教学要求的"汉字编码系统",它使用统一的拼写代码,共同的编码模式;同一系列编码之间,能够相互演化.它将字词的基本属性全面描述,实现"教学用码"与"社会用码"的相互演化,形成"按字词的属性拼写样式输入汉字"理念.
40.引领汉字信息标准开创短信输入新时代
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：无论从用户规模上还是从生产规模上看,中国都已成为世界手机大国.然而,作为手机最基本的功能,我国90％以上的手机嵌入的汉字输入技术却使用的是国外技术和专利,并且每年为此支付数亿元的专利费.本文研究开创短信输入新时代的创新产品，超越客户满意的技术服务以及公司与员工共同发展的企业文化。
41.S9数字键中外文输入技术
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：S9数字键中外文输入技术是由网道信通(北京)数码技术有限公司独立开发的数字键中外文输入技术,已广泛应用于手机,信息电话,税控收款机等终端设备上,具有简单易学,输入效率高等特点.本文介绍S9数字键中外文输入技术。包括数字键中文汉字输入技术、数字键中国少数民族语言输入技术和数字键外文输入技术。
42.邮件语料库的语料添加算法研究与实现
- 李军辉;朱巧明;钱培德
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文介绍了在构建动态邮件语料库时所必须解决的问题-邮件语料的添加.由于待添加的邮件预先都己标好类别,根据其类别是否属于原有的类别体系,分两种情况进行处理:1)属于原有类别的新邮件,将这类邮件细分为Ⅰ、Ⅱ和Ⅲ类,最后只将属于Ⅲ类的新邮件添加到原语料库中:2)不属于原有类别的新邮件,将此类邮件进行去重后全部添加到语料库中.模拟的邮件语料添加实验表明了待添加语料裁剪的必要性及添加算法的有效性.
43.古代维吾尔文献数字化浅谈
- 阿依克孜·卡德尔;吐尔根·依布拉音
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：古代维吾尔文献是我国民族古代文献很重要的组成部分.本文探讨了古代维吾尔文献数字化的意义、基本原则、范围、内容、实施方法及其相关技术等.
44.西双版纳傣文'贝页经'资源库技术研究
- 殷建民;刀福祥;张轴材
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文主要探讨基于一系列国际标准的西双版纳傣文"贝叶经"资源库的关键技术,如基于ISO/IEC10646的新、老傣文信息处理技术、基于Dublin Core和XML的电子编目、置标和发布技术以及与"贝叶经"有关的傣文全文检索技术.
45.互联网挖掘和搜索的研究进展
- 刘悦;许洪波;程学旗
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：随着互联网(World Wide Web,简称Web)的发展,我们处在一个搜索无处不在的时代.据不完全统计,在互联网和企业内部,以网页、邮件、格式化文档、音视频文件为主的非结构化数据占其全部数据的80％以上.以搜索引擎为代表的互联网公众信息服务正成为新一轮网络圈地运动的生力军,以垂直搜索、企业内部搜索、桌面搜索、文本信息挖掘与融合等为代表的个性化检索技术已经成为企业智能和内容管理不可或缺的重要组成部分.Web为全世界人民开辟了一个共同的天地,人们在这个虚拟的世界中,以一种全新的方式进行交流,传统的信息检索技术由于Web的出现面临着巨大的挑战,因此Web搜索和挖掘近几年成为信息检索领域研究的热点.在研究领域,多学科交叉的趋势越发明显.以机器学习、数据挖掘为代表的统计学习方法和计算语言学相关的计算模型与知识库已经逐步与信息检索相融合.在基于语言模型的信息检索理论中(Language Modeling IR),一些原本用于自然语言处理领域的方法,如最大熵、隐马尔可夫模型、马尔可夫随机场(Markov Random Field)模型等等纷纷用于信息检索.在网络社区搜索以及个性化信息服务领域,P2P计算、用户行为挖掘、复杂网络模型等相关的理论技术开始被研究人员应用于检索领域.同时,融合本体知识、浅层语言分析和个性化计算等相关的检索技术开始被服务器和桌面平台、网络服务平台以及网格平台领域的内容关联、资源定位等关键技术研究所关注，本文主要介绍互联网挖掘和搜索的研究进展。
46.由字构词——中文分词新方法
- 黄昌宁;赵海
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：被称为Bakeoff的国际中文分词评测由于创建了公开、可比的分词评测语料库和多视角的评测指标,从而一举改变了中文分词研究的格局.通过带标注的语料库来定义中文的词语,允许采用不同分词标准而不是唯一标准的语料同台评测,通过定量分析科学地确认未登录词(OOV)识别的性能是进一步提高分词精度的突破口,以及针对这一需求而提出的"由字构词"的新分词方法等,都是近四年来分词研究领域涌现的喜人景象.本文将简略介绍"由字构词"的中文分词新方法,说明它出现的动机和采用的机器学习机制.微软亚洲研究院用条件随机场(CRF)模型实现的这种分词系统参加Bakeoff2006的六项中文分词评测,获得四个第一和两个第三.本文也相应地解释了这个参赛系统的一些重要设计理念.
47.汉语框架语义知识库构建工程
- 刘开瑛;由丽萍
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：汉语框架语义知识库(Chinese FrameNet,简称CFN)是一个以框架语义学为理论基础、以真实语料为事实依据的语义词典,其资源将用语义Web标记语言描述,成为一部计算机可读、可理解的语义词典.本文介绍CFN构建的前期考察分析工作、目前的构建结果以及基本的构建方法.
48.藏语语法词典的构建方法:词条与文本互动
- 江荻
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：构建藏语语法属性电子词典需要采用一些非通用语标注的方法,这些方法包括以转写形式为操作对象,词语或形态语法属性描述,隔行对照标注.而在提高标柱规范和标注效率方面,则需要建立词典与例句文本的互动.本项目利用Toolbox软件的隔行对照化、跳转插词、深层形式设置、形态分析、歧义处理等等算法技术建立了词典与文本的互动构造方法.目前,藏语语法属性词典库已收入词条3万,建立文本对应关系约8千余条,词典构建中的一些难点也在积极地探索解决方法.
49.一种基于实例学习的人名识别方法
- 朱丽丽;郑家恒
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：人名识别是自然理言处语领域的一个重要的子任务.实例学习是机器学习中的一种常见的方法.本文在对大量语料的语言现象的统计与分析的基础上,提出了一种用实例描述语言现象,用相似度计算识别人名的方法.实验表明,该方法具有一定的可行性.
50.藏语语料库中词性分类代码的确定
- 才让加;吉太加
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文从藏语词类的功能和性质提出了一个藏语词类的基本标记集,以期为藏语词类标注的自动处理和人工校对提供一个统一的标注标准.
51.自动浅层语义分析
- 车万翔;刘挺;李生
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：全自动的语义分析一直是自然语言理解的主要目标之一.通过深层语义分析,可以将自然语言转化为形式语言,从而使计算机能够与人类无障碍的沟通.为达此目的,人们已经进行了多年的努力,然而目前取得的效果并不理想.浅层语义分析是对深层语义分析的一种简化,它只标注与句子中谓词有关的成份的语义角色,如施事、受事、时间和地点等.其能够对问答系统、信息抽取和机器翻译等应用产生推动作用.语义角色标注是浅层语义分析的一种实现方式,具有定义清晰,便于评价的优点.本文描述了浅层语义分析现有的语料库资源,各种分析方法,以及我们的工作等.并提出了对该任务一些难点问题的解决方案和对浅层语义分析发展的一个初步展望.
52.一个现代汉语语义知识库的研究和实现
- 陈群秀
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文首先提出汉语词汇语义知识表示的一种解决方法:对动词、形容词从格框架角度用论旨网格描述其句法、语义、语用知识,对名词从槽关系角度用槽关系联想表达式(槽类型、槽序)描述复杂定语与被修饰的中心词的语义关系,对名词还从语义场角度描述上下位语义关系.然后,本文着重介绍清华大学计算机系与中国人民大学、北京语言大学、北京青年政治学院共同承担的四个语言工程"现代汉语述语动词机器词典"、"现代汉语述语形容词机器词典"、"现代汉语名词槽关系系统"、"信息处理用现代汉语语义分类词典"的研究和实现情况.最后,论文还建立了现代汉语语义知识库平台.
53.一种基于语义词典的俄语文本自动语义分析技术SemLP
- 易绵竹;姚爱钢
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：SgmLP是俄罗斯学者图佐夫教授主持研发的一种面向俄语文本的自然语言处理技术,其核心是文本的语义处理,因而命名为SemLP(Semantic Language Processing).它由语义词典、语义类别系统、语义一语法类型系统和句子的语义分析器等几部分构成,可用于解决自然语言文本处理领域的许多任务.目前,SemLP技术己进入实用阶段,并在网上进行演示.
54.基于标注语料库的主谓谓语句的语义分析
- 许小星;亢世勇
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：主谓谓语句是汉语的一种特殊句式.学术界对主谓谓语句的存废、范围、性质、分类、语义分析等问题一直存在争议.本文在标注语科库的基础上,建立了"中小学语文课本主谓谓语句例句库",在对实例分析、研究的基础上,通过对主谓谓语句的大主语和大谓语,小主语和小谓语、大主语和小主语之间的不同的语义关系的考察,建立了主谓谓语句的句模系统,并寻求主谓谓语句的句法成分、语义成分之间的对应关系.
55.FDUQA:一个互联网上的问答式检索系统
- 周雅倩;黄萱菁;吴立德
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：随着WWW的飞速发展,其上的信息日益成为人们获取信息的主要来源之一.但用现有的搜索引擎,要获得用户所需的特定信息,仍然十分的困难.困难主要表现在两个方面:一个方面,现有的搜索引擎-般使用关键词加上一些简单的逻辑运算来表达用户的需求,这种表达需求的方式对用户的要求比较高,而很多用户都不能很恰当地来表达其需求;另一方面,现有的搜索引擎返回过多的文本,其中虽然也包含了用户所需的特定信息,同时更包含了大量不相关的、重复的、乃至错误的信息.本文通过分析问答式信息检索的历史与现状，介绍 FDUQA系统。
56.一个用于汉语汽车评论的意见挖掘系统
- 姚天昉;聂青阳;李建超;李林琳;娄德成;陈珂;付宇
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：近年来,对描述非事实的主观性文本处理方面的研究十分活跃,主要的特点是对基于断言或评论的文本进行处理,此类文本内容包含有个人、群体、组织等的意见、情感和态度等.基于主观性文本的意见挖掘技术是一种新颖的语言技术,它不仅可以运用于自然语言接口、文本分类、文本过滤、自动摘要、自然语言生成、问答系统等方面,还可以应用于现实生活中的许多方面,如电子商务、电子学习、商业智能、出版编辑、企业管理、信息监控、民意调查等.我们所开发的用于汉语汽车论坛的意见挖掘系统的目的是在电子公告板、门户网站的各大论坛上挖掘并且概括顾客们对各种汽车品牌的不同性能指标的评论和意见,并且判断这些意见的褒贬性以及强度.通过对文本处理的综合统计,给出可视化的结果.这项研究是对汉语主观性文本处理的一次探索,特别是文本各个层次处理所涉及到的词汇、句子和文本极性和强度判断以及它们之问关系的分析.意见挖掘系统的测试结果显示了系统总平均召同率达到了80％,总平均精确率达到了60％.因此,这种用于汉语汽车评论的意见挖掘系统是合理和有效的.
57.一种面向文件的高效检索方法
- 喻宏勇;赵铁军;郑德权;王月颖
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：随着文件量的增加,快速找到文件成为问题.面对这种需求,提出了一种高效的文件检索方法,可广泛应用于所有基于文件名的检索系统.该方法仅通过两次迭代归并,即能建立海量倒排表,通过分析
58.基于文档中心内容快速提取的Web监控辅助系统
- 王灿辉;金奕江;马少平
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：Web已成为人们获取信息的重要来源.Web数据的产生与传播变得更加自由和便捷,数据量持续爆炸式增长,因而对Web进行监控和预警的需求也更加迫切.本文提出一种快速提取文档中心内容的算法,用于缩减Web海量数据的规模.实验结果表明提取出的中心内容只占原文档大小的2.2％,在普通PC机上的处理速度达到每秒380篇,并在小规模测试集上达到了 75％以上的精度.使用文档中心内容进行文档分类、聚类和热点抽取与追踪,构成了Web监控辅助系统的框架.
59.突发事件信息提取中模式的自动获取
- 杨尔弘;方莹
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文根据突发事件报道的特点,尝试了一种进行特定信息提取的方法.该方法利用欲提取信息的关键词语,在经过分词标注的文本上,以分词单位作为基本元素,自动获取信息模式,从而进一步获取特定信息的相关内容,以便观察特定信息的发展、变化.该方法是一种无指导的模式获取方法,具有较好的鲁棒性.经过在不同突发事件文本集合上进行实验,表明该方法对信息结构比较简单的特定信息的提取具有较好的结果,对于信息结构较复杂的信息提取有待于进一步的研究.
60.突发事件新闻语料分类体系研究
- 杨丽英;李红娟;张永奎
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：分析了突发事件新闻的特点、建设突发事件新闻语料库的目的和意义,研究了突发事件新闻语料的分类体系和编码.研究结果对突发事件新闻语料库的建设、突发事件新闻信息检索、国家相关部门对突发事件应急处理方案制定以及对流行病学的医学研究等领域具有一定的理论意义和应用价值.
61.基于新闻网页主题要素的网页去重方法研究
- 王鹏;张永奎
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：网页检索结果中,用户经常会得到内容相同的冗余页面.本文提出了一种通过新闻主题要素学习新闻内容的新闻网页去重算法.该方法的基本思想是:首先,抽取新闻要素中关于事件发生的时间和地点短语;然后,通过抽取的时问和地点短语抽取新闻的内容;最终,根据学习的新闻内容通过计算它们的相似度来判断新闻网页的重复度.实验结果表明,该方法能够完成针对新闻内容的新闻网页的去重,并得到较高的查全率和查准率.
62.机器翻译与知识管理技术的融合
- 张桂平;蔡东风;尹宝生;徐立军;陈建军
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文通过对知识管理和机器翻译相关技术的对比分析,提出了以翻译知识库的构建为核心,以翻译知识的采集积累、加工处理和共享应用为手段,构建开放、动态的机器翻译系统的新思路.通过翻译知识的网络化采集、自动化积累和多策略的共享应用,改善翻译系统对知识的获取能力和应用能力,从而提高机器翻译系统的智能性和实用性.
63.汉藏机器翻译中复句的翻译规则研究
- 扎洛;索南仁欠
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：机器翻译仍将是21世纪人工智能领域的难题之一.汉藏机器翻译的复句处理不仅要依托于分句(短语)的处理,而且还要超越分句(短语)去深入考察复句内各分句之间的内在联系,实现藏语译文的正确生成.本文针对复句各种类型,给出了较完整的翻译规则.
64.英文-维吾尔文人名机器翻译算法的研究与实现
- 艾山·吾买尔;吐尔根·依布拉音
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文提出了一种基于规则的多层过滤进行机器翻译的方法.该方法实现了英语人名向维吾尔语的自动翻译.该方法不同于传统的机器翻译方法,它不需要建立丰富,完整的词库.本机器翻译系统对现有的已翻译的英文人名进行大量的统计并分析的基础上,找出英语人名跟翻译成维文的名称之问的关系.根据这些关系的复杂程度,将把规则分了三个层次,从而实现了基于规则的多层次过滤机器翻译系统.初步的试验结果表明该系统性能较好,而且使用此方法实现的英维人名机器翻译系统,跟基于词库实现的机器翻译系统做对比,结果表明基于规则的多层次过滤机器翻译系统明显提高了翻译水平.
65.基于非参数化降维的手写汉字识别研究
- 黄磊;刘昌平;刘迎建
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：特征降维问题是汉字识别研究的重要内容.本文将测地路径(geodesic paths)与非参数化降维相结合,提出了优化的降维方法.为解决大规模模式识别问题,本文同时给出了算法的化简策略,使得用测地距离优化的非参数化降维算法在保证识别率的同时,训练速度极大提高,能应用于汉字识别与数字识别.该方法使汉字识别率提高了1.5％.
66.多字体印刷蒙古文识别后处理研究
- 包艳花;图格木勒
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：随着计算机技术的迅速发展,各民族文字都面临着"信息化".西部大开发策略的实施,给我们少数民族文字的信息化带来了政策上的支持.为了把大量的书籍、报刊、单据、报表等"电子化",人们纷纷研制出各种省时、省力的计算机输入法.其中包括扫描输入法.虽然蒙古文识别研究开展得比较晚,但是通过借鉴其他文种的识别方法和经验.蒙古文识别研究进展得很顺利.本文介绍了多字体印刷蒙古义识别研究中所涉及到的一些基础性工作的进展情况,并提出了继续深入研究的内容.
67.语音识别系统的抗噪性处理及性能分析
- 王文为
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文重点研究语音识别系统中信号的抗噪性前端处理方法.将线性预测(LP)分析与形态滤波结合作为语音识别的前端处理方法,并选用具有抗噪性的MFCC特征参数.将上述方法应用于基于HMM的孤立词识别系统中,结合使用NOISEX-92提供的四种噪声进行测试,结果证明系统抗噪性得到了提高.
68.藏语语音识别的预处理研究
- 李洪波;于洪志
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：语音识别是当今研究的热点,预处理技术是语音识别中的非常重要的环节.对于藏语语音识别的预处理研究,除了数字化语音信号必要的预处理技术外,本文重点研究藏语语音识别单元的选取和在噪声背景下语音端点检测技术.研究表明:对于藏语语音识别系统来说,以音素为识别单元是可行的.基于倒谱特征的语音端点检测方法具有更高的检测率.研究结果为进一步的藏语语音识别、藏语语音合成等技术研究提供了基础.
69.韵律短语的语法约束研究
- 陶建华;董宏辉
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文通过研究语法结构与韵律短语的关系,来研究语法结构如何制约着韵律短语的产生.前人的研究中提出,相对于停延来说,存在这样一种相对稳定的语言单位,基本节律单元,或称为韵律组块.本文通过研究多人语料库来,进一步证实基本韵律组块的存在.试验分析表明,浅层语法成分与韵律组块有着密切的关系,大多数黏合结构的词组都直接构成韵律组块,韵律组块是语法成分对韵律短语约束的集中体现.最后,本文尝试从文本直接标注韵律组块,以构建大规模的韵律组块语料库,为进一步实现韵律组块的自动识别提供了保障.
70.中科院计算所中文信息处理技术简介
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：中国科学院计算技术研究所从事中文信息处理相关的研究实体有三家,分别是信息智能与信息安全研究中心、多语言交互技术评测实验室及前瞻中心信息检索课题组.在计算所的统一领导下,三个实体密切联合、相互策应,在研究上各有侧重、互为补充,以期为中文信息处理技术发展共同出力.本文简介中科院计算所中文信息处理技术。
71.韵律与语法、语义的协同处理
- 蔡莲红;王永鑫;杨鸿武
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文主要分析研究了汉语的韵律与语义、语法之间的联系.通过数据分析和试验,指出语音的韵律缮是语义、句法、语用等要素的综合表现.介绍了基于句法信息进行韵律成分界定的试验,给出并分析了韵律成分界定结果.接着讨论了韵律与语音表达的关系;给出了一个从语义到表现力语音的映射模型.
- 韵律;
- 短语;
- 成分界定;
- 语法;
- 语义;
- 协同处理;
72.中文语音合成系统中的韵律实现
- 郭庆;片江伸之;张洁;于浩;岩见田均
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文中,对富士通中文语音合成系统尤其是韵律实现进行了描述.该系统是一个以音节为基本合成单元,在韵律参数预测即音长和基频的指导下,从音库中搜寻全局最优的合成单元,然后采用PSOLA算法进行波形调整的拼接合成系统.从提高合成语音韵律的角度出发,本文围绕音库建设、韵律结构分析、音长预测、基频预测等方面对该系统进行了详细的描述.最后,给出了韵律评测和系统评测的结果.
73.关系型数据库在语音语料库中的应用
- 胡凤国;侯敏
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文分析了当前国内语音语料标注结果的存储结构的局限,不但从理论上分析了关系型数据库在设计语音语料库存储结构方面的优势,提出了离散型语音语料库和集中型语音语料库这两种基于关系型数据库的存储结构,而且在实践中把它们成功地运用到传媒语言语料库的建设当中.这两种存储结构的提出和实施,为多层级一体化语料库管理系统的开发奠定了良好的基础.
74.基于统计的汉字极限熵估测
- 孙帆;孙茂松
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：文字符号的极限熵是在充分考虑上下文信息条件下,字符所包含平均信息量的大小.本文分别利用两种统计方法来估计汉字的极限熵:第一种方法通过计算汉字的n阶熵来逼近极限熵;第二种方法则通过建立统计语言模型,计算模型与平衡测试样本集之间的交叉熵给出汉字极限熵上界的估计.在实验中我们比较了这两种方法并得出结论:基于词的语言模型估计方法比基于字的直接计算方法得到了汉字熵的更为精确的估计,其熵值为5.31比特.实验中我们还使用了多种平滑技术对模型进行平滑,并比较了这些方法的优劣.
75.基于字分析单元的辅助阅读系统
- 方高林;于浩;孟遥;邹纲
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文提出一个基于字分析单元的辅助阅读和学习系统.该系统是为汉语学习者提供即时的辅助翻译和学习功能.在汉语网页中,该系统首先对所有的文本进行分词处理,并进行新词发现,然后对于常用词通过汉英(或汉日)词典提供即时的译文显示,用户也可通过词用法检索模块在网络上检索到该词的具体用法实例.对于通用词典未收录的新词(例如:专业术语、专有名词、词组和固定短语),系统提出基于语义预测和反馈学习的方法在Web上挖掘出地道的译文.该系统关键技术包括:基于字信息的汉语词法分析,基于组成字结构信息的新词发现,基于语义预测和反馈学习的新词译文获取,这些模块均以字分析单元的方法为主线,并始终贯穿着整个系统.实验表明该系统在各方面都具有良好的性能.
76.基于XML的开放式语言技术平台:LTP
- 郎君;刘挺;李生;张会鹏
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文描述了一套面向Web基于XML的开放式中文语言处理平台,命名为"语言技术平台LTP".LTP包含5项主要内容:语言技术置标语言LTML、基于DOMTree的一套DLL模块、一套可视化工具、基于LTML的语科库资源、以及基于Web Service的网络应用.目前LTP集成了包括词法、词义、句法、语义、篇章分析等10项中文处理核心技术.该平台将帮助初涉自然语言处理以及信息检索领域的研究者提供一套系统化工具,帮助他们深入研究语言各个层面之间的关系以及利用这些基础技术去研究一些高级应用话题.目前该平台对外免费共享.
77.藏文网页的编码识别与转换
- 刘汇丹;中国科学院研究生院;芮建武;吴健
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：藏文字符集标准发布较晚,导致目前使用的藏文编码多种多样.本文按编码所属体系分类介绍了26种藏文编码,讨论了藏文编码转换中的关键问题,介绍了藏文结构特点和统计学特征,介绍了各种可能的识别准则并进行分析比较.确定了使用以藏文的音节点间距规律为特征的识别准则识别15种藏文编码;使用以藏文高频音节为特征的识别准则识别其余11种藏文编码;使用以藏文句子结构特点为特征的识别准则发现未知藏文编码的方案.设计了藏文网页的编码识别与转换系统.测试结果表明,系统能够正确地识别藏文网页和区分非藏文网页,并能够正确地转换为Unicode字符集UTF-16LE编码.
78.一种结合分类模型的中文输入法
- 张玮;孙乐;冯元勇;吕元华
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：中文输入法是中文信息处理的基础软件.本文针对现有输入法很少考虑利用候选词语本身特性来进行排序的情况,给出了将输入法词库进行类别标注以及在输入法系统中集成分类引擎的方法,提高和当前输入内容相关的候选词权重.首先给出了语言模型在拼音输入法的基本应用;然后详细的给出了最大熵分类模型的原理及其和拼音输入法的结合;最后通过对比使用分类属性词库系统和不使用分类属性词库系统的实验,给出了分类对输入法系统的影响,实验结果表明类别划分和分类对提高输入法的效率有积极的作用.
79.构筑技术创新平台,推动语音技术突破——中文语音合成技术研究进展及成果展示
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：计算机能够像人一样的说话,和人类自由地进行交谈,这一直是各种科幻片中的情节.而中文信息领域的语音合成技术研究,则正是要努力把这一科幻变为现实.语音合成,又称文语转换(Text to Speech)技术,它涉及声学、语言学、数字信号处理、计算机科学等多个学科技术,解决的主要问题就是如何将文字信息转化为可听的声音信息.通过语音合成可以在任何时候将任意文本转换成具有高自然度的语音,从而真正实现让机器"像人一样开口说话".本文介绍语音合成技术发展史和中文语音合成技术研究进展。
80.现代汉语综合型语言知识库
- 北京大学
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：语言知识库是自然语言处理系统不可或缺的组成部分,语言知识库的规模和质量在很大程度上决定了自然语言处理系统的成败.这已经成为自然语言处理技术研究者和系统开发者的共识,语言知识库的内容及其知识表达形式是多种多样的.
81.TRS搜索引擎和文本挖掘系统
- 北京拓尔思信息技术有限公司
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：北京拓尔思(TRS)信息技术有限公司成立于1993年(原名为易宝北信信息技术有限公司),专注于中文信息处理及应用软件产品的研发.TRS技术来源于863计划和其他科技项目的科研成果.TRS公司是中文全文检索的创始者,在企业和互联网搜索、内容管理和文本挖掘等领域具有领先的技术和产品,在大中华地区拥有2000多家企业级用户,是非结构化信息处理技术领域的领导企业,也是中国最大的搜索和内容管理技术和产品供应商.TRS公司总部设在北京,现有员工200多人.TRS公司成立十余年来,销售收入和利润始终保持持续增长,已发展成为中国从事自主核心技术和自主知识产权软件产品研发的典范企业之一.本文简介北京拓尔思信息技术有限公司，TRS全文检索和企业搜索引擎，TRS互联网搜索引擎产品。
82.中华民族文字识别统一平台(TH-OCR(R))系列研究成果及应用
- 张岩
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：目前,文通信息已有五大系列、20多种产品投向市场,主要有:TH-OCR录入工厂、IT-Center数字化信息中心、IT-Doc公文高速录入系统、IT-Scan图档易扫通、文通鉴-文档管理系统、e-card名片识别系统、e验通身份证识别系统、小灵鼠手写识别软件、慧视视觉图像文字识别系统等.尤其是在行业应用市场,依靠十余年的经验积累和对行业用户需求的不断探索,文通信息已经在金融、税务、工商、电力、公安、电子政务等多个领域取得了成功应用,并在相关行业的推广及应用中起典范作用,为我国信息化建设的顺利进行奠定了坚实的基础.本文介绍中华民族文字识别统一平台(TH-OCR(R))系列研究成果及应用。包括，慧视视觉图像文字识别系统，嵌入式手写识别技术，表格识别系统，身份证件识别系统。
83.汉语共时语料库:持续开发与多维应用
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：香港城市大学语言资讯科学研究中心,主要从事语言学、自然语言处理和信息科学间的跨学科研究,致力于建立科技、人文科学和社会科学之间的学术桥梁,是香港城市大学所属六所校级研究中心之一.语言资讯科学研究中心经过十多年精确地共时处理,从来自世界泛华语地区具影响力华文报刊及电子媒体的庞大文本资料中,累积了大量有用的统计数据、资料和技术,建立了LIVAC(Linguistic Variation in Chinese Speech Communities)汉语共时语料库. 本文主要从几个方面来介绍LIVAC语料库.第一部分将主要介绍LIVAC语料库的建立,其语料的收集,设计特点,规模等.第二部分介绍LIVAC语料库的开发层次和深度,简单描述已有的标注.第三和第四部分分别介绍基于LIVAC的语言研究及应用开发。
84.平方爱索互联网智能信息系统
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：自WWW诞生以来,Intemet一直以惊人的速度在不断地发展,每天都有成千上万的新站点出现.上网已经逐渐成为人们获取各种信息一种重要的方式.但Intemet的普及也带来了一系列的问题,如"信息爆炸","黑客"横行,病毒肆虐等等.如何能够高效而安全地从Intemet上取到有用的信息,已经成为人们面临的一大问题.对政府机关、企事业单位等机构而言,Intemet的信息资源具有巨大的价值.机构需要自动从Intemet上取回大量网页,然后进行综合分析,提取网页中的有价值信息和知识,为决策提供依据.目前Web浏览器是为下载和浏览单一网页设计,无法满足机构取回大量符合需求的网页的需要.网站的搜索服务是基于关键字的,一方面难于准确提供信息,另一方面无法自动连续让客户采集到客户端使用.本文介绍平方爱索互联网智能信息系统。
85.典藏藉数字化嘉惠学林汉字又在手机展现异彩
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：本文介绍嘉惠学林汉字信息处理的技术和成果，包括，一、坚持中文汉字信息深度开发、在大规模工程实践中磨练技术，二、典籍数字化在<四库全书>电子版后再出系列新成果，三、首领手机信息书法化-书同文彩书让汉字异彩纷呈。
86.海量音频处理及嵌入式语音交互
- 徐波
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：中国科学院自动化研究所成立于1956年10月,是我国最早成立的国立自动化研究机构.自动化所的学科方向为智能控制与综合自动化、复杂系统与智能科学以及智能信息处理,现设有三个基础实验室、六个工程中心.经过四十八年的发展,自动化所已经形成了基础研究、应用开发和高技术产业化"三位一体"的相互支持、相互补充的良好格局. 自动化所四十八年的历史中为我国国民经济建设、社会进步、科技发展和国家安全做出了重要的贡献.1998年,中国科学院开展国家知识创新工程试点,自动化所成为首批进入试点的研究所之一,得到了国家和中科院的进一步支持. 自1970年以来,自动化所共取得科研成果500多项,获得省部级以上奖励140多项,确立了包括在语音技术、中文信息处理与人机交互、图象处理与理解、集成电路分析与设计、生产过程与复杂系统的智能控制等核心技术和优势领域.本文介绍自动化研究所海量音频处理及嵌入式语音交互系统研究及应用。
87.863计划中文信息处理与智能人机接口基础数据库内容及其共享模式简介
- 《中国中文信息学会二十五周年学术会议》 | 2006年
摘要：863计划中文信息处理与智能人机接口资源库,是"十五"期间在863计划计算机软硬件技术主题专家组的领导下,由中国科学院计算技术研究所、中国科学院自动化研究所、中国科学技术大学、清华大学、社会科学院语言所等多家单位共同完成.专家组委托中国科学院计算技术研究所集中管理资源,为相关技术研究和科学评测提供基础数据,避免重复劳动、促进交流与合作.在国家863计划扶持下,我国在中文信息处理和智能化人机交互技术等方面都积累了丰富的资源和成果,目前863基础数据库已经有较大的规模和覆盖面,整个数据库的容量超过500G,包括了以下6个大类:文字类,文本类,音频类,视频类,人体生物特征类和多模式类,共25个基础库.另外还有2003年到2005年间国家863计划技术评测的评测基础数据库.目前这些资源库已进行了数十次转让,大大促进了国内外相关研究的发展.