同志关系

摘要： 党内称谓反映党的政治规矩和价值理念,可以通过分析党内称谓的核心语义透视时代的政治变迁。“同志”一词是中国共产党唯一一个在不同时期经由中央专门下文倡导的称呼,反映出鲜明的政治认同、情感认同和社会主义意识形态建设的时代要求。党内通用称谓语的缺环易导致称谓乱象,新时代规范党内称谓是对党的优良传统的继承发扬。进一步规范“同志”称谓的使用有助于规范党的政治规矩、继承党的优良传统,是保持党组织精神动力和理想信念的法宝。

摘要： 概念语义是时代精神的凝结,可以通过分析一个时代的核心概念来透视该时代的精神状况.“同志”一语是20世纪中国政治概念家族中的核心成员,“同志”称呼是承载“同志政治”的概念基石,是中国共产党政治概念家族的核心术语之一,在某种程度上反映了中国共产党领导政治革命和国家建设的基本方略.《青春之歌》中的“同志”语义表明了中国共产党建立的“同志政治”革命方略,它以阶级区分、革命斗争、集体主义和共产主义等作为核心要素.“同志政治”是一种比“结义政治”更加先进和更加现代的革命方略.“同志”语义的分析表明,坚持党内民主平等的同志关系和同志称谓,是党组织保持先进理想和战斗精神的法宝.

摘要： 中国共产党党员以同志互称,表明党员之间是一种志同道合的关系.共产党员来自五湖四海,为了共同的志向和理想而加入党的组织.党内同志尽管分工不同、岗位不同、权责不同,但工作上没有贵贱之分,人格上没有高低之别.在一些地方和单位,出现了党内同志关系庸俗化、宗派化等不健康现象,严重影响政治生态.如何加强党的政治建设,严肃党内政治生活,保持健康的党内同志关系,值得我们思考.

摘要： 习近平总书记在十九届中央纪委三次全会上提出,党内要保持健康的党内同志关系,倡导清清爽爽的同志关系、规规矩矩的上下级关系。要求党员干部不断纯洁自己的工作圈、生活圈、社交圈,始终团结在党中央周围,跟党走、听党话,做老实人,干老实事。

摘要： 习近平总书记在十九届中央纪委三次全会上强调,“党内要保持健康的党内同志关系,倡导清清爽爽的工作关系、规规矩矩的上下级关系,坚决抵制拉拉扯扯、吹吹拍拍等歪风邪气,让党内关系正常化、纯洁化。”

摘要： 党的十八大以来,以习近平同志为核心的党中央坚定不移推进全面从严治党,党内政治生活展现新气象,过去那种裹挟着浓厚封建陋习的“老板”“老大”等党内称呼庸俗化现象有了明显改善。

摘要： 人际交往中相互之间称呼是否适当得体,不仅体现了个人修养高低、双方关系亲疏,也从一个侧面反映出社会风气和人的精神风貌等状况。对于党员干部来说,彼此之间怎么称呼,看似是日常小事,实则关系着党风政风,不容忽视。我们党是为了崇高的革命理想而组织起来的,党员之间不论职务高低,都是平等的同志关系。

摘要： 本发明提供一种针对复杂的问题也能够高性能地提取二元关系的装置。解答－特性对提取部(12)从保存着包含在文本数据中出现的二元关系中赋予了表示其是应提取的内容的解答的事例的教师数据的教师数据存储部(11)中提取事例的特性，生成特性的集合和解答的组。机器学习部(13)利用预定的机器学习方法，对该组在何种特性集合的情况下会形成何种解答这一问题进行机器学习，并将学习结果信息保存到学习结果存储部(14)。候选提取部(15)从文本数据(2)中提取二元关系的候选，特性提取部(16)提取二元关系的候选的特性的集合。解答推断部(17)基于学习结果信息推断在二元关系的候选的特性集合的情况下容易形成解答的程度，二元关系提取部(18)根据推断结果提取正的解答的推断程度良好的二元关系的候选。

摘要： 含义关系学习装置(1)具备：负例数据生成部(12)，其通过将构成多个正例数据对的语言数据组合而生成多个负例数据对；特征量提取部(13)，其从分别构成负例数据对的语言数据中提取特征量；相似度计算部(14)，其计算各个负例数据对的特征量之间的相似度；学习用负例数据生成部(15)，其基于相似度，将多个负例数据对分类为预先决定的多个相似度范围，由此生成与多个相似度范围对应的多个学习用负例数据集；学习数据集选择部(17)，其以按照基于多个相似度范围而预先决定的选择计划的顺序，选择多个学习用负例数据集中的任意的学习用负例数据集；以及学习处理部(18)，其使用选择出的学习用负例数据集和多个正例数据对来进行机器学习处理。

摘要： 本发明公开了一种融合依存关系与篇章修辞关系的事件时序关系识别方法。本发明一种融合依存关系与篇章修辞关系的事件时序关系识别方法，其特征在于，包括：给定事件对e1,e2,提取最短依存路径方面；考虑到依存句法树复杂的句法结构，另外增加了一条启发式规则来丰富事件相关信息；把孩子节点加入依存路径中，最后将提取出的词按事件句出现顺序排序；之后将得到的事件对依存路径按照与基准模型相同的处理方法，经过嵌入层，双向LSTM层以及隐藏层得到向量表示Y'。本发明的有益效果：将篇章树的信息编码加入模型中。该方法将事件间关联关系分两部分进行表征，一是事件所在句子的依存路径信息。

摘要： 本发明提供一种关系分析方法、关系分析程序以及关系分析装置。为了抑制低精度的视线检测处理的影响并且得到高精度的市场营销分析结果，在视线分析装置(1)的存储部中，针对每个商品对应地存储包含该商品的一个基本区域和与该基本区域至少一部分交叉的扩展区域。视线分析装置(1)的注视度计算部(14)通过针对每个区域对照视线检测部(11)检测到的视线数据的位置信息和通过区域定义数据定义的各区域的位置信息，计算每个区域的注视度，针对与区域对应的每个商品，累计每个区域的注视度来计算每个商品的注视度数据，然后将其存储在存储部中。

摘要： 披露了视频图像位置关系修正设备。包括摄像机的内部参数和接附参数的坐标变换参数用作未知数。产生关系表达式，使得关系表达式的数量大于要计算的坐标变换参数的数量。基于通过摄像机实际捕获并且显示的视频图像参考点Q1到Q6的监视器坐标和虚拟目标点R1到R6的对应的监视器坐标之间的偏差计算坐标变换参数的值。基于计算的坐标变换参数的值从参考点的实际坐标推导出虚拟目标点的监视器坐标。确定坐标变换参数，使得虚拟目标点的监视器坐标和实际捕获的视频图像参考点的监视器坐标之间的偏差的平方和最小。基于确定的坐标变换参数的值，修正实际视频图像和虚拟视频图像之间的相对位置关系。

摘要： 本发明提供了一种处理关系图转为类树形血缘图关系的方法及系统，方法包括：获得第一关系图数据结构；获得第一处理指令，将第一关系图数据结构处理为类血缘树形结构布局算法，获得第一处理结果；根据第一处理结果进行节点信息计算，获得第一计算结果；根据第一处理结果进行层级信息计算，获得第二计算结果；根据第一处理结果、第一计算结果、第二计算结果获得第一初步类树布局转化结果；获得第一游离节点布局计算属性；根据第一游离节点布局计算属性对第一初步类树布局转化结果进行调整，获得类血缘树数据结构。解决了现有技术中由于血缘图和关系图各自的功能局限性，导致存在限缩应用范围的技术问题。

摘要： 本发明属于自然语言处理技术领域，特别涉及一种基于关系导向的实体关系联合抽取方法及系统，对目标文本中句子进行编码，获取目标文本中句子向量表示；针对句子向量表示，利用关系抽取模块抽取目标文本中所包含的关系类型；将抽取的关系类型作为先验知识与目标文本句子中词向量表示进行融合，利用实体识别模块来识别目标文本中与抽取的关系类型对应的实体。本发明能够减少对无关实体的关注，避免抽取冗余实体，进而对识别出的多个关系类型分别识别其对应的实体对，解决实体重叠问题，最终抽取出句子中所包含的全部实体关系三元组，提升实体关系识别准确度，便于实际场景应用。

摘要： 本发明属于图神经网络推荐技术领域，公开了一种融合社交关系和语义关系的图神经网络推荐方法及系统，利用简单的图神经网络推荐模型，基于用户社交信息、用户与项目的评分交互信息、项目的标签信息，将非图结构的信息构建成图信息；利用项目的标签信息，对项目的标签进行聚类；计算项目与标签簇之间的相关度，利用项目‑标签簇相关度矩阵，进行余弦相似度的计算，当相似度大于某一阈值时，在两个项目之间添加信任关系，构成项目的语义关系图结构。本发明以用户‑项目的评分二部图作为基础，其他同构图为补充，从而达到有更多的邻居节点用于聚合的目的，解决数据稀疏的问题，通过试验证明提出的模型比GrpahRec的推荐准确度更高。

摘要： 本申请提供了一种关系抽取方法、关系抽取装置以及计算机存储介质。该关系抽取方法包括：将相同的句子序列分别输入学生网络、实体教师网络以及关系教师网络；将句子序列的特权实体信息输入实体教师网络，将句子序列的特权关系信息输入关系教师网络；选择句子序列中的一个正样本和若干负样本，利用正样本和负样本分别在学生网络、实体教师网络以及关系教师网络的输出表示，建立学生网络与实体教师网络的实体对比对以及学生网络与关系教师网络的关系对比对；利用实体对比对与关系对比对训练学生网络。通过上述方式，本申请的关系抽取方法采用对比学生教师学习，有效地将特权实体信息和特权关系信息提取到学生模型，以实现准确的关系提取。

摘要： 本发明公开了一种基于关系型数据库的数据关联关系查询展示方法，属于大数据处理领域；所述的方法具体步骤如下：S1依据关系名称构件数据关系图；S2将部分间接数据关系转换为直接数据关系；S3根据自变量的改变致使因变量依据数据关系执行数据更新的操作；S4根据数据关系变化对数据关系图中的事务进行处理；本发明通过使用MySQL的多表联合查询数据库中数据地关联关系并展示，联合数据库的元数据信息对数据信息进行过滤汇总达到按需获得关联关系的目的，而且可以做到对数据库中数据关联关系的灵活操作，提高数据对变化的响应速度，实现存在间接关联关系的数据的关联映射，增加了数据的可操作性并有利的提高用户检索信息的准确性。