名词性从句

摘要： 名词性从句是高中英语语法的重点之一,在高考中占有举足轻重的地位。目前,语法课堂教学枯燥乏味,教师教学模式传统且单一,导致学生对语法学习缺少兴趣,从而不能熟练地掌握名词性从句的用法。如何有效地促进学生对于名词性从句这一语法知识的习得要引起教师的重视。而读后续写将语言模仿和内容创造相结合,在激发学生思维的同时促使学生正确使用语法规则,对于学生学习名词性从句来说,是一种值得推崇的促学手段。

摘要： 本文以句法象似性为理论框架,以葛浩文英译本中《丰乳肥臀》中的名词性从句为分析语料,旨在描述句法象似性在葛浩文英译本中的名词性从句表征方式.针对英译本名词性从句的象似性分析表明,葛浩文英译本中的名词性从句基本遵循句法象似性的三大主要原则:距离象似、顺序象似和数量象似.观察英译本名词性从句的视角有助于英语学习者对名词性从句的句法象似性有更加深刻的认识,从而有助于名词性从句的习得.同时在翻译过程中运用象似性分析有助于提高翻译效率和效果.

摘要： 英语表“原因”的介词短语有好几个,用法也灵活多样。本文在参考多部词典的基础上,对表“原因”的介词短语作一归纳。1.because of较口语化,通常做状语,可跟名词、代词、动名词或名词性从句,意为“因为”“由于”。例如:They are here because of us.他们是因为我们来这里的。

摘要： 随着科技社会的发展,石油成为国家命脉,与石油相关的石油贸易更是国家关注的焦点.与此同时,在翻译行业,科技类文本翻译的重要性愈加突出,石油贸易英语作为科技英语的一种,其翻译也变得刻不容缓.翻译石油贸易英语从句是必须要解决的一大难题.针对此问题,依据冗余从句相关特点,基于目的论三大原则探讨其翻译方法.

摘要： 状语从句是英语中的六大复合句之一,它属于副词性从句。根据用途,我们通常将状语从句分为时间、条件、原因、比较、目的、结果、让步、方式和地点状语从句。对于学生来说,相对于名词性从句和定语从句,状语从句的理解、掌握和运用稍微简单一点,他们对引导状语从句的常用从属连词的用法掌握得较好。但是,在平时的教学中教师会发现:一涉及有关引导状语从句的特殊从属连词用法的试题,学生往往会感到很棘手。

摘要： 英语中的what的词性较少,常用作疑问代词,引导特殊疑问句,询问某人或者某物的特定信息,意思是"什么"。what也可用作连接代词引导名词性从句,意思是"……的事物,无论什么,凡是什么的事物"等,名词性从句中的what相当于the thing/things that。此外,what还可以用来引导感叹句,意思是"多么,真,太"等。

摘要： 一、宾语从句种类宾语从句是一种名词性从句,在句中作及物动词的宾语,或介词的宾语,或形容词的宾语。根据宾语从句的不同连词,宾语从句可以分为三类。1.由that引导的宾语从句。that只有语法作用,没有实在的意义,在口语和非正式文体中可以省略。He said(that)he wanted to stay at home.I am sure(that)he will succeed.

摘要： 在名词性从句中,whether与if作为从属连词,两者既有紧密的联系,又有各自不同的用法。对此,笔者就名词性从句中whether与if的用法异同进行了分析,以期对同学们有所帮助。一、whether与if引导名词性从句的相同点(1)whether与if意为"是否"时,均能用于宾语从句中,此时宾语从句多为肯定句(主句可以是否定句),常常跟在ask,wonder,know,tell等及物动词后.

摘要： 书面表达是英语的高阶输出方式,也是高考的压轴题,分值很高,全国卷的书面表达占25分。一篇高质量的书面表达除了需要要点齐全、语言准确外,还要有正确的语法结构和灵活、多样的表达。笔者将从历年的高考书面表达真题范文中提取例子,就句式升级方面进行系统分析,并从历年高考书面表达范文中精选相关的句子进行分层练习,最后进入语篇运用。这一期我们分析的是名词性从句在书面表达中的作用。

摘要： when有副词、代词和连词三种词性。when作为副词可引导特殊疑问句,作为关系副词可引导定语从句,作为连词可引导并列句、名词性从句和状语从句。虽然广大学生对when很熟悉,但是由于when可以引导英语的六大复合句及并列句,因此学生容易将引导复合句的when与其他连词混淆。纵观近几年的高考英语真题,广大师生可以发现when出现的频率很高,在试卷的各种题型中几乎都能见到when的身影。

摘要： 英语产生的三大派别，即名词性从句，形容词性从句，副词性从句。三大派系演变到现在就是主语从句，表语从句，宾语从句，定语从句和状语从句等。一句话英语就是按照上述名词性从句，形容词性从句和副词性从句演变到现在的各种从句所产生的，具有很强的逻辑思维和抽象思维能力。一句话英语有其特点，主句只能有一个，状语从句可以不限。一句话英语的论述请参见论文。

摘要： 本发明公开一英语体系名词性结构表达训练方法，包括以下步骤：展示至少一图片，其中所述图片对应于包含至少一名词性结构的英语表达：接收选定指令，根据所述选定指令选定所述图片中的至少一特定物，其中所述特定物对应所述英语表达中的限定名词；提取对应所述限定名词的名词性结构，其中对应每个限定名词的名词性结构包括相应的名介结构、名分结构和/或名句结构；拆分所述名词性结构为所述限定名词以及对应的限定关键词，其中所述限定关键词对应设定的动画效果；以及显示对应所述限定名词的至少一名词性结构及对应的动画效果，以此方式基于名词性结构(名词+介词结构，名词+分词结构，以及名词+句子结构)对学员进行语言训练。

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： 本发明涉及一种词性标注模型训练装置，包括：直接成分分析单元，用于对词进行直接成分分析，以获得直接成分、其属性以及位置关系；转换单元，用于将直接成分分析的结果转换为训练数据；机器学习单元，用于对转换的训练数据进行机器学习，从而生成词性标注模型。以及涉及一种词性标注模型训练方法。以及一种词性标注系统及其方法，系统包括：词性标注模型训练装置，用于通过对词典中的词执行直接成分分析，以训练生成词性标注模型；以及基于模型的词性标注装置，用于利用词性标注模型对未登录词进行词性标注。根据本发明的系统，可以根据现有的文本信息，对未登录词的词性进行准确标注，提高了文本信息处理的效率。

摘要： 本发明属于互联网技术领域，尤其是通过机器学习及上下文词性发现重要名词标签的方法，包括S1：首先通过语料，此语料需要最近的文章，选取最近1年的文章作为语料，列举出一定数据的已经确定的新词，用于学习出此名词最有可能的前后文中的“形容词，连词，动词”等，并整理出几十个已经确定的重要名词（如：华为，小米，中兴等）；S2：通过上一步的操作，已经可以得出一批整理句式了如：“XXX于今年发布了”，“无论XXX是如何做到”，“对于XXX来说”等，同时也可以计算对应不同的句式能得出不同的概率情况。本发明通过极少的人工干预整理成本，通过机器学习便可以发现新词。

摘要： 本发明公开一英语体系名词性结构表达训练方法，包括以下步骤：展示至少一图片，其中所述图片对应于包含至少一名词性结构的英语表达：接收选定指令，根据所述选定指令选定所述图片中的至少一特定物，其中所述特定物对应所述英语表达中的限定名词；提取对应所述限定名词的名词性结构，其中对应每个限定名词的名词性结构包括相应的名介结构、名分结构和/或名句结构；拆分所述名词性结构为所述限定名词以及对应的限定关键词，其中所述限定关键词对应设定的动画效果；以及显示对应所述限定名词的至少一名词性结构及对应的动画效果，以此方式基于名词性结构(名词+介词结构，名词+分词结构，以及名词+句子结构)对学员进行语言训练。

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。

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： 本发明涉及一种词性标注模型训练装置，包括：直接成分分析单元，用于对词进行直接成分分析，以获得直接成分、其属性以及位置关系；转换单元，用于将直接成分分析的结果转换为训练数据；机器学习单元，用于对转换的训练数据进行机器学习，从而生成词性标注模型。以及涉及一种词性标注模型训练方法。以及一种词性标注系统及其方法，系统包括：词性标注模型训练装置，用于通过对词典中的词执行直接成分分析，以训练生成词性标注模型；以及基于模型的词性标注装置，用于利用词性标注模型对未登录词进行词性标注。根据本发明的系统，可以根据现有的文本信息，对未登录词的词性进行准确标注，提高了文本信息处理的效率。

摘要： 本发明涉及一种对于无字间空格语言文字权利要求书的元件名词及元件名词所属位置自动得出设备，其中，包括：基本排除文字纪录排除装置、可删文字纪录排除装置、单个文字纪录排除装置以及进阶排除文字纪录排除装置；无字间空格语言文字权利要求书文字C‑Text中经排除基本排除文字后的连续文字作为基本排除文字连续文字，该基本排除文字排除连续文字中经排除可删文字后的连续文字作为可删文字删去连续文字，经排除单个文字后的可删文字删去连续文字作为初步元件名词，该初步元件名词中经排除进阶排除文字后的连续文字作为该得出的元件名词。