名词性成分

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： 离合词是由一个动词性成分(或语素)和其所支配的名词性 成分(或语素)组成的语言形式。如“散步”、“睡觉”、“游泳”、 “起床”、“鼓掌”、“唱歌”、“跳舞”等。从词汇意义的角度 看,它们很像一个词,但从语法的角度看,中间可以插入其他成分。 语法学界有的认为这种语言形式是词;有的认为是短语;还有的说 是介于词和短语之间的过渡成分。由于“离合词”的说法已为大家 所熟知,我们仍称之为“离合词”。对于离合词性质的认定,主要 可分为词说、短语说、离为短语合为词说、中间状态说、离合词不 存在说。

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： @@本文讨论的特指疑问判断句指的是，由疑问代词“谁／什么”、判断词“是”和名词性成分X构成的疑问句。一个特指疑问判断句是要求指别还是要求说明，除了与它所处的语言环境、信息结构等有关以外，还与X的指称性有密切的关系。我们认为，某种特指疑问判断句中的X是非指称性(non-referential)的。为了证明这一点，我们将引进日本语言学中判断句(Copular Sentences)的研究成果。近年，西山佑司(2003)把日语的判断句分为详述句、指定句、等同句等类型，同时也对判断句中的名词性成分进行了分类。

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。