中心词

摘要： 虽然元宇宙拥有广阔的发展空间和多种发展可能,但目前还是一个尚未成型的新兴事物。不论是虚拟现实、增强现实还是混合现实,中心词都是“现实”。我们只有保持理性,落脚“现实”,积极引导元宇宙概念与数字经济、实体经济“虚实结合”,才能健康可持续发展。

摘要： 句法启动中,非中心词和中心词重复是否诱发出相似强度的词汇增强效应,目前存在着较大的理论争议。本研究在汉语双宾结构和介宾结构上分别操纵中心词和非中心词重复,并在确保具有合适统计检验力基础上,完成了3个句法启动实验。实验结果清楚地显示中心词重复诱发了稳定的词汇增强效应,非中心词中的直接宾语重复也诱发了稳定但相对较弱的词汇增强效应。在此基础上,我们尝试提出一个解释框架以调和现有的理论争议。

摘要： ①英文题名以短语为主要形式,尤以名词短语最常见,即题名基本上由一个或几个名词加上其前置和(或)后置定语构成;短语型题名要确定好中心词,再进行前后修饰。各个词的顺序很重要,词序不当,会导致表达不准。②一般不要用陈述句,因为题名主要起标示作用,而陈述句容易使题名具有判断式的语义,且不够精练和醒目。少数情况(评述性、综述性和驳斥性)下可以用疑问句做题名,因为疑问句有探讨性语气,易激发读者兴趣。③同一篇论文的英文题名与中文题名内容上应一致,但不等于说词语要一一对应。在许多情况下,个别非实质性的词可以省略或变动。

摘要： ①英文题名以短语为主要形式,尤以名词短语最常见,即题名基本上由一个或几个名词加上其前置和(或)后置定语构成;短语型题名要确定好中心词,再进行前后修饰。各个词的顺序很重要,词序不当,会导致表达不准。②一般不要用陈述句,因为题名主要起标示作用,而陈述句容易使题名具有判断式的语义,且不够精练和醒目。少数情况(评述性、综述性和驳斥性)下可以用疑问句做题名,因为疑问句有探讨性语气,易激发读者兴趣。

摘要： 语文课上,老师会讲到偏正式短语。比如,“一个看名字容易被人误会的专业”就是一个偏正式短语,“专业”是中心词,“一个看名字容易被人误会”是修饰词。接下来我们要讲的这个专业生物医学工程,它的名称就是一个偏正式短语。一、望文生义易误解.不少人对这个专业产生误解,就是因为看到这个专业的名称,第一时间产生联想,认为它一定与生物和医学紧密关联。

摘要： 【命题一】请以“开在心中的花朵”为题,写一篇文章。除诗歌外,文体不限。600字左右。【题目解析】这道题目的中心词是“花朵”。这里的“花朵”既可以指铭记在心中的某种植物的花朵,又可以指心中美好的记忆.情感.品质.梦想等.如亲情之花、友善之花、诚信之花、谦逊之花,自信之花、梦想之花、希望之花等。

摘要： [目的/意义]通过引入中心词概念,提出一种改进LDA主题模型,以期在微博热点话题发现中获得更好的话题分布效果.[方法/过程]以微博热点数据为研究对象,进行文本表示学习,将基于Bert和Word2Vec的模型设为实验组,基于TF-IDF和BOW的模型设为对照组,令实验组和对照组分别生成改进LDA模型和传统LDA模型.[结果/结论]通过对比传统LDA模型和改进LDA模型,发现改进方法所生成的LDA模型在高频词分布集中度上更优于传统方法,在下游任务应用中更适合热点话题生成.

摘要： 对“我一个人慢慢地走在路上,月亮出来了,冷冷的”这句话理解正确的是:用冷冷的月亮烘托悲凉的心情。这是一道中考语文试题的参考答案。阅卷时教师们对此发生争议。理由是:一、这里的“冷冷”指天气,不是指月亮:二、“冷冷的月亮”的修饰语同中心词搭配不当,“月亮”非改成“月光”不可。

摘要： 刘昕的研究项目是“儿童母语审美教育的课堂实践”,这里面有几个关键词,一个是“儿童”,一个是“母语”,一个是“审美”,一个是“教育”,还有一个是“课堂”。前四个词都是修饰成分,“课堂”是中心词。我们也许可以这样理解她的研究--通过课堂实践来达成儿童对于母语之美的感受、体验、欣赏、表达以及创造的教育目标。如果这个理解大致不差的话,看过刘昕的语文课,我认为这个目标已经达到了。

摘要： 一、too much;much too;too many1.too much意为"太多",其中心词是much,修饰不可数名词或单独使用。如:Don’t ear too much meat.It’s bad for your health.不要吃太多的肉,这对你的健康有害。2.much too意为"太",其中心词是too,修饰形容词或副词,以加强语气。

摘要： 问题分类是自动问答系统中关键模块之一，而问题中的关键词语是问题分类的重要依据。本文主要探讨了问题词和中心词在问题分类中所起的作用，提出了一种基于问题词和中心词的新型层次化结构问题分类器。它首先利用问题词对句子集简单分为三类，然后对于每个类别分别设计相应的分类器，其中对于what型问题，构造了基于关联规则的中心词分类器。新设计的层次化结构分类器在trec 2007 QA问题集和UIUC数据集上都达到了很高的分类精度，显示了问题词和中心词在问题分类中至关重要的作用。

摘要： 汉语的句法结构可以从多角度、多层次进行分析,但如果服务于框架语义分析,则有其特定的要求.本文试图构建一个汉语句法分析模型,它是一个词汇化的句法分析模型,能够解决框架语义分析的特定需要.我们使用了BaseNP的界定和依存关系模型,后者中心词的确定是研究重点.由于框架语义分析的实质是研究中心词与支配词之间的依存关系,因而面向框架语义分析的句法分析需要分析出句法中心词.而词汇的引入必然带来严重的数据稀疏问题,针对此问题本文采用了删除插值平滑算法.最后,通过对一个实例的部分数据分析,可以预期此句法分析模型具有较高的准确率.

摘要： 本文分析了名词照应语"这/那+NP"在25万字语料中的照应情况,分析结果说明通过判断"这/那+NP"和候选名词短语的中心词是否相同或是否具有某种语义关系,就能确定约70﹪的"这/那+NP"的先行语,根据这一结果本文提出了一个计算机自动消解此类照应语的启发式算法,为名词照应语的消解提供了一些思路.

摘要： 本发明实施例公开了一种确定搭配词与中心词搭配程度的方法和系统。本发明实施例所提供的方案在对中心词的搭配词在语料中的出现次数以及与中心词搭配出现的次数进行统计基础上，再进行二次计算，例如通过用搭配词与中心词搭配出现的次数除以搭配词在语料中的出现次数，有效地将与中心词搭配度较低的搭配词从搭配词集合中剔除，更加凸显了与中心词搭配度高的搭配词，根据计算得到的搭配度对搭配词进行重新排序，搭配度高的搭配词即为与中心词结合最紧密的搭配词。

摘要： 本发明提出一种融合中心词信息的嵌套命名实体识别方法与装置，该方法包括：以标注了嵌套实体信息以及中心词信息的语句作为训练语句；构建基于多任务学习的边界检测神经网络模型，引入中心词预测任务作为辅助任务，基于训练语句中的每个词在上下文中的向量表示，分别进行预测；根据首词预测结果以及尾词预测结果，筛选出候选文本片段集；构建中心词增强的类别预测神经网络模型，以候选文本片段集以及中心词预测结果作为输入，计算得到每个候选文本片段本身的向量表示及在上下文中的向量表示，进而计算得到类别预测结果。本发明提出的实体识别方法，具有更好的识别性能，满足了应用需求。

摘要： 本申请公开了中心词提取模型生成方法及装置和中心词提取方法及装置，一方面，通过本申请中心词提取模型生成方法，将自然语言的句子转换到了一棵树型结构，巧妙地将中心词提取建模问题成一个依存句法分析的问题，将句子中的所有中心词都表示了出来，为后续将句子中的所有中心词提取出提供了保障。另一方面通过本申请中心词提取方法，将中心词提取任务转换成依存句法分析任务，巧妙地找到了句子中的所有中心词，更准确地获取了中心词，满足了真实电商场景的需求。

摘要： 本发明涉及从询问词中提取有含义中心词的方法和系统，并且公开了据此检索信息的方法和系统。检索系统提取词条的有含义中心词，扩充词条，和根据扩充的词条检索文本，从而提高了检索系统的性能和使用的便利性。

摘要： 本发明提供一种从查询词中提取中心词的方法和装置，方法包括：获取用户输入的第一查询词；基于已知的多个查询词以及所述多个查询词的中心词训练得到的模型，从所述第一查询词中提取所述第一查询词的中心词。根据本发明，通过对已知查询词以及已知查询词的中心词进行训练，能够得到用于提取查询词中心词的模型，利用该模型可以自动进行对查询词的中心词提取，提取速度、准确率都非常高，有利于后续的基于中心词推荐查询词的快速进行。

摘要： 本发明实施例公开了一种确定搭配词与中心词搭配程度的方法和系统。本发明实施例所提供的方案在对中心词的搭配词在语料中的出现次数以及与中心词搭配出现的次数进行统计基础上，再进行二次计算，例如通过用搭配词与中心词搭配出现的次数除以搭配词在语料中的出现次数，有效地将与中心词搭配度较低的搭配词从搭配词集合中剔除，更加凸显了与中心词搭配度高的搭配词，根据计算得到的搭配度对搭配词进行重新排序，搭配度高的搭配词即为与中心词结合最紧密的搭配词。

摘要： 本发明提出的一种中心词跨句事件论元检测方法，能够减少跨句论元检测复杂度、提高准确率。通过下述技术方案实现：语料预处理建立候选中心词集、计算候选中心词及触发词的浅层语义向量、深层语义向量，基于双仿射变换神经网络模型检测到触发词关联依存弧，基于再一次双仿射变换检出触发词对应中心词并完成论元分类；从中心词‑论元类别集中取中心词，从中心词的临近词语中检测出论元，将其动态词、位置向量拼接后输入多层感知机MLP模型，实现特征建模，通过MLP模型计算出中心词的临近词作为论元边界词的归一化概率值，确定论元边界，得到完整的事件论元。选择概率最大的词作词语集合拼接作为中心词对应的完整论元，完成跨句的事件论元检测。

摘要： 本发明涉及中心词提取方法、装置、计算机设备和存储介质。在本发明实施例中，对查询文本进行分词处理确定目标分词；根据查询文本识别查询意图；基于相应意图类别的所有查询文本中目标分词的出现次数，相应意图类别所有查询文本的数量，以及所有查询文本中目标分词的出现次数确定目标分词于相应意图类别的权重；对查询文本中所有目标分词所对应的词向量进行加权求和，得到查询文本的向量表示；对目标分词进行词性标注处理，确定候选中心词；基于候选中心词的词向量与查询文本的向量表示的余弦相似度提取中心词。提升了查询中心词的抽取效果，解决了中心词的冷启动问题，同时还减弱了中心词的马太效应。

摘要： 本发明提出一种融合中心词信息的嵌套命名实体识别方法与装置，该方法包括：以标注了嵌套实体信息以及中心词信息的语句作为训练语句；构建基于多任务学习的边界检测神经网络模型，引入中心词预测任务作为辅助任务，基于训练语句中的每个词在上下文中的向量表示，分别进行预测；根据首词预测结果以及尾词预测结果，筛选出候选文本片段集；构建中心词增强的类别预测神经网络模型，以候选文本片段集以及中心词预测结果作为输入，计算得到每个候选文本片段本身的向量表示及在上下文中的向量表示，进而计算得到类别预测结果。本发明提出的实体识别方法，具有更好的识别性能，满足了应用需求。

摘要： 本发明公开了一种基于神经网络的谓语中心词识别方法，所述方法包括如下步骤：步骤一：基于预训练词向量和随机词向量对文本进行向量映射；步骤二：通过神经网络模型获取句子的特征及长期依赖关系；步骤三：使用Highway网络缓解深度模型中的梯度消失问题；步骤四：通过约束函数对序列标注的输出路径进行约束。该方法通过多层Bi‑LSTM叠加获取句子内部的长期依赖关系。然后通过高速公路（Highway）连接缓解深层模型出现梯度消失的问题，最后，通过Softmax层进行归一化，得到一条最大化的标注路径，另外，通过约束函数对输出路径进行规划，解决谓语中心词的唯一性问题。