“Zhenghua-undergraduate-thesis”的版本间的差异

来自SUDA-HLT
跳到导航 跳到搜索
第27行： 第27行：
 
韩欣艳  
 
韩欣艳  
 
     从OpenHowNet、同义词词林、Chinese WordNet中抽取上下位关系。
 
     从OpenHowNet、同义词词林、Chinese WordNet中抽取上下位关系。
−
 
 
     进一步可以考虑翻译英文WordNet、澳门大学商务词典
 
     进一步可以考虑翻译英文WordNet、澳门大学商务词典
 
     Shwartz 14,135 16,956 31,091
 
     Shwartz 14,135 16,956 31,091

2019年12月16日 (一) 07:06的版本

毕业设计最新模板

2019年5月本科毕业设计论文格式

毕业设计各个环节注意事项

中期检查前准备

  • 任务书认真撰写，老师审核
    • 清晰、简洁
    • 参考文献的格式严格按照规范（将来论文中也要有，因此这个时候认真点，后面省事）
  • 认真做好文献翻译，提前找老师要待翻译的文章，翻译的word文档，尽量按照撰写正式论文的形式规范排版
    • 论文标题
    • 论文作者
    • 论文出处（期刊[volumn/number]、会议、年份、页码等
    • 正文部分：图、表、公式、参考文献一般不用翻译，直接截图，放在论文中即可（注意格式好一点）
    • 好像学校规定：英文6000词（短一点应该也没人管）。如果论文过长，可以考虑只翻译一部分。
  • 做好文献综述，提前和老师商量好，需要看的论文、网页、书籍等列表（5-10篇）
    • 按照不同的类型，将论文梳理好，总结好

2020

基于知识库的上下位关系自动抽取

韩欣艳 

   从OpenHowNet、同义词词林、Chinese WordNet中抽取上下位关系。
   进一步可以考虑翻译英文WordNet、澳门大学商务词典
   Shwartz	14,135	16,956	31,091

基于词典的汉语分词领域移植研究

秦友黄涛 

 深入了解jieba分词的原理，然后重新实现（效率可以暂时不管，代码可读性要好）
 用我们手上的新闻语料，重新训练模型
 将Jieba用于分词领域移植问题，加入领域内词典和虚拟词频

2019

自然语言句子分析平台实现

周明月 (1527403035)

  • 后台：实现分词（global linear model：黄德朋）、词性标注（global linear model）、依存句法分析（待定）
  • 前端：javascript ajax【沿用蒋炜在多粒度分词上的代码，python】

汉语新词发现方法研究

李烨秋 (1527405091)

2019.3.29讨论 

调研，每个文章写一段话：问题定义、方法、评价数据和评价方法、结果如何
先实现一种基于邻接熵，共现频率，互信息等（可以融合）的新词发现方法
然后实现基于深度学习（word embedding）的方法（我推荐的那篇英文论文的方法）

面向对话文本的浅层语义分析数据

杨浩苹 (1527405092)

网络文本错别字纠正数据标注系统

沈嘉钰 (1527407031)

网络在线词典数据爬取系统

陈婷 (1527405034)

Mentor：朱运

  • 工作内容（2019.3.8）
    • Python有开源的包，爬取网页，尽可能爬所有的词（如何能遍历电子词典中的所有词？）
    • 网页正文提取（工具包可以用，自己写正则表达式，根据网页的规则去抽取）
    • 归一化：制定一个比较完整的格式，字，词，拼音，词性，词义，例句，解释。


Christiane Fellbaum (1998, ed.) WordNet: An Electronic Lexical Database. Cambridge, MA: MIT Press. （前言）

George A. Miller (1995). WordNet: A Lexical Database for English. Communications of the ACM Vol. 38, No. 11: 39-41.

汉语上下位关系词对抽取研究

袁源 (1527405050)

Mentor：陆凯华

  • 工作内容（2019.3.8）
    • 定义：给定一大堆文本（文档），根据一些规则（模板），去抽取上下位词对（Hearst 1992?）
    • bootstrapping：给一些种子上下位对，去找pttern，过滤掉差的模板，更多词对 -> 继续循环


1）搞清楚上下位关系的定义
2）参考文献，设计一些Pattern，从wiki数据中自动抽取候选词对，进而人工标注，判定哪些是真正的上下位关系
3）然后根据已有的上下位词对，在wiki数据上跑一遍，扩展pattern集合，人工check，哪些pattern是靠谱的
4）回到步骤2
5) 如果有时间，实现一个简答的基于特征的上下位关系分类方法，把pattern、后缀、共现频率等信息作为特征融合一下，放到一个分类模型（如最大熵）中。

基于深度学习的汉语分词领域移植

周厚全 (08153445)

2018

基于内容的图像检索系统的设计与实现

张宇

多粒度分词演示系统

蒋炜

跨平台跨浏览器数据标注界面设计与实现

陆凯华

AMR句子语义图显示与查询系统

李丹

2017

基于深度学习的多粒度分词方法研究

江心舟

面向小微企业的高可调整性一体化管理系统——Android端研究与实现

黄德朋

2016

中文问答系统中问题分类的研究与实现

龚晨

基于深度学习的序列标注问题研究

夏庆荣

分词标注平台设计与实现

王效静

依存句法标注平台设计与实现

陆芳丽

取自“http://hlt.suda.edu.cn/index.php?title=Zhenghua-undergraduate-thesis&oldid=1810”