“MT+PE”模式下茶学文本翻译探析

随着数字媒体爆炸式发展,如ChatGPT等人工智能软件的出现,越来越多的学者对机器翻译进行了研究。机器翻译（MT）+译后编辑（PE）模式蓬勃发展。这一翻译模式的优点在于能充分发挥机器翻译和人工翻译的优势,提高单位时间产出,同时确保译文质量。而这一模式也在不断革新和进步中。本文旨在通过机器翻译+译后编辑模式下对茶学文本进行分析研究,总结问题,梳理思路,从而为高质高效地翻译茶文本提供借鉴和方向。     

文本信息自动分类系统ITC98(Ⅱ)--基于BP网络的文本分类子系统

设计并实现了文本信息自动分类系统ITC98的核心模块──基于BP网络的文本分类子系统。介绍系统的分类策略及根据分类问题需求确定BP网络结构和参数的方法。实例测试表明，系统分类精度和效率均达到要求。     

客户需求信息管理与用户偏好分析

随着通信市场竞争日益激烈,价格空间进一步压缩,市场也逐步从价格竞争过渡到价值链竞争;客户需求呈现出多样化、差异化,客户对运营商有更高预期,注意力亦将曼趋分散,选择空间更多,客户忠诚度维系难度将越来越大;同时全业务竞争环境下,市场竞争格局更加复杂,对社会渠道资源的争夺也将会不断加剧,企业的渠道成本与经营风险将大幅提升;而营销活动的频繁推出,对渠道的执行力与运营商的掌控力提出了更高的要求.本文提出了客户需求信息管理平台的设计方案.     

文本杜鹃：姹紫嫣红漫山情

杜鹃花天生丽质,具有高品位的观赏价值。在中国,它有“花中西施”的美称。     

基于LDA主题分析模型的电商平台用户评论数据情感分析——以生鲜农产品苹果为例

以生鲜农产品苹果为研究对象,通过Python网络爬虫采集电商平台上的文本评论数据,对数据进行去重、清洗等基本的预处理操作后,进行用户情绪分类,并通过分词处理、词频统计、词云数据展示等方法对用户评论文本数据进行分析.通过LDA主题分析模型对评论数据进行主题分析,从而通过多方面的分析获取文本评论数据中有价值的内容,对产品的...     

迷失的伊甸园--"革命+恋爱"小说之情爱论

“革命 恋爱”小说对恋爱的叙述是由文本的深层结构恋爱／非恋爱所决定的。与此相应,文本的表层有各种各样的二元对立,这包括美／丑、高尚／卑劣、肉体／精神、性／爱、包办婚姻／自由恋爱等。个体在克服各种非恋爱因素,追求爱情时,人性得到了充分的展示和丰富。     

基于社交媒体数据的城市洪涝灾害信息智能提取与分析

近年来,由于气候变化导致极端降雨引起的城市内涝灾害事件频发,给我国城市水安全和可持续发展带来威胁,准确掌握受灾区域的舆论主体和公众情绪,对提高应急管理部门内涝灾害的态势感知能力具有重要意义。在当今智能网络时代,人们通过社交媒体反映问题和建议的诉求日益凸显,社交媒体已逐渐成为反映民众情感和社会舆情的主要载体,为获取自然灾害信息提供了新的途径。如何从社交媒体中快速提取城市洪涝灾害信息,并对自然灾害信息进行主题分类和情感分析,准确掌握区域灾情的主题类别和民众舆论倾向,是目前亟待解决的关键技术问题。以新浪微博为例,阐述了洪涝灾害数据的获取与预处理方法,构建了基于FastText的城市洪涝灾害信息主题分类和情感分析模型,以准确掌握受灾区域的主题类别和舆论导向。以2021年郑州“7.20”特大暴雨期间洪涝灾害为例的研究结果表明,本文方法实现了对社交媒体中城市洪涝灾害数据的智能提取与分析,主题分类模型对预设八种类别数据的分类预测F1值达到0.80以上,且情感分析模型基本能够准确预测情感标记为“负面”的数据,这表明本文构建的基于FastText的城市洪涝灾害信息主题分类和情感分析模型能够满足支撑城市应...     

基于Spark框架XGBoost的林业文本并行分类方法研究

针对当前互联网+技术与林业的交叉融合,涌现出海量待挖掘的涉林文本,而林业文本分类的相关研究尚不成熟的问题,使用网络爬虫技术面向互联网采集涉林文本,基于丰富的语料重新构建分类标签,提出基于Spark计算框架的XGBoost并行化方法,对林业文本进行分类。经由交叉验证,构建的XGBoost并行分类算法准确率为0. 923 4,在各类别中最低F1为0. 860 4,最高为0. 998 4;其在2. 1万条、4. 2万条、8. 4万条数据集上的训练加速比分别为2. 13、3. 47、3. 82。结果表明,基于该标签设定的分类模型对现存互联网中涉林文本的适应性较好;Spark环境下实现的XGBoost并行化算法的准确率显著优于其他4种机器学习(朴素贝叶斯、GBDT决策树、BP神经网络和ELM神经网络算法)的并行化算法,算法执行效率远高于单机版本,且数据量越大,其加速比越高,能有效应对海量林业文本的实时、准确分类。     

基于语义分割的食品标签文本检测

食品包装上的标签文本含有生产日期、营养成分、生产厂家等食品相关信息,这些不仅为消费者购买食品提供了重要依据,也有助于食品监督抽检机构发现潜在的食品安全问题。食品标签文本检测是食品标签自动识别的前提,有助于降低人工录入成本、提高数据处理效率。基于食品包装图像构建数据集,提出了一种基于语义分割的距离场模型,以检测食品标签。该模型包含像素分类和距离场回归两类任务,其中像素分类任务分割处理图像中的文本区域,距离场回归任务预测文本区域内的像素点到该区域边界的归一化距离。为提升模型的检测性能,在回归预测模块中通过增加注意力模块优化模型结构,并针对距离场回归任务损失值过小、影响模型训练优化问题对其损失函数进行了改进。消融实验结果表明,增加注意力模块和损失函数的改进使得模型的准确率分别提高了4.39、3.80个百分点,有效提高了检测准确率。食品包装图像数据集的对比实验表明,采用本文模型检测食品标签文本具有较好的性能,其召回率、准确率分别达到87.61%、76.50%。