什么是自然语言处理 机器翻译（Machine Translation） 信息抽取的结果 自然语言处理所涉及的学科 基于规则的自然语言处理方法（理性方法，传统方法） 形态还原算法 基于规则的歧义字段消歧方法 句法分析——组成分分析 自底向上句法分析 句法分析与逻辑程序设计 增加句法符号和规则带来的问题 合一文法 语义组合 机器翻译

11.1语言及其理解的一般问题 11.2句法和语义的自动分析 11.3句子的自动理解 11.4语言的自动生成 11.5自然语言理解系统应用举例 11.6小结

01 再论汉英语言的差异 02 形式结构 03 句中位置 ONTENTS C内容大纲 04 句法功能 05 语义特征

6.1 句法分析与用作翻译的理论基础 6.2 其它相关语法介绍 6.3 语法分析在机器翻译中的应用 6.4 汉语和英语语法的概述 6.5 语义分析

本章以副词和形容词的词尾的演化为例,说明句法结构的变化如何影响语法化 的方向。汉语史上一组表示“类似”、“如此”义的动词(以下简称“像义 词”),诸如“如”、“若”、“似”,曾先后发展成为副词或者形容词的词尾 ( suffix))。但是具有同样语义特征的一组词,在不同时期的发展方向很不相同。以大 约十五世纪为分水岭,在此之前几个形式不同的像义词先后发展成了词尾,可是在 此之后出现的同义词如“像”则没有类似的发展方向

第一节 自动标引的基本原理 ◼ 自动标引的定义、类型 ◼ 自动标引的意义 ◼ 自动标引的流程 ◼ 自动标引的原理 第二节 自动标引方法和技术 ◼ 统计标引法（课堂只讲这种方法） ◼ 概率标引法：根据文献满足提问的概率来估计 ◼ 句法分析标引法 ◼ 语义分析标引法 ◼ 人工智能标引法 第三节 汉语文本自动标引 ◼ 汉语自动分词方法 • 基于匹配的分词方法 • 基于统计的分词方法 • 基于理解的分词方法

词义消歧的特征来源于上下文.日文兼有中英文的语言特性,特征抽取更为复杂.针对日文特点,在词义消歧逻辑模型基础上,利用最大熵模型优良的信息融合性能,采用深层特征抽取方法,引入语义、句法类特征用于消解歧义.同时,为避免偏斜指派,采用BeamSearch算法进行词义序列标注.实验结果表明,与仅使用表层词法类特征方法相比,本文构造的日文词义消歧系统的消歧精度提高2%～3%,动词消歧精度获得5%的改善

01 导入 02 英汉两种语言在主语方面的差异 03 英语主语的特征 3.1 形式结构（form） 3.2 句中位置（position） 3.3 句法功能（syntactic function） 3.4 语义特征（semantic properties）

第一章 认知语言学的理论主张 第二章 认知语亡学的经验基础 第三章 句法的象似性 第四章 下篇概述 第五章 距离动因与DN,DdN的语义差别 第六章 “的”字隐现的一般规律 第七章 领局结构的“的”与语白共性 第八章 余论：多项定语的语序规律

提出基于双向长短期记忆网络（bidirectional long short-term memory，BiLSTM）和前向神经网络的融合模型完成公共安全事件的触发词识别任务.首先通过BiLSTM提取整段文本的高层语义特征，避免了以往机器学习方法需要人工提取特征的问题，其次采用特征拼接并在前向神经网络中识别并分类事件触发词.实验结果表明相较于基准模型，本文方法在中文突发事件语料库（Chinese emergency corpus，CEC）上取得了更为突出的性能，Micro-F1值为78.47%.此外本文讨论了不同拼接特征在触发词识别任务中的重要性，对文本分析中3类特征（词性、句法、实体）的重要程度进行了比较和分析，得出句法特征对于事件触发词识别任务助益最大的结论