刘奇,刘洋,孙茂松 (清华大学 计算机科学与技术系 智能技术与系统国家重点实验室,北京 100084) 摘要: 平行语料库是对机器翻译、跨语言信息检索等应用技术具有重要支撑作用的基础数据资源。虽然互 联网上的平行网页数量巨大且持续增长,但由于平行网站的异构性和复杂性,如何快速自动获取高质量的 平行网页进而构造平行语料库仍然是巨大的挑战。本文提出了一种 URL 模式与 HTML 结构相结合的平行网页 获取方法,首先利用 HTML结构实现平行网页的递归访问,其次使用 URL模式优化遍历平行网站的拓扑顺序, 从而实现高效准确的平行网页获取。在联合国与香港政府 1 两个平行网站上的实验表明,我们的方法相对传 统获取方法在获取时间上减少 50%以上,准确率提高 15%,并显著提高了机器翻译的质量(BLEU 值分别提 高 1.6 和 0.7 个百分点)。 关键词:平行网页获取;平行语料库;URL...

医学論文数は2000 年に入り急増し，増加に伴った情報氾濫が起きており，その適切な情報の取捨選択が重要である．今回われわれは医中誌Web に収蔵されている血液透析の原著論文および症例事例論文の要約をテキストマイニングし解析を行った．医学中央雑誌刊行会にて運営されている医中誌Web にて検索した，1979 年以降に収載された「血液透析」の原著論文は26,408 報であり，症例事例論文は8,936 報であった．それらの原著論文の要旨・抄録を抽出した延べ単語総数は1,637,446 語であり，症例事例論文は562,949 語であった．原著論文解析では体外循環法や効率，生体適合性などの単語が頻出したのに対し，症例事例論文では実臨床の治療難渋例関連の単語の頻出が多く認められた．以上より医中誌Web 収載の血液透析関連の原著論文および症例事例論文に対しテキストマイニングを用いて解析を行い，全論文...

日本近海の深海底に鉱物資源が多量に賦存することが確認され、深海底での資源開発の機運が高まっている。一方で持続可能な開発目標SDGsの達成に向け、海洋生態系に配慮した資源開発が求められる。筆者らは海底資源開発に伴う環境擾乱の抑制にセメント系材料を利用する技術の開発を進めており、その第一歩として、水深1890mの深海底でポルトランドセメント系被覆材の打込み試験を実施した。217日後に回収した試験体を分析した結果、深海底で硬化した試験体は、予め硬化させた試験体を用いた既往の海洋劣化に関する報告と比較して、著しいカルシウムの溶脱が生じたことに加え、海底堆積物との反応による炭酸塩鉱物の生成が示唆された。

在 1995 年世界四個做語音辨認研究的著名單位(BBN, CMU, Dragon 及 IBM)開始參與一個在 當年是一項創舉的語音辨認評比之語音資料庫建立工作,該語音資料庫稱做 Hub-4,在此項評比 中希望能做到廣播新聞語料自動轉述(automatic broadcast news transcription)[1]。Hub-4 語料庫中也 已陸續加入許多語料,事實上 Hub-4 語料庫中也已經有國語廣播新聞語料,其內容是由大陸中央 台及洛杉磯中文台的廣播新聞節目錄製而成。由 1999 年 DARPA 所舉辦的語音辨認評比的結果 可以看出世界各大語音辨認研究單位在廣播新聞語料自動轉述已獲得重大的進展;不只在語音辨 認方面,在 segmentation、information extraction、topic detection 等技術都有許多成果。在英文廣播 新聞語料語音辨認方面...

従来の音声認識システムは，入力音声に現れるすべての単語を忠実に再現するように設計されているため，認識精度が高いときでも，人間にとって読みやすい文を出力するとは限らない．これに対して，本研究では，フィラーや言い誤りの削除，句読点や脱落した助詞の挿入，また口語的な表現の修正など，適宜必要な編集を行いながら，音声から直接可読性の高い書き言葉スタイルの文を出力する新しい音声認識のアプローチについて述べる．我々はこのアプローチを単一のニューラルネットワークを用いた音声から書き言葉への end-to-end 変換として定式化する．また，音声に忠実な書き起こしを疑似的に復元し，end-to-end モデルの学習を補助する手法と，句読点位置を手がかりとした新しい音声区分化手法も併せて提案する．700 時間の衆議院審議音声を用いた評価実験により，提案手法は音声認識とテキストベースの話し言葉スタイル変換...