导读:本文包含了上下文表示论文开题报告文献综述及选题提纲参考文献，主要关键词:表示学习,可信向量,上下文感知
上下文表示论文文献综述
熊盛武,陈振东,段鹏飞,刘晓赟[1]（2019）在《基于可信向量的知识图谱上下文感知表示学习》一文中研究指出面向知识图谱的表示学习在低维语义空间中对实体和关系进行编码,提升了知识理解和推理能力。传统的平移模型在处理知识图谱中的一对多、多对一以及多对多这些复杂关系时,难以区分在某一属性具有相同语义的实体。本文构建了一种基于二值可信向量的平移模型(TransV),通过向量不同维度的元素值控制对应属性的激活与抑制程度,使不同的关系关注不同的实体属性信息,提高模型处理复杂关系的效果。除了知识图谱中的叁元组信息,非结构化文本中包含了丰富的语义信息,能够提高实体表达能力。利用与实体相关的文本信息,构建了一种融合上下文信息的基于二值可信向量的知识图谱表示学习模型(CKRV),使得叁元组信息与语义信息能相互影响、相互融合。实验结果表明,该方法复杂度更低,在实体预测准确性方面有明显提升。(本文来源于《武汉大学学报(理学版)》期刊2019年05期）
刘洋[2]（2019）在《上下文相关的词表示及其领域迁移研究》一文中研究指出随着社会信息化高速发展,每天都会有包含丰富的知识和信息的大量文本数据产生。使用计算机和自然语言处理技术进行自动的语言分析和文本处理,推动着人类生产生活的高速发展。然而,要进行自然语言处理就必须将语言的基本成分转化为计算机可以识别的数学表示。上下文相关的词表示方法的提出解决了传统预训练静态词向量表示无法解决的“一词多义”问题,能够刻画词语在不同语境下的表义变化和其中复杂的语法、语义信息。与传统预训练词向量的方法不同,上下文相关词表示方法的预训练结果为句子语义表示模型,并在应用于下游任务时使用预训练模型参数对样本句的各个词语进行深度语义融合。使句法分析、语义角色标注、自动问答、文本蕴含、阅读理解等多种任务效果得到了显着的提升。中文分词是中文信息处理重要的基础任务,前人的方法基本都基于词向量表示进行建模,难以克服上述诸多弊端。本文从中文分词问题出发,利用上下文相关词表示的预训练模型构造了分词模型,并在多个中文分词数据集中进行了实验。得益于上下文词表示预训练模型深度语义融合带来的强大泛化性,我们的模型相较传统模型在分词性能上得到了显着地提升。模型领域迁移问题也是我们的研究的重点,由于自然语言的领域歧义性特点,通用语料训练的模型在专业领域上存在性能严重下降的问题。而专业领域数据往往难以获得。如果可以将通用领域知识或模型更好的迁移至专业领域应用,便能够解决以上问题。我们对上下文相关表示构建的分词模型进行了领域迁移实验,并在不同迁移数据集规模上与传统分词模型进行了详细的对比。结果表明,基于深层上下文表示的分词模型在跨领域泛化能力、迁移能力上都远高于传统模型,并且能够在数据量更少的情况下更稳定地进行高效迁移。这种深度上下文表示模型是基于无标注语料构造的,难以与其它有效特征进行深度融合,简单的隐层拼接往往无法带来很好的效果。而且,由于其模型构造复杂,存在内存和计算资源占用过多,预测速度慢等问题。本文使用多任务学习来解决这一问题。一方面,我们使用多任务联合学习对上下文相关表示模型增加特征知识,这使得特征知识相互迁移融合,相比独立训练与简单特征拼接模型达到了更优秀的性能;另一方面,多任务模型由于共享了表示模型和隐层计算,从而大大加快了多任务文本分析效率。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
脱婷,马慧芳,魏家辉,刘海姣[3]（2019）在《基于语义特征空间上下文的短文本表示学习》一文中研究指出文本表示是自然语言处理中的基础任务,针对传统短文本表示高维稀疏问题,提出1种基于语义特征空间上下文的短文本表示学习方法。考虑到初始特征空间维度过高,通过计算词项间互信息与共现关系,得到初始相似度并对词项进行聚类,利用聚类中心表示降维后的语义特征空间。然后,在聚类后形成的簇上结合词项的上下文信息,设计3种相似度计算方法分别计算待表示文本中词项与特征空间中特征词的相似度,以形成文本映射矩阵对短文本进行表示学习。实验结果表明,所提出的方法能很好地反映短文本的语义信息,能对短文本进行合理而有效的表示学习。(本文来源于《计算机工程与科学》期刊2019年02期）
高成亮[4]（2018）在《基于LSTM的文本上下文依赖特征的表示方法研究》一文中研究指出为了能够有效地从非结构性的文本数据中挖掘知识,研究将自然语言形式化为计算机输入信号的表示方法是文本意见挖掘任务的重点。基于深度学习的表示方法具有很强的特征学习能力,由该方法生成的文本表示具有连续、稠密和低维度的特征。在深度学习中,LSTM(Long Short-Term Memory)是长短期记忆网络,是一种特殊的循环神经网络模型(Recurrent neural network,RNN)模型。它不仅能够对具有时序特征的输入信号进行建模,还能够避免RNN在文本建模过程中发生梯度消散(或梯度爆炸)的问题。基于标准LSTM的表示方法对所有的输入特征一视同仁,并不能明显地表现出不同特征对特定研究任务的贡献程度,更为重要的是,该方法更侧重于学习文本上下文语义信息,而对上下文结构信息并没有很好的进行学习。本文所做的工作如下:1)在对词语间上下文依赖特征信息进行建模的过程中,由于基于标准LSTM的文本表示方法未利用向量化的词性信息去强化文本上下文依赖信息,所以本文提出了一个基于注意力机制的双向LSTM的文本表示方法。本课题在自采集数据集和来自NLPCC&2014的开源数据集上进行实验,用以验证本方法的有效性。实验结果表明,本方法在两个数据集上所获得的情绪分类效果均优于基准模型。2)在对实体方面和意见文本间上下文依赖特征信息进行建模过程中,由于标准注意力机制缺乏一个特征权重修正的过程,所以本文提出了一个基于两阶注意力机制的LSTM文本表示方法,用于建模实体方面和意见文本间的上下文依赖特征信息。为了测试本模型的有效性,本课题在来自SemEval&2016的开源数据集上进行实验。实验结果表明,本方法所取得的文本意见分类效果优于基准模型。3)在对话题和意见文本间上下文依赖特征信息进行建模过程中,由于基于LSTM的表示方法缺乏从词语层面挖掘话题与意见文本间的依赖信息,所以本文提出了一个基于注意力聚合网络的文本表示方法。本课题在来自于SemEval&2016的英文立场数据集上进行实验,用于验证本模型的有效性。实验结果表明,本模型所取得的文本意见分类效果优于基准模型。(本文来源于《河北科技大学》期刊2018-12-01）
陈科海[5]（2018）在《机器翻译上下文表示方法研究》一文中研究指出近些年,通过大规模神经网络将自然语言单元表示为连续空间向量用以代替传统的离散符号的方法,极大地提升了各种自然语言处理任务的性能。机器翻译作为自然语言处理领域中最具挑战性的研究任务之一,从最初利用神经网络方法改善统计机器翻译模型,再到构建端到端的神经网络机器翻译模型,机器翻译取得了巨大的进步。面向机器翻译的神经网络方法通常基于句子中的上下文信息来隐式地学习源端句子表示和目标端译文生成。由此可见,上下文信息在机器翻译中扮演着极为重要的角色。神经网络方法能够通过连续空间的向量捕获翻译上下文信息和被预测目标单词之间的语义相似性,但由于神经网络的训练具有较高的时空复杂度,导致其仅仅在词级别上来模拟翻译上下文信息用于生成目标语言翻译。直观上,一个自然语言句子的构成,不仅包括基本的词级别信息,而且包括高阶上下文信息,比如局部上下文、结构化上下文和句子级主题上下文等信息。与基本的单词信息相比,这些具有丰富翻译知识的上下文信息往往会导致大规模的高阶上下文单元,而直接通过神经网络建模又会面临严重的数据稀疏性问题和极大的时空复杂度。为此,本文首先探索如何利用神经网络来表示机器翻译中的高阶上下文单元,并以基于依赖的双语上下文为切入点在统计机器翻译中进行了有效性验证。其次,基于这种高阶上下单元表示方法,依次从局部上下文、结构化上下文和句子级上下文等叁个层面对神经网络机器翻译的上下文表示方法展开研究,使得神经网络机器翻译能够捕获更加丰富有效的翻译知识来改善翻译预测。因此,本文主要内容包括以下四个方面:1.在机器翻译中,高阶上下文单元能够编码更多的上下文信息用于翻译预测。但这些高阶上下文单元往往面临着严重的数据稀疏性问题,进而难以捕获上下文中的结构化信息。同时,传统的离散符号表示方法也难以捕获翻译上下文与被预测目标语言单词之间的语义相似性。因此,本文提出了一种基于依赖的神经网络联合模型,既能够通过神经网络来捕获语义相似性,又能够通过卷积架构的语义组合属性极大地缓解由高阶上下文单元所引起的数据稀疏性问题,进而能够有效的捕获翻译上下文中的长距离依赖信息用于翻译预测。通过在统计机器翻译模型上的实验,验证了这种新的方法显着地优于传统的基于离散符号的上下文表示方法,尤其是通过显式地编码源端长距依赖约束,超过了着名的基于词序列的神经网络联合模型。2.在自然语言中存在着大量的多义词,也即一个单词往往可以表示多种不同的含义。在现有的神经网络机器翻译模型中,不论一个单词具有多少种不同的含义,都会被表示为一个单一的实值向量来编码这个单词的所有含义。在学习源端句子表示时,编码器不能充分地捕获源端句子中的多义词信息,进而导致注意力机制所学习到的上下文向量难以生成正确的目标单词翻译。而当源端句子中包含有集外词(未被词汇表所覆盖的单词)时,这个问题会变得更为严重。为此,本文提出了一种基于局部上下文的词汇表示方法来为每一个源端单词动态地学习一个特定句子的局部上下文向量用以强化神经网络机器翻译框架的词嵌入层,进而改善单词(尤其是多义词和集外词)的向量表示和翻译。3.神经网络机器翻译模型通常依靠神经网络顺序地处理源端输入来隐式地编码源语言句子中的句法和语义信息,而未曾显式地考虑翻译上下文中的结构化信息。在统计机器翻译中,结构化翻译知识已经被证明有益于翻译预测。为此,本文提出了两种新的方法(包括源端依赖表示方法和句法导向注意力方法),用以将源端长距离依赖上下文信息引入到现有的神经网络机器翻译模型中,使得翻译模型能够捕获那些在句法上更为相关的源端上下文信息来改善翻译预测。4.神经网络机器翻译模型通常聚焦于词级上下文信息来预测目标语言单词,而未考虑句子级上下文信息。在自然语言中,一个单词往往在不同的主题(或领域)中具有不同的含义。而在神经网络机器翻译模型中,一个单词往往在不同的句子中具有不同的主题,甚至在一个单词在同一个句子中可能具有不止一个主题。这意味着句子级上下文信息中包含了单词的主题信息。因此,本文提出了一种句子级主题上下文表示方法,将句子级上下文信息表示为一种隐含主题向量序列,并通过注意力机制将其引入到现有的神经网络机器翻译模型中用于改善翻译预测。这种方法能够与现有的神经网络机器翻译模型进行一体化训练,进而联合学习句子级主题上下文信息和目标单词的翻译。(本文来源于《哈尔滨工业大学》期刊2018-10-01）
石珺[6]（2018）在《引入叁元组上下文与文本的知识图谱表示学习方法研究》一文中研究指出近年来,随着深度学习技术的发展,知识图谱表示学习技术日益受到关注。知识图谱表示学习旨在将知识图谱中的实体与关系的语义信息表示为稠密低维实值向量,可以在低维向量空间中高效计算实体和关系的语义联系,有效缓解基于RDF的知识表示形式所存在的问题,能够显着提升知识获取、融合与推理的性能。然而,当前绝大多数表示学习模型都将知识图谱看作独立的叁元组的集合,忽略了叁元组中的实体在图中的关联以及知识图谱中的结构信息;此外,互联网上海量的文本中蕴含着大量与知识图谱中实体和关系相关的信息,能够有效补充知识图谱的语义信息。基于以上动机,本文提出了引入叁元组上下文与文本的知识图谱表示学习模型。本文考虑了两种叁元组上下文信息,一种是邻居上下文,即实体在知识图谱中邻接的关系与实体,这些关系-实体对能够从一定侧面反映目标实体的性质;另一种是路径上下文,即实体对在知识图谱中存在的关系路径,这些关系路径能够表达一些复杂的推理模式。除此之外,本文还引入了文本信息,将文本语料中包含叁元组头尾实体指称的句子作为实体对之间存在关系的描述,从而能够有效利用文本中的语义信息对知识图谱表示学习进行信息的补充。本文的主要贡献如下:1)提出一个引入了叁元组上下文的知识图谱表示学习模型,利用实体在知识图谱中邻接的关系与实体以及实体对之间的关系路径来帮助建模叁元组。2)提出一个引入叁元组上下文与文本的知识图谱表示学习模型,利用实体对指称共现的句子来辅助建模实体对之间的关系。3)在基准数据集上进行实验,并利用常用的评估标准对实验结果进行评估,实验结果表明本文提出的模型在一些方面上明显优于现有模型。(本文来源于《东南大学》期刊2018-06-18）
赵俊齐[7]（2018）在《基于稀疏表示和时空上下文的目标跟踪算法研究》一文中研究指出目标跟踪是计算机视觉领域重要的研究方向之一,目标跟踪技术已在视频监控、人机交互、视觉导航等领域取得了广泛应用。目标跟踪技术发展到现在,大量学者对其进行不断研究并提出了许多优秀的跟踪算法。但是,如何有效地解决目标跟踪过程中由于遮挡、光照变化、背景混乱等复杂性因素引起的目标外观变化仍然需要进行进一步的研究。本文在基于稀疏表示跟踪方法的基础上进行研究的,针对基于稀疏表示跟踪方法存在的计算复杂度高以及目标表示准确性差的不足进行改进。论文的主要研究工作和创新性体现在以下几个方面:针对基于稀疏表示跟踪方法存在的计算复杂度高以及目标表示准确性不高的问题,提出联合反稀疏表示与时空上下文的目标跟踪方法。由于候选目标是由粒子滤波的方法通过随机采样生成的,使得一些候选目标与目标模板或者前一帧图像跟踪结果的相似性较低,进而影响跟踪结果的准确性。因此,这里使用时空上下文的方法对候选目标进行优化选择以提高候选目标表示目标模板的准确性。最后根据选择出的候选目标和目标模板通过反稀疏表示的方法进行稀疏系数的求解,并根据计算出的稀疏系数找出最优的候选作为跟踪结果。针对基于反稀疏表示跟踪方法没有利用候选目标之间相似性的不足,提出基于组稀疏模型的目标跟踪方法。由于利用粒子滤波方法生成的候选目标之间存在着一定程度的相似性,为了利用候选目标之间的相似性,使用K-means聚类方法对候选目标根据相似性进行聚类,并将聚类后得到的具有组结构的候选目标作为字典来表示目标模板。最后通过求解组稀疏系数,并从组结构的候选目标中选择最相似的一组或多组候选目标,进而选出最相似的候选目标作为跟踪结果。(本文来源于《兰州理工大学》期刊2018-06-03）
邱煜[8]（2017）在《面向上下文的Android应用行为分析与表示技术研究》一文中研究指出Android系统使用权限模型对系统敏感资源的访问进行保护,每一个应用均需显式声明其所使用的权限,并在申请访问权限保护方法时询问用户是否授予该权限。然而,由于Android权限模型粒度较粗,无法控制权限保护方法在不同应用上下文中的行为,致使恶意行为可以隐藏于应用的合法功能之后,难以被察觉。另外,Android应用提供的权限描述信息过于宽泛,且无法反映权限及权限保护方法在运行过程中的上下文状态,导致用户无法理解权限的使用方式与行为,盲目的权限授予给用户带来极大的安全风险。本文针对Android权限模型中存在的安全问题,在对应用权限相关的安全敏感行为进行了深入分析,提出了采用面向上下文的Android应用行为分析方法,以获取权限使用行为的上下文信息。进一步地,提出了 Android应用敏感行为运行时监控与表示方法,以期为用户提供运行时权限使用的上下文信息,有助于用户理解待授予权限的使用方式。在上述两种方法的基础上设计实现了一个面向上下文的Android应用行为分析与表示系统,在一定程度上解决了 Android权限机制面临的安全问题。本文主要工作如下:(1)研究Android系统权限机制,通过对Android应用样本中的应用行为进行深入观察与分析,揭示了当前Android权限机制存在的粒度较粗与用户无法理解运行时权限行为等问题,分析了其对Android应用的安全威胁,提出了面向安全敏感行为上下文来实现Android应用行为分析与表示的基本思想。(2)提出了一种面向上下文的Android应用行为分析方法。对Android系统敏感资源的访问通常是通过权限保护系统方法来实现,获取安全敏感行为的上下文信息即可理解其对应权限的使用行为。因而,本文从权限保护系统方法出发,结合组件建模分析与程序依赖分析等技术,采用导向型逆向符号执行分析方法,生成能准确刻画权限使用行为的完整上下文信息,并在此基础上实现了用户可理解的权限使用行为描述。(3)提出了一种Android应用敏感行为运行时监控与表示方法。Android应用运行时会对安全敏感行为中的系统方法调用进行权限检查,对Android应用敏感行为进行运行时监控,可以在权限检查点赋予用户根据权限使用行为来决定是否授予权限的能力。通过向用户显示运行时行为描述信息,使其能够在充分理解权限行为的基础上进行决策,从而提高了 Android权限机制的安全性。(4)设计实现了一个面向上下文的Android应用行为分析与表示系统。基于上述方法,系统增强了 Android权限机制的安全性。实验结果表明,系统可以为用户的权限授予过程提供决策支持,并有效实现面向上下文的细粒度权限访问控制功能。(本文来源于《南京理工大学》期刊2017-12-01）
胡瑗,王阳[9]（2017）在《基于上下文和稀疏表示的异常行为识别》一文中研究指出提出了一种基于上下文和稀疏编码框架的无监督异常行为识别方法。首先对图像进行稠密采样,获得稠密轨迹,并提取轨迹中心周围图像块的形状特征、R–HOG、HOF特征作为特征描述符,加强了对运动信息的描述。其次,将人体行为区域和上下文区域分割开来建立2个独立字典。再将它们组成联合字典最大化字典信息,避免了单独识别人体异常行为而忽略上下文信息所导致的漏报。最后,利用稀疏重构的方法进行异常检测,分别计算测试样本中上下文区域和行为区域的重构误差,相对重构误差为负表示为正常行为,否则判断为异常行为。在KTH行为数据集上进行对比实验,实验结果表明本文算法在不同背景下均能有效识别异常行为。(本文来源于《湖南文理学院学报(自然科学版)》期刊2017年02期）
刘昭[10]（2016）在《基于稀疏表示和时空上下文的目标跟踪方法研究》一文中研究指出在计算机视觉的研究范畴中,视频运动目标跟踪技术是视频内容分析的关键技术,受到广泛关注。在运动分析、模式识别、视频监控、人机交互和交通管理等视觉任务中扮演着重要的角色,并能为更高级的视频处理提供基础信息。在科技领域中,视频目标跟踪技术得到了普遍的应用。贝叶斯方法在系统状态估计中有很好的应用效果,因此,很多目标跟踪算法都是以贝叶斯跟踪框架为基础,构造观测模型和运动模型来完成跟踪任务。利用自适应外观模型能够提高跟踪算法的稳定性和准确性。按照构造方式的不同,外观模型可分为生成模型和判别模型。在贝叶斯跟踪框架中,结合判别模型和生成模型的特点完成跟踪任务,提出一种基于超像素和局部稀疏表示的目标跟踪方法。对训练帧图像进行超像素分割,并通过聚类方法构造基于超像素的判别型外观模型;在第一帧图像中,计算目标模板的稀疏性直方图,构造生成型外观模型。在跟踪阶段,计算基于超像素的置信图,采样候选样本,并计算候选样本的置信值;从样本采集局部图块,计算每个样本所有图块的稀疏表示系数,得到样本的稀疏性直方图,并计算样本直方图与模板直方图的相似度。根据置信值和相似度,计算观测模型,结合观测模型和运动模型,计算候选样本后验估计值,确定目标跟踪结果。为提高外观模型的自适应性,对两种外观模型都保持在线独立更新。利用判别型外观模型可以将目标对象从背景中区分开来,而生成型外观模型包含目标空间信息,可以用来处理跟踪过程中的遮挡问题。仿真实验表明,目标发生外观变化时,算法能得到较好的跟踪结果。利用时空上下文信息进行跟踪,扩展了跟踪任务中可利用的资源。当目标由于遮挡、姿态变化等原因引起外观产生剧烈变化时,仍然可以利用时空上下文信息对目标定位。提出一种改进的时空上下文跟踪算法,首先利用反卷积方法对目标及其周围局部背景区域学习空间上下文模型,然后将获得的空间上下文模型用于在新的一帧中更新时空上下文模型。在学习时空上下文的过程中引入视觉显着性特征,以显着性特征作为目标及局部上下文区域的特征描述,降低局部上下文区域的整体图像复杂度,提高目标检测的准确性。提取目标的显着性特征,并利用粒子滤波以粒子和目标的显着性直方图匹配,对跟踪结果进行预测和修正。(本文来源于《湘潭大学》期刊2016-05-15）
上下文表示论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着社会信息化高速发展,每天都会有包含丰富的知识和信息的大量文本数据产生。使用计算机和自然语言处理技术进行自动的语言分析和文本处理,推动着人类生产生活的高速发展。然而,要进行自然语言处理就必须将语言的基本成分转化为计算机可以识别的数学表示。上下文相关的词表示方法的提出解决了传统预训练静态词向量表示无法解决的“一词多义”问题,能够刻画词语在不同语境下的表义变化和其中复杂的语法、语义信息。与传统预训练词向量的方法不同,上下文相关词表示方法的预训练结果为句子语义表示模型,并在应用于下游任务时使用预训练模型参数对样本句的各个词语进行深度语义融合。使句法分析、语义角色标注、自动问答、文本蕴含、阅读理解等多种任务效果得到了显着的提升。中文分词是中文信息处理重要的基础任务,前人的方法基本都基于词向量表示进行建模,难以克服上述诸多弊端。本文从中文分词问题出发,利用上下文相关词表示的预训练模型构造了分词模型,并在多个中文分词数据集中进行了实验。得益于上下文词表示预训练模型深度语义融合带来的强大泛化性,我们的模型相较传统模型在分词性能上得到了显着地提升。模型领域迁移问题也是我们的研究的重点,由于自然语言的领域歧义性特点,通用语料训练的模型在专业领域上存在性能严重下降的问题。而专业领域数据往往难以获得。如果可以将通用领域知识或模型更好的迁移至专业领域应用,便能够解决以上问题。我们对上下文相关表示构建的分词模型进行了领域迁移实验,并在不同迁移数据集规模上与传统分词模型进行了详细的对比。结果表明,基于深层上下文表示的分词模型在跨领域泛化能力、迁移能力上都远高于传统模型,并且能够在数据量更少的情况下更稳定地进行高效迁移。这种深度上下文表示模型是基于无标注语料构造的,难以与其它有效特征进行深度融合,简单的隐层拼接往往无法带来很好的效果。而且,由于其模型构造复杂,存在内存和计算资源占用过多,预测速度慢等问题。本文使用多任务学习来解决这一问题。一方面,我们使用多任务联合学习对上下文相关表示模型增加特征知识,这使得特征知识相互迁移融合,相比独立训练与简单特征拼接模型达到了更优秀的性能;另一方面,多任务模型由于共享了表示模型和隐层计算,从而大大加快了多任务文本分析效率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
上下文表示论文参考文献
[1].熊盛武,陈振东,段鹏飞,刘晓赟.基于可信向量的知识图谱上下文感知表示学习[J].武汉大学学报(理学版).2019
[2].刘洋.上下文相关的词表示及其领域迁移研究[D].哈尔滨工业大学.2019
[3].脱婷,马慧芳,魏家辉,刘海姣.基于语义特征空间上下文的短文本表示学习[J].计算机工程与科学.2019
[4].高成亮.基于LSTM的文本上下文依赖特征的表示方法研究[D].河北科技大学.2018
[5].陈科海.机器翻译上下文表示方法研究[D].哈尔滨工业大学.2018
[6].石珺.引入叁元组上下文与文本的知识图谱表示学习方法研究[D].东南大学.2018
[7].赵俊齐.基于稀疏表示和时空上下文的目标跟踪算法研究[D].兰州理工大学.2018
[8].邱煜.面向上下文的Android应用行为分析与表示技术研究[D].南京理工大学.2017
[9].胡瑗,王阳.基于上下文和稀疏表示的异常行为识别[J].湖南文理学院学报(自然科学版).2017
[10].刘昭.基于稀疏表示和时空上下文的目标跟踪方法研究[D].湘潭大学.2016