Mô hình công cụ phân tích ngữ nghĩa theo Abstract Meaning Representation (AMR)
Luận văn · Thạc sĩ · năm 2017 · đề tài tham khảo
| Loại tài liệu | Luận văn |
|---|---|
| Bậc học | Thạc sĩ |
| Ngành | Công nghệ thông tin |
| Tác giả | Nguyễn Đăng Khoa |
| Người hướng dẫn | Nguyễn Tuấn Đăng |
| Cơ sở đào tạo | Đại học Quốc gia TP. Hồ Chí Minh |
| Năm | 2017 |
| Nguồn | Thư viện số Đại học Quốc gia TP. Hồ Chí Minh · trang gốc |
Tóm tắt
Luận văn vào bao gồm 6 chương chính, trong đó: • Chương 1 sẽ nêu một cách tổng quan tình hình nghiên cứu về AMR Parsing trên thế giới, đề ra một số vấn đề còn tồn tại. • Chương 2 sẽ tập trung giới thiệu về CAMR và các thành phần của nó để làm cơ sở cho các cải tiến được trình bày trong các chương sau đó. • Chương 3 sẽ tập trung giới thiệu các cải tiến được thực hiện trong nhân của CAMR. • Chương 4 sẽ tập trung trình bày về hai lớp hiệu chỉnh cho CAMR, giúp CAMR xử lý tốt hơn các câu trong bộ ngữ liệu sinh học. • Chương 5 trình bày về quy trình thử nghiệm và tham gia vào Subtask Parsing của Task 9 tại SemEval-2017. • Chương 6 nêu ra những kết luận và phương hướng nghiên cứu sắp tới.
Bản toàn văn lưu tại thư viện Đại học Quốc gia TP. Hồ Chí Minh
Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.
Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
- Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
- Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
- Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.
Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.
Đề tài cùng ngành
- Đánh giá tác động của tỷ lệ phân lớp dữ liệu đến hiệu quả phát hiện xâm nhập sử dụng học máy kết hợp mô hình tạo sinh
- Ứng dụng eBPF và mật mã học vào lưu trữ tệp tin bí mật
- Phân tích dự báo dữ liệu chất lượng nước trong nuôi trồng thủy sản
- Cải tiến khả năng dự đoán của mô hình Baysian Knowledge Tracing (BKT)
- Tăng cường khả năng phát hiện tấn công bằng mạng sinh đối kháng trong mạng khả lập trình
- Quản lý và chia sẻ nội dung số phi tập trung
- Ứng dụng xử lý chuỗi ảnh CT chẩn đoán ung thư phổi bằng mô hình học sâu và đưa ra phân tích kết quả bằng mô hình ngôn ngữ lớn
- Đánh giá tính bền vững của các ứng dụng tường lửa web dựa trên học sâu
Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.