A Computational Approach to the Classification of Chinese Syntactic Structures Using a Large-Scale Corpus
Notice bibliographique
Résumé
Syntactic analysis is a basic work in the field of natural language processing, which explores the syntactic structures and their interaction relations in sentences.This paper first describes the basic approach of syntactic analysis, and explores the computational method of Chinese syntactic structure classification from large-scale corpus construction.Then, a grid-based large-scale corpus construction and distribution model is constructed.And the word embedding model BERT is used as the pre-trained language model, and the captured semantic features are input into the Bi-LSTM model to extract the contextual bidirectional sequence information, and the results of Chinese syntactic structure classification are obtained by the Conditional Random Field (CRF) processing.Through manual proofreading as well as the calculation of confidence level, the average correct rate of syntactic structure classification of the final Chinese canonical corpus is increased from 94.21% to 99.06%, which is an improvement of 4.85%.The syntactic structure classification accuracy of the BERT-Bi-LSTM-CRF1 and BERT-Bi-LSTM-CRF2 models with "complement structure" and "object structure" were higher than those of the BERT model, the Bi-LSTM-CRF model and the BERT-Bi-LSTM-CRF3 model with all syntactic structures.Meanwhile, the accuracy of the syntactic structure annotation method of BERT-Bi-LSTM-CRF model + manual differs from that of manual annotation by only 0.66%, and the average time spent is reduced by 37.04%, which reduces the workload of the annotators and improves the efficiency of the annotation, which verifies the validity and practicability of this paper's model in automatic classification of Chinese syntactic structures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».