### 南邮自然语言处理实验三知识点解析 #### 一、实验概述 南京邮电大学的这份实验报告针对的是自然语言处理（NLP）领域的三项基本任务：词性标注（Part-of-Speech Tagging, POS）、命名实体识别（Named Entity Recognition, NER）以及信息抽取（Information Extraction）。这些技术在文本挖掘、机器翻译、问答系统等领域有着广泛的应用。 #### 二、实验目的 1. **词性标注**：掌握如何对文本中的词语进行词性标注。 2. **命名实体识别**：学会识别文本中的特定实体，如人名、地名等。 3. **信息抽取**：理解如何从非结构化或半结构化的文本中提取结构化信息。 #### 三、实验环境 - **硬件**: 微型计算机 - **软件**: Windows操作系统、Python3.7或3.8 #### 四、实验原理与内容 本节将详细介绍实验中涉及到的主要知识点。 ##### 1. 词性标注 词性标注是自然语言处理中的基础任务之一，其目标是对句子中的每个词赋予一个表示其语法功能的标记。 - **基于隐马模型的词性标注** - **隐马尔可夫模型**（Hidden Markov Model, HMM）是一种统计模型，常用于序列标注问题，如语音识别、手写识别、生物信息学中的序列分析等。 - 在词性标注中，HMM假设当前词的词性仅依赖于前一个词的词性，这被称为一阶HMM；而二阶HMM则考虑前两个词的词性。 - **代码示例**： ```python from pyhanlp import * from test07 import ensure_data HMMPOSTagger = JClass('com.hankcs.hanlp.model.hmm.HMMPOSTagger') AbstractLexicalAnalyzer = JClass('com.hankcs.hanlp.tokenizer.lexical.AbstractLexicalAnalyzer') PerceptronSegmenter = JClass('com.hankcs.hanlp.model.perceptron.PerceptronSegmenter') FirstOrderHiddenMarkovModel = JClass('com.hankcs.hanlp.model.hmm.FirstOrderHiddenMarkovModel') SecondOrderHiddenMarkovModel = JClass('com.hankcs.hanlp.model.hmm.SecondOrderHiddenMarkovModel') def train_hmm_pos(corpus, model): tagger = HMMPOSTagger(model) # 创建词性标注器 tagger.train(corpus) # 训练 analyzer = AbstractLexicalAnalyzer(PerceptronSegmenter(), tagger) # 构造词法分析器 text = "新华社北京 5 月 29 日电（记者严赋憬、杨淑君）记者从国家林草局获悉，在有关部门和京沪两地各方的高度重视和共同努力下，大熊猫“丫丫”顺利通过隔离检疫，乘坐包机平安抵达北京，于 5 月 29 日 0 时 43 分回到北京动物园大熊猫馆。目前，“丫丫”健康状况稳定。" print(analyzer.analyze(text)) # 分词+词性标注 return tagger ``` **结果**：新华/nt 社/v 北京/v 5 月/v 29 日/v 电/v （/v 记者/v 严赋憬/v 、/v 杨淑君/v ）/v 记者/v 从/v 国家/v 林草局/v 获悉/v ，/v 在/v 有关/v 部门/v 和/v 京/v 沪/v 两地/v 各方/v 的/v 高度重视/ - **分析解读**： - `nt` 表示地名； - `v` 表示动词； - 其他标记根据上下文可以推断出来。 ##### 2. 命名实体识别 命名实体识别旨在从文本中识别出具有特定意义的实体，如人名、地名、组织机构名等，并将其分类。 - **命名实体的类别**： - 人名（Person） - 地名（Location） - 组织机构名（Organization） - **技术实现**： - 使用训练好的模型对文本进行识别。 - **应用场景**： - 新闻报道分析 - 社交媒体监控 - 情感分析 ##### 3. 信息抽取 信息抽取是从文本中自动抽取结构化信息的过程，它可以帮助我们快速了解文本的关键信息。 - **信息抽取的步骤**： 1. 文本预处理：分词、词性标注、命名实体识别等。 2. 特征提取：基于规则的方法、基于机器学习的方法等。 3. 关系抽取：识别实体之间的关系。 - **应用场景**： - 数据库填充 - 自动问答系统 - 事件检测 #### 五、总结 本次实验通过实际操作加深了学生对词性标注、命名实体识别以及信息抽取这三个NLP领域关键技术的理解。通过使用Python编程语言和相关的NLP工具库，学生不仅掌握了理论知识，还提高了实践能力。这些技能对于从事自然语言处理研究和开发的人员来说至关重要。

介绍了Alpha稳定分布和其分数低阶矩(FLOM),设计了一种用于2-D波达方向(DOA)估计的阵列配置,并基于相 控分数低阶矩(PFLOM)提出了2-DDOA算法。由接收信号的PFLOM协方差矩阵得到有用信号的PFLOM协方差矩阵,对其进行特征值分解,并利用最小二乘或总体最小二乘方法就可得到DOA。最后,比较了基于传统协方差、符号协方差、FLOM和PFLOM的旋转不变技术估计信号参数算法。仿真结果表明,该算法具有鲁棒性和较小的角度估计偏差及均方误差。

基于沥青混合料Burgers模型的黏弹性理论，通过动态蠕变试验进行AC-20黏弹性分析，得到不同温度及应力下的混合料变形特征曲线及Burgers模型4个参数的变化规律结果表明：在同一温度下，随应力水平增加，永久变形随之增大，稳定期永久应变发展速率增大且破坏期提前到来，Burgers模型参数中E1、E2增大，η1．、η2减小；在同一应力水平下，永久变形会随温度升高而增大，同时E1、E2减小，η1、η2增大．因此应力及温度对沥青混合料黏性及弹性影响程度不同，随着应力增加，弹性增强而黏性降低；随温度升高，则弹性

空隙是沥青混合料细观结构特性的重要组成部分，水和空气存在于其中时会造成混合料的水损害与老化，另外空隙也是混合料结构中的薄弱点与缺陷，与混合料的受力特性与破坏过程紧密相关.该文利用离散元工具生成了具有级配特征的沥青混合料颗粒流模型，移植借鉴离散元流固耦合分析的方法来计算混合料中各空隙的位置与体积等参数，得到了混合料中的空隙分布特性，并与实际混合料试件上使用 CT扫描与图像分析得到的结果进行了对比，证明了论文所用分析方法的有效性.

内容概要：本文详述了使用 DeepSeek R1 Distill 实现大模型微调入门的实际操作。主要内容涵盖如何利用 unsloth 工具快速加载和设置 DeepSeek R1 模型（包括 LLaMA 和 Qwen），并对模型进行了医学问题回答的实验，指出了初步效果欠佳的现象。接着，采用一种最小可行性实验方法对模型进行小规模微调以改善问答质量，具体展示了从数据集准备、模型设置、训练启动到初步验证的全过程。最后扩展到了全量数据的大规模微调，提升了医学专业问答的效果，实现了更为精确的答案输出。 适合人群：从事深度学习研究和技术人员，特别是对大规模语言模型及其医学应用场景感兴趣的科研人员及工程师。 使用场景及目标：本教程适合希望通过快速入门和动手实践深入了解大模型在医学领域的问答系统建设的专业人士。通过此项目的学习，读者可以掌握如何有效地使用 unsloth 对现有大模型进行特定领域内的精细调整，并优化其性能。 其他说明：为了更好地理解和复现实验过程，文中不仅提供了必要的代码片段，还给出了详细的配置细节。此外，在实验过程中涉及的关键参数选择也有较为深入的介绍。

ChatGPT 技术的自然语言生成与理解研究 ChatGPT 技术的自然语言生成与理解研究是人工智能领域中的两个重要子领域。它们的研究目标是使计算机能够像人类一样理解和生成自然语言，进而与人类进行交流和沟通。近年来，随着深度学习技术的快速发展，ChatGPT 技术在自然语言生成与理解方面取得了重要突破。 在自然语言生成方面，ChatGPT 技术能够根据输入的上下文和语义信息，生成连贯、准确的回答。通过预训练的方式，它学习了大量真实对话数据，能够根据对话历史产生有逻辑的回复。与以往的生成模型相比，ChatGPT 具备更强的上下文理解能力和语境感知能力，能够更好地模拟人类的表达和思维方式。这让它在对话系统中的应用更加自然、流畅。 在自然语言理解方面，ChatGPT 技术可以通过模式匹配和语义分析，准确地理解人类的语言输入。它能够识别语句中的实体、情感、动作等信息，并根据这些信息做出相应的回应。这为智能客服、信息检索等场景提供了更好的解决方案。 然而，尽管 ChatGPT 技术取得了一定的成功，它仍然面临一些挑战。ChatGPT 技术往往在多回合的对话中容易出现语义歧义和回复不准确的问题。这是因为模型只能在有限的上下文范围内进行推理，导致对话的语境理解和推断能力受限。ChatGPT 技术对于文本的敏感性较强，在遇到包含误导信息或口语化表达的文本时，容易产生错误的回复。 为解决这些挑战，可以通过引入更多的预训练数据和多模态信息，提高对话系统的上下文理解和语言生成能力。此外，可以结合强化学习等方法，对 ChatGPT 进行后序微调，以提高其在特定任务上的表现和可控性。 此外，ChatGPT 技术的应用领域也可以进一步拓展。例如，它可以用于情感分析、内容摘要、写作辅助等方面。通过结合自然语言生成和理解技术，我们可以开发出更加智能化、个性化的人机对话系统，进一步提升人工智能在交流和沟通方面的能力。 ChatGPT 技术的自然语言生成与理解研究对于人工智能领域的发展具有重要意义。它不仅为对话系统、翻译系统等应用提供了新的思路和解决方案，也为我们对人类语言本质的研究提供了新的视角。 ChatGPT 技术的应用前景非常广阔。例如，在客服领域，ChatGPT 技术可以用于智能客服系统，提供更加智能化的客服服务。在翻译领域，ChatGPT 技术可以用于机器翻译，提高翻译的准确性和流畅性。在写作领域，ChatGPT 技术可以用于写作辅助，帮助用户快速生成高质量的文章和报告。 此外，ChatGPT 技术还可以应用于情感分析、内容摘要、对话管理等领域。例如，在情感分析领域，ChatGPT 技术可以用于分析用户的情感倾向，提高客服系统的回应准确性。在内容摘要领域，ChatGPT 技术可以用于自动生成摘要，帮助用户快速了解文章的主要内容。 ChatGPT 技术的自然语言生成与理解研究对于人工智能领域的发展具有重要意义。它不仅可以提高对话系统、翻译系统等应用的智能化和流畅性，也可以为我们对人类语言本质的研究提供新的视角。随着技术的不断进步和创新，我们有理由期待 ChatGPT 技术在实际应用中发挥更大的价值。

涉及分类模型：朴素贝叶斯/支持向量机/随机森林/KNN 结合文章《L4 垃圾邮件数据集分类延申 - NB/KNN/SVC/随机森林》使用更佳

研究了具有有限时滞的Lotka-Volterra捕食方程的解的性态，以时滞τ为参数，利用解析方法分析了方程平衡点的稳定性，得到在平衡点处产生稳定性和Hopf分支的充分条件及平衡点稳定性的存在范围.所得结果是对已有结论的改进和推广.

Lotka-Volterra合作系统是由美国数学家Alfred J. Lotka和意大利生物学家Vito Volterra提出的，用于描述捕食者和被捕食者之间的关系的数学模型。该模型一般被应用于生态学领域，用于模拟不同种群间的相互作用关系，比如竞争、捕食、共生等。Lotka-Volterra模型有多种形式，其中的合作系统（cooperative system）指的是相互之间存在正面影响、能够共同促进对方种群增长的两种群系统。 在现实的生态模型中，种群的发展往往受到历史状态的影响，因此引入时滞（delay）的概念来反映种群间相互作用的滞后效应是必要的。时滞可以表现为种群密度对过去状态的依赖，导致系统的动态行为变得更加复杂。 离散时滞Lotka-Volterra合作系统的研究中，研究人员通过构造适当的Lyapunov泛函，这是一种数学工具，可以用来研究动态系统平衡点的稳定性。通过Lyapunov泛函的构造，研究者能够得到一组充分性条件，用以保证正平衡点的全局吸引性，即在一定条件下，系统最终会趋向并保持在某个正平衡点附近。 文章中提到的正平衡点是指系统参数对应的稳定状态，在此状态下，种群数量不再随时间变化。对于Lotka-Volterra合作系统而言，存在唯一全局吸引的正平衡点意味着无论系统从何种初始状态开始演化，最终都会趋向于这个平衡点，并围绕它进行微小的波动。 文中还提到了一些关键条件，如b1b2>c1c2和(C1)、(C2)这样的条件，它们是判断系统稳定性的重要数学约束。这些条件通常涉及种群的自然增长率（如a1、a2）以及相互作用系数（如a11、a12、a21、a22），以及时滞项τij。这些参数的特定关系能够保证系统的稳定性。 补充和完善已有结果，意味着作者不仅提出了新的稳定性分析方法，还可能对已有的理论进行了拓展和深化。陈晓英和韩荣玉的研究成果可能是对已有稳定性理论的延展，增强了理论在实际应用中的鲁棒性。 关键词中的“合作系统”、“种群”、“时滞”、“全局吸引性”，均是生物数学研究中不可或缺的概念。合作系统强调种群间的正面相互作用；种群指的是生物分类的基本单位；时滞是指系统中某些影响因素对系统当前状态产生作用存在时间差；全局吸引性指的是系统在所有可能的初始状态下最终都趋向于某个特定的状态。 生态数学模型和系统动力学的研究往往需要结合生物学知识和复杂的数学分析，来模拟和预测种群之间的动态变化。这些研究对理解生态系统的稳定性与变化，以及制定保护策略具有重要意义。由于现实世界的生态系统往往非常复杂，因而构建准确且实用的数学模型，对于生态学、资源管理和环境科学等领域的研究而言，是极具挑战性和实用价值的课题。

来源：复旦大学计算机信息与技术系国际数据库中心自然语言处理小组；由复旦大学李荣陆提供；test_corpus.rar为测试语料，train_corpus.rar为训练语料，传的时候没注意（传错了也不知道咋删），完整版我重新另外上传了