English
邮箱
联系我们
网站地图
邮箱
旧版回顾



01w66.net:美菜网创始团队两赴凉山,到底要干什

文章来源:01w66.net    发布时间:2018年07月19日 06:24  【字号:      】

01w66.net南国都市报5月10日讯(记者 胡诚勇)10日上午,在海口长彤路与南海大道西往东交界处,一间简易房突然着火,途经此处的一辆环卫洒水车“秒变”消防车,将火情及时控制。

据了解,10日上午9点左右,长彤路与南海大道西往东交界处,海口玉禾田环卫公司长流片区员工郑坤正在用环卫洒水车清洗路面,他突然看见,附近一间简易房房顶在冒火,火势迅速蔓延,如不及时采取措施,有可能造成大面积火灾。郑坤当机立断,把环卫洒水车开到事故现场并了解情况。据居住在附近的施工人员介绍,这间简易房内存放有一些柴油,此次火情可能跟存放的这些柴油有关。

了解情况后,郑坤第一时间爬上洒水车,拿起水枪,打开阀门,对准着火的屋顶喷水。期间,由于着火区域较大,其不断调整水枪方向。经过15分钟的扑救,火情得以控制。随后,消防官兵也赶到现场,当看到火势已经得到控制,他们对郑坤反应迅速、处理果断的行为表示称赞。

记者随后通过小区物业公司了解到,物业公司称这些廊亭为景观建筑,保修期为五年,物业没有修复义务,维修费应由业主自行承担。由于此前物业和业主协商未达成一致,小区业委会已起诉小区开发商和物业公司,双方正通过法律途径解决该问题。(南国都市报记者 石祖波)

投档成绩达到招生院校相应批次(本科A批)录取最低控制分数线的文史、理工、艺术类和体育类考生,既可以在6月27日填报本科提前批志愿,也可以在其它批次志愿填报规定的时间填报有关院校的志愿,考生若被所填报的本科提前批院校录取,则在其它各批次填报院校志愿不再作为投档依据。限制报考本科A批的考生,不能填报在本科提前批中属本科A批的学校志愿,只能填报本科提前批中属本科B批和专科提前批招生的学校志愿。仅符合报考本省高职专科学校的考生,不能报考在本科各批次招生的学校和省外高职专科学校的志愿。

本科提前批实行梯度志愿录取 设6个学校专业志愿

本科提前批文史类、理工类、体育类学校,实行梯度志愿的投档录取模式,设6个有先后顺序的学校志愿,每所学校设6个专业志愿和专业服从调剂志愿;须面试的专科批实行梯度志愿的投档录取模式,设3个有先后顺序的学校志愿,每所学校设6个专业志愿和专业服从调剂志愿;国家专项计划实行平行志愿的投档录取模式,设6个学校志愿,每所学校设6个专业志愿和专业服从调剂志愿。

前沿|通用句子语义编码器,谷歌在语义文本相似性上的探索

近年来,基于神经网络的自然语言理解研究取得了快速发展(尤其是学习语义文本表示),这些深度方法给人们带来了全新的应用,且还可以帮助提高各种小数据集自然语言任务的性能。本文讨论了两篇关于谷歌语义表示最新进展的论文,以及两种可在 TensorFlow Hub 上下载的新模型。

语义文本相似度

在「Learning Semantic Textual Similarity from Conversations」这篇论文中,我们引入一种新的方式来学习语义文本相似的句子表示。直观的说,如果句子的回答分布相似,则它们在语义上是相似的。例如,「你多大了?」以及「你的年龄是多少?」都是关于年龄的问题,可以通过类似的回答,例如「我 20 岁」来回答。相比之下,虽然「你好吗?」和「你多大了?」包含的单词几乎相同,但它们的含义却大相径庭,所以对应的回答也相去甚远。

南国都市报7月7日讯(记者 王洪旭)7日,由国家卫生计生委离退局主办,海南省卫生计生委、东南大学公共卫生学院、洋浦经济开发区管委会承办的“微医大爱、至善洋浦”公益项目正式启动。支教的志愿者主要是来自东南大学附属中大医的5位医生和东南大学的10名医学生。针对小学生开展阅读、国学、地理等兴趣课程,同时举办绘画比赛、歌唱比赛等,进行家访调查制定精准帮扶方案。根据当地健康状况,进行区域化因地制宜的健康扶贫。一个关键问题是,词嵌入是在单语数据上训练的,不是针对翻译任务所进行的优化。微软研究者向查询匹配机制添加了一个可训练的变换矩阵(见图 4 左上角的 A),其主要目的是针对翻译任务调整相似度得分。如图 5 所示,从单语嵌入的角度来看,「autumn」、「fall」、「spring」、「toamn」(罗马尼亚语中的秋天)等词非常相似,而对于翻译任务来说,「spring」应该不那么相似。变换矩阵实现了这个目标。

微软提出新型通用神经机器翻译方法,挑战低资源语言翻译问题

图 5: 针对翻译任务调整相似度得分。

当我们朝着通用嵌入表征的目标前进时,编码器具备语言敏感模块是至关重要的,这将有助于对不同的语言结构进行建模。微软的解决方案是用语言专家混合(MoLE)模块给句子级通用编码器进行建模。图 4 在编码器的最后一层之后增加了 MoLE 模块。用门控网络和一组专家网络来调整每个专家的权重。换句话说,训练该模型来学习在翻译低资源语言时从每种语言需要的信息量。MoLE 模块的输出将是这些专家的加权和。

NMT 模型学会了在不同的情况下使用不同的语言。在图 6 中,正方形的颜色越深,任意给定词条的罗马尼亚语和其他语言之间的关联性就越大。很明显,MoLE 在处理低资源语言单词时,在语言专家之间进行了有效的转换。在图的上半部分,该系统更多地利用了希腊语和捷克语的知识,从德语中利用的知识较少,几乎没有利用芬兰语知识。而在图的下半部分,意大利语是相关性更强的语言,被使用得更多。有趣的是,该系统学习到,意大利语和捷克语在翻译罗马尼亚语时都是有用的,前者和罗马尼亚语同属于罗曼语族,而后者不属于罗曼语族,但由于地理上的接近,它和罗马尼亚语有显著的重叠,因而在翻译罗马尼亚语时利用度很高。

图 6:MoLE。




(责任编辑:术媛媛)

附件:

专题推荐

相关新闻


© 1996 - 2017 中国科学院 版权所有 京ICP备05002857号  京公网安备110402500047号 

网站地图    地址:北京市三里河路52号 邮编:100864