智能合约复杂运算跨语言实现方法

这是一篇关于智能合约,公开可验证计算,跨语言,区块链的论文, 主要内容为随着以数字资产和智能合约为特征的区块链应用的发展,智能合约应用的开发正迅速增长,拓宽了智能合约和区块链的应用领域。但基于EVM(Ethereum Virtual Machine)的传统智能合约语言存在着Gas开销限制、可读性差和严格的语法限制等问题。而目前传统智能合约语言需要迫切解决的问题是其语言难以完成复杂计算任务。因此,区块链平台尝试通过开发多语言SDK接口,以满足智能合约开发者开发复杂智能合约的需求。然而链下执行计算任务也意味着脱离了EVM的原生异常触发机制的保护,这便引入了新的安全问题,需要进一步确保用户计算结果的正确性和隐私性。针对以上问题,本文首先提出了一种智能合约复杂运算的跨语言方案系统模型,以解决智能合约无法实现复杂运算的问题。针对在计算机领域中广泛应用的矩阵乘法和多项式计算,利用双线性配对的性质,提出了两种能应用于跨语言方案的公开可验证计算方案,具体工作内容如下:1)设计实现一种跨语言智能合约系统模型,使用区块链平台的SDK接口层建立跨语言程序与智能合约之间的连接,让其他语言和SDK接口层合作完成计算任务,智能合约负责发送和接收数据,大幅度降低Gas开销,使智能合约完成原本无法完成的复杂计算任务;2)通过设计实现一种矩阵乘法公开可验证计算,结合混淆矩阵算法和本文提出的智能合约跨语言实现方案,完成适用于区块链智能合约场景的矩阵乘法公开可验证计算,保证了当通过其他编程语言代替智能合约完成计算任务时仍可以保证计算结果的正确性和用户数据的隐私性;3)通过设计实现一种多项式计算公开可验证计算,使用多方共享计算结合本文提出的智能合约跨语言实现方案,完成适用于区块链智能合约场景的多项式计算公开可验证计算,保证了当通过其他编程语言代替智能合约完成计算任务时仍可以保证计算结果的正确性和用户数据的隐私性。

面向酒店行业的日文评论情感分类方法研究

这是一篇关于日文酒店评论,情感分类方法,深度学习,BiLSTM,跨语言的论文, 主要内容为借助互联网电商平台,酒店商家可以获取到大量消费者的真实评价信息,同时在全球化影响下,各国间来往日趋频繁,酒店评论文本也出现了语言的多样化趋势。对多种语言上的酒店评论进行情感分类,能够帮助酒店商家更全面地了解消费者需求,科学地进行决策优化。在众多语言中,日文的使用人数较多,在互联网使用语言排名中,日文更是位居前列,因此日文文本情感分类研究是具有价值与意义的,但目前对这一课题的研究尚不充足,且存在日文训练数据匮乏的问题。基于这一现状,本文基于日文酒店评论领域,利用深度学习技术,从传统文本情感分类和跨语言文本情感分类两个角度出发,深入开展日文文本情感分类方法研究,以实现更加准确的自动化情感分类,研究工作主要包括以下两个方面:(1)为了提高深度学习模型在日文酒店评论领域下的文本情感分类性能,本文结合日文酒店评论数据在表达上的特点,通过构建规则抽取得到日文语言特征,并分别将这些特征与双向长短期记忆网络模型融合,在此基础上结合最大池化和对抗训练的方法,进一步加强模型捕获深度特征的能力,同时也有效缓解模型的过拟合现象。研究采用Bert预训练模型获得高质量的文本向量化表示。实验结果证明本文提出的方法较传统BiLSTM模型在分类性能上有所提升。(2)针对日文训练数据匮乏的问题,本文引入一种无监督跨语言文本情感分类模型,将其应用于日文酒店评论文本情感分类任务。基于该模型进一步分析训练数据规模对情感分类结果的影响,此外在中日、英日语言对上探究源语言-目标语言间语言距离对模型情感分类性能的影响。实验结果证明该模型在以日文为目标语言的跨语言酒店评论文本情感分类任务上具有可用性与有效性。

基于深度学习的实体关系抽取模型研究

这是一篇关于实体关系抽取,单语言,跨语言,GAN,深度学习的论文, 主要内容为随着现代信息技术的发展,“大数据”时代已经到来,人类社会产生的数据量日益增长,如何快速高效地从这些非结构化的文本数据中抽取有效信息,是人们当前面临的重要问题。实体关系抽取是文本挖掘和信息抽取的核心任务,它主要通过对文本信息建模,自动抽取出句子中实体对之间的语义关系,提取出有效的语义知识,被广泛应用于机器翻译、自动问答、文本摘要、语义网标注以及知识图谱构建等任务中。过去大多数关系抽取模型主要关注在单语言数据中(以标注资源丰富的英文文本为主)进行实体关系抽取,建立了多种类型的神经网络关系抽取模型,并主要在英文中取得了不错的表现。而对于标注语料相对稀缺的语言(如日语、法语等),由于手工标注数据集获取昂贵且费时、远程监督数据集标注噪音难以排除,因此更难以建立有效的关系抽取模型。针对上述单语言实体关系抽取模型结构类型多样、语料稀缺的语言上实体关系抽取模型难以建立的问题,本文提出两个主要的研究问题:在单语言情境下,研究不同网络结构的编码器和不同方式的选择器在关系抽取实证研究中的效果,并分析模型的内在机理;在跨语言情境下,源语言拥有丰富的标注语料,目标语言的标注语料相对稀缺,利用跨语言的知识在源语言和目标语言之间建立桥梁,获取目标语言的标注语料,建立跨语言的实体关系抽取模型。具体而言,本文的主要工作包括如下两点:(1)单语言情境下的实体关系抽取模型研究,分别探究在英文和中文两种语言上的远程监督关系抽取的表现。单语言实体关系抽取主要由编码器和选择器两部分组成,编码器部分的网络结构包括卷积神经网络(CNN)、分段卷积神经网络(PCNN)、长短期记忆网络(LSTM)和门控循环单元(GRU)四种,选择器部分的选择方式包括注意力机制、最大选择和平均选择三种。在英语远程监督关系抽取数据集NYT、中文远程监督人物关系抽取数据集CCKS2019-IPRE上,探究关系抽取模型中不同编码器和选择器对模型表现的影响。(2)提出一种跨语言对抗关系抽取(Cross-Lingual Adversarial Relation Extraction,CLARE)框架,将跨语言关系抽取分解为平行语料获取和对抗适应关系抽取两个子模块。通过词典扩展或自学习方法将源语言关系抽取数据集转换为目标语言数据集,在此基础上利用对抗特征适应将源语言的特征表示迁移给目标语言,再利用训练得到的目标语言关系抽取网络对目标语言进行关系分类。将本文方法应用到以ACE2005多语言数据集为基础的英语-中文、中文-英文两种跨语言关系抽取任务上,最优模型的F1值分别为0.8801和0.8422。实验结果表明本文提出的跨语言对抗关系抽取CLARE框架能显著提升低资源语言实体关系抽取的效果。研究结果对于改进跨语言情境下的关系抽取模型,促进关系抽取研究在情报学领域的应用具有重要意义。

智能合约复杂运算跨语言实现方法

这是一篇关于智能合约,公开可验证计算,跨语言,区块链的论文, 主要内容为随着以数字资产和智能合约为特征的区块链应用的发展,智能合约应用的开发正迅速增长,拓宽了智能合约和区块链的应用领域。但基于EVM(Ethereum Virtual Machine)的传统智能合约语言存在着Gas开销限制、可读性差和严格的语法限制等问题。而目前传统智能合约语言需要迫切解决的问题是其语言难以完成复杂计算任务。因此,区块链平台尝试通过开发多语言SDK接口,以满足智能合约开发者开发复杂智能合约的需求。然而链下执行计算任务也意味着脱离了EVM的原生异常触发机制的保护,这便引入了新的安全问题,需要进一步确保用户计算结果的正确性和隐私性。针对以上问题,本文首先提出了一种智能合约复杂运算的跨语言方案系统模型,以解决智能合约无法实现复杂运算的问题。针对在计算机领域中广泛应用的矩阵乘法和多项式计算,利用双线性配对的性质,提出了两种能应用于跨语言方案的公开可验证计算方案,具体工作内容如下:1)设计实现一种跨语言智能合约系统模型,使用区块链平台的SDK接口层建立跨语言程序与智能合约之间的连接,让其他语言和SDK接口层合作完成计算任务,智能合约负责发送和接收数据,大幅度降低Gas开销,使智能合约完成原本无法完成的复杂计算任务;2)通过设计实现一种矩阵乘法公开可验证计算,结合混淆矩阵算法和本文提出的智能合约跨语言实现方案,完成适用于区块链智能合约场景的矩阵乘法公开可验证计算,保证了当通过其他编程语言代替智能合约完成计算任务时仍可以保证计算结果的正确性和用户数据的隐私性;3)通过设计实现一种多项式计算公开可验证计算,使用多方共享计算结合本文提出的智能合约跨语言实现方案,完成适用于区块链智能合约场景的多项式计算公开可验证计算,保证了当通过其他编程语言代替智能合约完成计算任务时仍可以保证计算结果的正确性和用户数据的隐私性。

基于知识的义原预测方法研究

这是一篇关于义原预测,Hownet,跨语言,知识图谱的论文, 主要内容为义原是语言学家定义的不可分割的最小语义单位,一个词语的任何含义都可以使用有限封闭的义原集合内的元素组合表示。目前义原资源主要来自知网(Hownet),为两百多万中文和英文词语的标注义原信息,并在自然语言处理研究中得到广泛使用。义原信息主要由手工标注和维护,花费大量人力物力,使得义原资源无法大规模运用和自动更新,同时义原标注信息受限于中文和英文两种语言,制约了义原信息在其他语言任务中的应用,因此,实现义原自动化标注,为其他语言丰富义原信息的任务迫在眉睫。为解决上述两个问题,研究人员提出了义原预测以及跨语言义原预测任务,分别为单语言和多语言环境的词语提供义原信息的自动化标注。现有研究多利用词语的词向量信息、外部百科或词典定义信息实现预测;在跨语言义原预测方面,则通过对齐两种语言后转化成单语言预测任务实现。本文挖掘词语关系,从词语间关系角度重新定义义原预测任务,通过引入中文本土哈工大同义词词林扩展版知识图谱,对词林知识图谱和Hownet知识图谱中的词语关系进行融合形成,构建了全新的知识图谱(CH-Graph),以提供词语间关系信息。围绕CH-Graph对基于知识的义原预测任务展开研究,工作如下:(1)在义原预测方面,受图翻译系列模型启发,重新定义了义原预测任务,将预测任务转换成在知识图谱内求解目标词语对应尾实体问题。并提出了基于知识信息的义原预测模型KGSP模型,利用CH-Graph中关系信息完成义原预测任务。(2)在跨语言义原预测方面,延续现有模型“对齐”和“预测”的模型结构。本文提出了知识增强的跨语言词向量对齐方法,以及三种跨语言义原预测系列方法CKSP-S、CKSP-V、CKSP-D分别在源语言(中文)单侧、目标语言(其他语言)单侧、以及源语言与目标语言两侧融入知识图谱内信息实现基于知识的跨语言义原预测。本文随后在Hownet义原知识图谱中进行了实验,实验结果证明了基于知识图谱关系引导的预测模型,在义原预测任务和跨语言义原预测任务上的有效性和可行性,并针对单模型提出了单语言预测与跨语言预测模型的组合模型,模型组合后增强了现有模型的预测精度,达到研究的预期效果与目标。在文章最后设计了知识图谱检索与义原查询的原型系统,用于展示预测效果,并使用微服务框架对外提供预测算法服务。

基于深度学习的实体关系抽取模型研究

这是一篇关于实体关系抽取,单语言,跨语言,GAN,深度学习的论文, 主要内容为随着现代信息技术的发展,“大数据”时代已经到来,人类社会产生的数据量日益增长,如何快速高效地从这些非结构化的文本数据中抽取有效信息,是人们当前面临的重要问题。实体关系抽取是文本挖掘和信息抽取的核心任务,它主要通过对文本信息建模,自动抽取出句子中实体对之间的语义关系,提取出有效的语义知识,被广泛应用于机器翻译、自动问答、文本摘要、语义网标注以及知识图谱构建等任务中。过去大多数关系抽取模型主要关注在单语言数据中(以标注资源丰富的英文文本为主)进行实体关系抽取,建立了多种类型的神经网络关系抽取模型,并主要在英文中取得了不错的表现。而对于标注语料相对稀缺的语言(如日语、法语等),由于手工标注数据集获取昂贵且费时、远程监督数据集标注噪音难以排除,因此更难以建立有效的关系抽取模型。针对上述单语言实体关系抽取模型结构类型多样、语料稀缺的语言上实体关系抽取模型难以建立的问题,本文提出两个主要的研究问题:在单语言情境下,研究不同网络结构的编码器和不同方式的选择器在关系抽取实证研究中的效果,并分析模型的内在机理;在跨语言情境下,源语言拥有丰富的标注语料,目标语言的标注语料相对稀缺,利用跨语言的知识在源语言和目标语言之间建立桥梁,获取目标语言的标注语料,建立跨语言的实体关系抽取模型。具体而言,本文的主要工作包括如下两点:(1)单语言情境下的实体关系抽取模型研究,分别探究在英文和中文两种语言上的远程监督关系抽取的表现。单语言实体关系抽取主要由编码器和选择器两部分组成,编码器部分的网络结构包括卷积神经网络(CNN)、分段卷积神经网络(PCNN)、长短期记忆网络(LSTM)和门控循环单元(GRU)四种,选择器部分的选择方式包括注意力机制、最大选择和平均选择三种。在英语远程监督关系抽取数据集NYT、中文远程监督人物关系抽取数据集CCKS2019-IPRE上,探究关系抽取模型中不同编码器和选择器对模型表现的影响。(2)提出一种跨语言对抗关系抽取(Cross-Lingual Adversarial Relation Extraction,CLARE)框架,将跨语言关系抽取分解为平行语料获取和对抗适应关系抽取两个子模块。通过词典扩展或自学习方法将源语言关系抽取数据集转换为目标语言数据集,在此基础上利用对抗特征适应将源语言的特征表示迁移给目标语言,再利用训练得到的目标语言关系抽取网络对目标语言进行关系分类。将本文方法应用到以ACE2005多语言数据集为基础的英语-中文、中文-英文两种跨语言关系抽取任务上,最优模型的F1值分别为0.8801和0.8422。实验结果表明本文提出的跨语言对抗关系抽取CLARE框架能显著提升低资源语言实体关系抽取的效果。研究结果对于改进跨语言情境下的关系抽取模型,促进关系抽取研究在情报学领域的应用具有重要意义。

跨语言商品知识图谱的构建与对齐研究

这是一篇关于商品知识图谱,跨语言,多任务学习,图神经网络,实体对齐的论文, 主要内容为随着电子商务在全球市场不断进行开拓,其中商品知识图谱承担了重要的角色,被广泛应用于平台治理、品牌运营、前端导购等核心业务。由于电商领域存在商品类型繁多、属性体系庞大等特性,商品知识图谱与通用知识图谱存在一定的差异。因此,本文主要研究基于商品属性的商品图谱构建,以及不同语言的商品图谱进行对齐与融合。基于属性的商品图谱主要描述了商品的属性及属性值信息。早期的研究工作采用基于规则的方法,由专家设计领域相关的词汇表来提取商品的属性信息,或者将属性值提取任务视为一种特殊的命名实体识别,但都无法应用于属性体系庞大的真实电商环境。因此,本文的第一个研究工作提出基于属性增强的属性值抽取模型,不仅将属性视作标签类型,同时建模其语义信息,从而能够处理上万级别的属性,甚至是模型从未见过的新属性。同时,本文构建了真实的大规模英文商品数据集,并基于此构建了英文商品知识图谱。电商全球化的版图中包含了很多小语种,这些小语种由于使用人数少、商品数量有限等原因,缺乏相应的标注数据来训练有效的属性值抽取模型,难以构建低资源语言商品图谱。因此,本文的第二个研究工作提出对抗多任务学习模型,利用高资源语言丰富的标注数据来帮助低资源语言模型的训练。模型将高资源语言视为辅助任务,低资源语言视为主任务,采用两个独立的神经网络分别捕获语言相关特征,同时引入对抗学习来提取语言无关的特征。本文在三种低资源语言数据集上进行实验,结果表明本文提出的模型能够有效提升低资源语言属性值抽取的性能,消融实验也证明了多任务学习和对抗学习的有效性。由于商品数据的多样性,不同语言的商品图谱既有交集,也有差异。若能将不同语言的图谱进行对齐与整合,就能极大丰富各图谱的商品信息。因此,本文的第三个研究工作提出属性信息强化的实体对齐模型,根据属性和属性值所承载信息量的不同,分别从属性层面和属性值层面进行不同粒度的信息融合,然后利用图神经网络得到每个商品实体的嵌入,从而计算出与之对齐的商品实体。在前两个工作得到的多语言商品图谱上进行实验,结果表明本文模型能够有效建模商品图谱,实体对齐性能优于所有的基准系统。同时,本文进行了消融实验验证了模型结构的合理性与有效性。本文研究了商品知识图谱领域的几个热门话题,包括高资源语言和低资源语言商品图谱的构建,以及不同语言的图谱进行对齐,并在真实的商品数据集上验证了模型的有效性,促进了商品知识图谱的应用与发展。

面向酒店行业的日文评论情感分类方法研究

这是一篇关于日文酒店评论,情感分类方法,深度学习,BiLSTM,跨语言的论文, 主要内容为借助互联网电商平台,酒店商家可以获取到大量消费者的真实评价信息,同时在全球化影响下,各国间来往日趋频繁,酒店评论文本也出现了语言的多样化趋势。对多种语言上的酒店评论进行情感分类,能够帮助酒店商家更全面地了解消费者需求,科学地进行决策优化。在众多语言中,日文的使用人数较多,在互联网使用语言排名中,日文更是位居前列,因此日文文本情感分类研究是具有价值与意义的,但目前对这一课题的研究尚不充足,且存在日文训练数据匮乏的问题。基于这一现状,本文基于日文酒店评论领域,利用深度学习技术,从传统文本情感分类和跨语言文本情感分类两个角度出发,深入开展日文文本情感分类方法研究,以实现更加准确的自动化情感分类,研究工作主要包括以下两个方面:(1)为了提高深度学习模型在日文酒店评论领域下的文本情感分类性能,本文结合日文酒店评论数据在表达上的特点,通过构建规则抽取得到日文语言特征,并分别将这些特征与双向长短期记忆网络模型融合,在此基础上结合最大池化和对抗训练的方法,进一步加强模型捕获深度特征的能力,同时也有效缓解模型的过拟合现象。研究采用Bert预训练模型获得高质量的文本向量化表示。实验结果证明本文提出的方法较传统BiLSTM模型在分类性能上有所提升。(2)针对日文训练数据匮乏的问题,本文引入一种无监督跨语言文本情感分类模型,将其应用于日文酒店评论文本情感分类任务。基于该模型进一步分析训练数据规模对情感分类结果的影响,此外在中日、英日语言对上探究源语言-目标语言间语言距离对模型情感分类性能的影响。实验结果证明该模型在以日文为目标语言的跨语言酒店评论文本情感分类任务上具有可用性与有效性。

面向社交媒体文本的汉越跨语言对象级情感分析方法研究

这是一篇关于社交媒体,跨语言,观点对象,对象级情感分析,特征迁移的论文, 主要内容为随着互联网的迅速发展,对相同事件下汉越社交媒体数据中的关注对象进行识别、对齐并针对相应对象进行情感分析,能够把握两国舆情动态从而进一步开展关于热点事件分析、监测和预警任务。面向社交媒体文本的汉越跨语言对象级情感分析,存在越南语标注数据稀缺,观点对象难以表征,情感表征映射难以对齐,评论特征学习不充分等研究问题,值得深入研究。本文研究面向社交媒体文本的汉越跨语言对象级情感分析方法,主要从以下几个方面开展研究:(1)汉越跨语言对象级情感分析数据集构建:由于缺乏公开的汉越跨语言对象级情感分析语料,本文构建了汉越跨语言对象级情感分析数据集。首先从不同社交媒体平台,如新浪微博和推特中采集到热点事件相关的社交媒体评论数据。其次,根据汉越跨语言观点对象识别任务和汉越跨语言情感分类任务的不同需求进行数据标注,构建出汉越跨语言对象级情感分析数据集,为后面的研究提供数据支撑。(2)基于图神经网络的汉越跨语言观点对象识别方法:任务旨在围绕相同事件下汉越评论中的观点对象进行识别和对齐,现有的研究方法应用存在越南语标注数据稀缺,跨语言评论关联复杂,观点对象表征比较困难等问题。考虑到在讨论相同事件时,汉越评论之间存在相同的观点对象,利用图结构能够解决关联关系复杂的问题,通过节点之间的信息传递加强对汉越观点对象的表征学习。因此本文提出了一种基于图神经网络的汉越跨语言观点对象识别方法。通过构建包括汉越评论和关键词的异构图,有效地建模汉越评论中的复杂关联关系,利用图结构来实现邻域信息聚合和评论节点更新,在汉越跨语言观点对象分类数据集上进行实验,结果表明提出的方法相较于基准方法性能有明显提升。(3)融入观点对象特征的汉越跨语言情感分类模型:任务旨在针对汉越评论中的观点对象进行情感倾向性分析,现有模型难以解决情感表征学习不充分,汉越跨语言情感表征映射不准确的问题。考虑到观点对象信息对加强情感表征学习,减小语言差异的作用,考虑将观点对象特征与评论特征进行融合,利用对抗的思想缩小汉越情感特征的差异。提出一种融入观点对象特征的汉越跨语言评论情感分类模型,通过门控机制将观点对象表征与语义表征进行融合编码,并利用对抗学习使模型学习到语言分布差异最小的表征,最终通过中文评论标签训练模型分类器完成情感分类任务。实验结果表明本文模型能更快拟合出语言分布差异,得到更加丰富的情感表征,实验结果对比基线模型都有明显提高。(4)汉越社交媒体评论观点对象分析原型系统:基于上述相关理论研究,本文设计并提出一个汉越跨语言对象级情感分析原型系统,该系统采用Vue框架进行开发搭建,通过element-plus进行设计,系统利用Flask将模型转换为可供调用的API接口整合到系统中,该系统集成了汉越社交媒体评论数据采集、汉越社交媒体评论观点对象识别和汉越社交媒体评论情感分类等功能,为相关用户提供可视化的对象级情感分析平台。