XiaoMi-AI文件搜索系统
World File Search SystemCorpora
人工智能聊天机器人：传统与深度机器学习技术的综述
摘要：人工智能 (AI) 使机器变得智能，最重要的是使用机器学习 (ML)，机器经过训练能够做出更好的决策和预测。特别是，基于 ML 的聊天机器人系统已经开发出来，使用自然语言处理 (NLP) 技术模拟与人的聊天。聊天机器人在许多领域的应用迅速增加，包括教育、医疗保健、文化遗产、支持系统和营销以及娱乐。聊天机器人有潜力改善人与机器的互动，而 NLP 可以帮助它们更清楚地理解人类语言，从而做出正确而智能的回应。除了经典的 ML 技术外，深度学习 (DL) 还吸引了许多研究人员使用更复杂、更准确的技术开发聊天机器人。然而，尽管研究已经为英语广泛开发了聊天机器人，但对阿拉伯语的研究相对较少，这主要是因为与英语相比，阿拉伯语的复杂性和缺乏适当的语料库。尽管已有多项调查研究回顾了聊天机器人系统的最新进展，但这些研究 (a) 并未全面概述阿拉伯语聊天机器人与英语聊天机器人所使用的技术有何不同；(b) 很少关注 ANN 在聊天机器人开发中的应用。因此，在本文中，我们对聊天机器人研究进行了文献调查，以突出 (1) 聊天机器人的经典和深度 ML 技术之间的差异；以及 (2) 阿拉伯语聊天机器人与其他语言聊天机器人所采用的技术之间的差异。为此，我们提出了各种技术比较标准，并从收集的研究中提取相应的数据，并就阿拉伯语聊天机器人开发的进展以及未来仍需做的事情提供见解。
Cockusbrain ++：知识密集型语言任务的连续生成培训框架
知识密集型语言任务（kilts）通常需要从可信赖的语料库中检索相关文档，例如Wikipedia，以产生特定的答案。最近，提出了一个名为Copusbrain的苏格兰语的预训练的生成检索模型，并提出了新的最先进的检索性能。然而，包括苏格兰短裙在内的大多数现有研究，包括科班班，主要集中在静态文档收集上，俯瞰了现实世界情景的动态性质，在这些情况下，将不断地将新文档纳入源语料库中。为了解决这一差距，探索检索模型有效处理苏格兰短裙中固有的动态检索方案的能力至关重要。在这项工作中，我们首先介绍了苏格兰短裙的持续文档学习（CDL）任务，并根据原始的kilt数据集构建一个名为Kilt ++的新颖基准数据集进行评估。然后，我们对在KILT ++上使用预训练的团体的使用进行了全面的研究。与固定场景中的有希望的结果不同，科体易于在动态场景中灾难性遗忘，因此阻碍了检索性能。为了减轻此问题，我们提出了Copusbrain ++，这是一个持续的生成预训练框架，在两个关键方面增强了原始模型：（i）我们采用骨干装置体系结构：通过任务特定的任务预训练的预先训练目标，为每个下游KILT学习了动态适配器；任务共享的骨干参数保持不变，以提供基础检索能力。（ii）我们利用基于类似于新文档的示例文档的经验重播策略，以防止灾难性忘记旧文档。经验结果证明了与传统和生成IR方法相比，Copusbrain ++的显着有效性和出色的效率。
法庭比喻的算法探索和禁忌
摘要目的是使用计算语言学中的方法来确定国防与原告律师在香烟诉讼中部署的修辞策略中的差异。在159项Engle后代试验（2008- 2016年）中的318个结束论点中的方法存档在真相烟草行业文档中，我们计算了频率得分和Mann-Whitney Rho Rho的原告分数与国防语料库的得分，以发现“ tropes”（一边）和“ tireps scrosed scrosed scrosed”或“ tropsiped”（trop）（trop）。结果辩护律师试图使用他或她的朋友和家人证明他或她必须完全意识到吸烟造成的伤害，以便将吸烟者审判。我们表明，“自由选择”，“常识”和“个人责任”仍然是香烟诉讼的关键策略，但是算法分析使我们能够理解如何在不使用这些表达式的情况下部署这些策略。行业律师很少提及个人责任，但通过谈论他们假设的个体吸烟者和“风险”做出的“决定”，从而间接地调用了该概念。结论定量分析可以揭示法庭修辞中迄今的隐藏模式，包括代词的武器和系统避免某些术语，例如“利润”或“客户”。虽然香烟制造商使用专注于个体吸烟者的单词，但原告的律师会将其重新定位为行业。我们展示了言语的看似琐碎的部分（例如代词）是如何提到家人的引用，或者诸如“真相”和“事实”之类的词被武器供诉讼中使用。
π0：视觉-语言-动作流模型
人工智能系统的形式和规模各有不同，有高度专业化的系统可以解决人类思维无法解决的复杂问题，比如预测蛋白质的构象 [ 21 ]，也有可以根据文本提示生成逼真的高分辨率图像或视频的系统 [ 40 ]。然而，人类智能超越机器智能的最大优势是多功能性：能够解决不同物理环境中的不同任务，同时对环境约束、语言命令和意外干扰做出智能响应。人工智能在实现这种多功能性方面最实质性的进展或许体现在大型语言和视觉语言模型 [ 1, 48 ] 中：这些系统先在网络上的大量且非常多样化的图像和文本语料库上进行预训练，然后使用更精心策划的数据集进行微调（“对齐”），以诱导所需的行为和响应模式。虽然这些模型已被证明具有广泛的指令遵循和解决问题的能力 [ 53 , 27 ]，但它们并不像人类那样真正地存在于物理世界中，它们对物理交互的理解完全基于抽象描述。如果这些方法要在人工智能系统方面取得切实进展，使其表现出人类所拥有的那种物理情境多功能性，我们将需要使用物理情境数据（即来自具身机器人代理的数据）对它们进行训练。灵活的通用模型可以执行各种机器人行为，具有巨大的实际意义，但它们也可能为当今机器人学习面临的一些最严峻的挑战提供解决方案，例如数据的可用性、泛化和鲁棒性。在自然语言 [ 1 ] 和计算机视觉 [ 39 ] 中，在各种多任务数据上预先训练的通用基础模型往往优于狭义的和专门的模型
尼日利亚的外国直接投资和经济增长
摘要：本研究评估了尼日利亚的外国直接投资流量和以实际国内生产总值和就业率代表的经济增长。指导研究的假设是根据既定目标制定的，并审查和评估了相关的理论和实证文献。相关数据摘自尼日利亚中央银行、国家统计局和世界银行的年度统计公报。使用增强型迪基·富勒方法进行单位根检验，结果表明研究的变量以不同的顺序整合。采用 Johansen 协整检验探讨各模型变量间的长期关系，最大特征值迹统计检验结果表明两个模型变量间存在协整关系，因此本文继续采用简约误差修正机制评估各模型的短期关系，发现汇率决定系数与实际国内生产总值呈正相关且显著，而与就业率呈负相关且显著。进一步说，贸易政策与尼日利亚实际国内生产总值和就业率呈正相关但不显著，而人力资本技能与尼日利亚实际国内生产总值呈正相关且显著，但与就业率不显著。该研究建议政府应制定一套跨国公司行为准则，以遏制其限制性商业行为，限制其从尼日利亚汇回利润，并确保其利润的很大一部分重新投资到尼日利亚经济中，从而为尼日利亚失业青年大军创造就业机会。
语言研究理论与实践目录
英汉词缀来源与词形的哲学关系 谭正华 郭燕华 疫情期间英语语言元素的传播 Merey Balabekova、Nadezhda Khan、Yeldos Tuite、Sayan Kenzhegaliev、Zamzagul Zuyntayeva、Bektursun Kaliev 和 Zhandos Smagulov 描写 Khushwant Singh 短篇小说《Kusum》和《The Great Difference》中的怪诞人物和场景 P. Gopikrishna 和 J. Anil Premraj 古爪哇语语法主语的结构和作用 Ni Ketut Ratna Erawati 和 I Ketut Ngurah Sulibra 推进动机与能力研究与教师实践和成功的二语学习成果的关系 Sami Ali Nasr Al-wossabi 诗人的心理状态及其与 Zahaafaat 的关系和 Ilal：以 Abi Al-Shis Al- Khuza'i 的诗为范本 Ali M. Al Tawalbeh 《白鲸》的圣经原型研究 Xiaoni Ye 文学翻译是艺术接受的主要工具之一：以哈萨克斯坦和俄罗斯文学互动为例 Kadisha Nurgali、Viktoriya Siryachenko、Liliya Mukazhanova、Marzhan Zhapanova 和 Rabiga Nurgali 通过导演话语和作者理论重新思考电影改编：解读丹·布朗的《达芬奇密码》 M Caleb Theodar 和 Saranya P 印尼语寒暄功能的三元性 R. Kunjana Rahardi 第二语言词汇学习中的语料库和协和 Morad Alsahafi 阿卜杜拉二世国王关于 COVID-19 疫情影响的两次演讲中的说服策略 Amal Samir AbuAlhuda 和 Sabri Alshboul An约翰·奥斯本的《道林·格雷的画像》中自恋表达的编排——一种道德娱乐：对科胡特自我心理学的反思 精神分析 M. Ramesh Kumar 和 G. Christopher 探索亚萨维的《Divan-i Hikmet》英文版中的主题和情感：一种文本挖掘方法 Zhazira Azamatovna Suleimenova、Rysgul Abilkhamitkyzy、Bakyt Amirkhankyzy Yskak 和 Bolat Saginbekuly Korganbekov 解读学生和教师对英语作为教学媒介的看法：以萨塔姆·本·阿卜杜勒阿齐兹王子大学为例的研究 Mohammed Aldawsari
药品名称：Larotrectinib
特别注意事项：注意：•由于神经系统不良事件和疲劳常见，驾驶或操作机器的能力可能会受到影响 2,4 •已有肝功能不全的患者可能需要减少起始剂量 2,4 •与强效 CYP 3A4 抑制剂或诱导剂同时使用时可能需要调整剂量 2,4特殊人群：•与成年患者相比，儿科患者发生 3 级或 4 级中性粒细胞减少症（9-20% vs 0-2%）和体重增加（2-11% vs 0-2%）的发生率更高 2 •65 岁及以上的患者比年轻患者更容易出现疲劳、贫血、头晕、跌倒、步态不稳和低钠血症 2致癌性：未发现信息致突变性：Ames 试验和哺乳动物体外突变试验未发现致突变性。Larotrectinib 在哺乳动物体内染色体试验中不具有致染色体断裂作用。 2,4 生育力：在动物研究中，雌性受试者在暴露量比人类临床暴露量高 8 倍时，黄体减少，发情迟缓发生率增加，子宫重量下降（伴有子宫萎缩）。这些影响是可逆的。在暴露量比人类临床暴露量高 7-10 倍时，未观察到对精子发生或雄性生殖器官组织病理学的影响。2,4 妊娠：在动物研究中，拉罗替尼被证明可以穿过多个物种的胎盘，并在胎儿血液样本中检测到。拉罗替尼在母体毒性剂量以下的暴露量不具有胚胎毒性。然而，在器官形成期间给药时，在母体暴露量比人类临床暴露量高 0.6-9 倍时观察到包括脐膨出和全身水肿在内的畸形。对于有生育能力的女性，建议在开始治疗前进行妊娠测试。对于有生育能力的女性患者和有生育能力的女性伴侣的男性患者，建议在治疗期间以及最后一次服药后至少一个月内采取避孕措施。2,4 由于药物可能会分泌到乳汁中，因此不建议母乳喂养。女性在治疗期间以及最后一次服药后一周内不应进行母乳喂养。2,4
量子自然语言处理中的密度矩阵方法
尽管向量是计算编码单词含义最常用的结构，但它们无法表示对潜在含义的不确定性。模糊词可以通过其各种可能含义的概率分布来最好地描述。将它们放在上下文中应该可以消除其含义的歧义。同样，词汇蕴涵关系也可以使用概率分布来表征。然后，将层次顺序中较高位置的单词建模为其所包含单词含义的概率分布。DisCoCat 模型受到量子理论数学结构的启发，提出密度矩阵作为能够捕捉这种结构的词嵌入。在量子力学中，它们描述的是状态仅以不确定性已知的系统。初步实验已经证明了它们能够捕捉单词相似性、单词歧义性和词汇蕴涵结构。Word2Vec 模型的改编版 Word2DM 可以学习这种密度矩阵词嵌入。为了确保学习到的矩阵具有密度矩阵的属性，该模型学习中间矩阵并从中导出密度矩阵。这种策略导致参数更新不是最优的。本论文提出了一种用于学习密度矩阵词嵌入的混合量子-经典算法来解决这个问题。利用密度矩阵自然描述量子系统的事实，不需要中间矩阵，理论上可以规避经典 Word2DM 模型的缺点。变分量子电路的参数经过优化，使得量子比特的状态与单词的含义相对应。然后提取状态的密度矩阵描述并将其用作词嵌入。为词汇表中每个单词学习一组与其密度矩阵嵌入相对应的单独参数。在本论文中，已经在量子模拟器上执行了第一次实现。所利用的目标函数减少了同时出现的单词之间的距离，并增加了不同时出现的单词之间的距离。因此，可以通过评估学习到的词向量的相似性来衡量训练的成功程度。该模型是在词汇量较小的文本语料库上进行训练的。学习到的词向量显示了文本中单词之间的预期相似性。我们还将讨论在真实量子硬件上的实现问题，例如提取完整的状态表示和计算该模型的梯度。
定量词汇类型中的挑战
研究主题“意义的演变：定量词汇类型学的挑战”涉及对当前语言学兴趣越来越多的领域：关于单词含义演变的定量研究。这是语言学中增长趋势的一部分，在这种语言学中，已经发生了定量方法的重大转变，并且对语义变化的兴趣增加。外部语言学，我们可能会将这种定量转变与一般社区的兴趣联系起来，例如大型语料库和人工智能等领域，以及对语言在日常生活中的重要性的认识。当前的问题从跨语言和类型学的角度着重于词汇语义，重点是语义领域，多义和colexifient。总体主题是如何量化跨学科的变化的方式，其中所包括的论文实际上正在处理大型数据集或跨语言比较。研究主题包括八个论文，包括各种类型和内容，包括“概念分析”，“方法”以及“原始研究”论文。第一种类型的文章是由Haspelmath（2023年10月24日出版），标题为“跨语言的共表达和synexpression模式：比较概念和可能的解释”。在这里，定义并发展为进一步的区别，将基本的基本概念定义为定义。作者将概念扩大到共表达中，并定义如何使用该术语来覆盖词汇和语法模式，而在不同的上下文中出现了两种形式的含义。术语也与词汇类型学区域内的较早术语进行了比较。另外，介绍了术语synexpression，该术语涵盖了单个形式的两个含义的同时存在。使用各种语言的各种示例，进一步描述和开发了这些概念。最重要的是，本文指出了如何将术语区别用于定义类型学研究中可以对比的比较概念。这使得本文对于任何针对词汇或语法共表达的大型类型的大规模研究以及对研究主题的重要理论贡献非常有用。列表（2023年6月16日）撰写了“方法”论文，标题是“从多语言列表中推理了部分colexifations”。本文讨论了与
我摔倒时受伤了：
致谢/谢意 首先，我要向我的论文导师表示最诚挚的谢意：在本项目中发挥了基础作用的 Martin Maiden 教授和 John Charles Smith 先生，以及 2017 年退休后接替 JC 的 Ros Temple 博士，感谢他们过去六年来的重要指导、急需的耐心和不懈的善意。 我要感谢牛津大学克拉伦登基金会、加拿大社会科学和人文研究委员会、玛格丽特夫人霍尔学院、加拿大-英国基金会以及牛津大学语言学、语言文学和语音学学院慷慨的经济支持，使我能够完成博士学业。 我还要感谢我的 DPhil 确认考官 Deborah Cameron 教授对该项目早期版本的反馈；Sam Wolfe 博士对第 2 章发布版本的评论；Wolfgang De Melo 教授的精神和行政支持；中央大学研究伦理委员会团队协助我完成实地考察；以及玛格丽特夫人霍尔的优秀员工，他们在本研究项目的每个阶段以及我在牛津期间都给予了极大的支持。我还要感谢国际语言学家团体：Gillian Sankoff，她代表我使用她的蒙特利尔法语语料库进行统计分析，并友好地与我分享她的研究结果以供本项目使用；Mathieu Avanzi 和 André Thibault，他们慷慨地与我分享了他们的 Français d'ici 辅助数据；Anne-José Villeneuve，她在本研究的初始阶段给予了指导；Raymond Mougeon，她为我提供了如何按主题组织访谈的各种建议，以便最好地引出辅助替换数据；最后，渥太华大学社会语言学实验室的 Shana Poplack、Nathalie Dion 和 Basile Roussel，感谢他们欢迎我并分享他们对辅助替换的真知灼见。在技术方面，我还要感谢约翰·科尔曼 (John Coleman) 和牛津大学语音实验室为我在蒙特利尔的实地考察提供录音设备；感谢我亲爱的朋友泽维尔·巴赫博士 (Dr. Xavier Bach) 向我展示如何使用转录软件 ELAN；感谢丹尼尔·埃兹拉·约翰逊 (Daniel Ezra Johnson) 在该项目的统计分析阶段不断为我提供 (Shiny) Rbrul 的实际帮助。