基于计算机的语言生态多样性评估模型构建

基于计算机的语言生态多样性评估模型构建

孙佳旭

黑龙江八一农垦大学信息与电气工程学院 黑龙江大庆 163316

摘要：计算机技术的飞速发展，计算机技术被普遍应用到日常生活当中，随之对计算机的要求也提升到了一个新的高度，尤其凸显在软件开发和数据库这两方面。计算机技术的长远发展离不开软件开发的有效支撑，随着当今市场经济的不断发展，软件开发也必须跟随时代的步伐，不断进行改革创新。以达到给人们生活和工作带来更大效率的目的。本文对计算机的语言生态多样性评估模型构建进行分析，以供参考。

关键词：计算机；语言生态多样性；评估

引言

在C语言程序设计教学中，将计算思维的培养作为教学的重要指导思想来促进授课方式的改革，势在必行。在教学中发现，学生使用计算思维来求解遇到的问题有助于能力的提高，有助于培养大学生的创新能力。当学生具备一定的计算思维能力后，需要举一反三地解决所遇到的问题，将所学知识融会贯通，以达到事半功倍的效果。

1概述

随着语言的国际化融合和发展，语言生态多样性研究受到人们的极大关注，需要构建语言生态多样性融合模型，分析语言生态多样性特征量，结合语义融合特征分析和分布式结构重组的方法，进行语言生态多样性评估和统计分析，提高语言生态多样性语义重组能力，从而进一步促进语言多样化发展，研究语言生态多样性评估模型在语言学发展和融合方面具有重要意义，相关的语言生态多样性评估模型研究受到人们的极大重视。对语言生态多样性评估是建立在对语义信息融合和特征提取基础上，结合对语言生态多样性参数融合和特征检测，进行语言生态多样性评估的统计分析模型设计，传统方法中，对语言生态多样性评估的方法主要有等价约束参数评估方法、模糊度检测方法、自相关特征匹配方法等，结合语义本体信息融合和二元语义决策评价，实现语言生态多样性评估模型构造，结合多属性决策方案实现语义生态多样性评估，但传统方法对复杂环境下语言生态多样性评估的模糊决策性不好，语言生态多样性评估能力不强。针对上述问题，提出基于计算机程序控制和大数据信息融合的语言生态多样性评估模型。首先构建语言生态多样性的语义本体大数据分布集，采用多元指标联合特征融合分析方法，建立语言生态多样性评估的语义本体融合特征分布集，然后分析语言生态多样性的语义结构特征，采用字结构特征匹配和统计信息挖掘，实现语言生态多样性评估和自适应收敛性控制。最后进行仿真测试分析，展示了本方法在提高语言生态多样性评估能力方面的优越性能。

2计算机软件开发技术

2.1 C语言技术

经过编程和语言制造来完成计算机软件的开发.在早期的计算机软件开发中就已经用到了C语言技术。此外，C语言技术是计算机软件开发人员实施软件开发之前必须掌握的，C语言技术是计算机技术的核心和基础。C语言技术的使用受到了不完整的计算硬件和技术的影响。随着技术的不断创新，C语言技术也得到了很大的进步。C语言技术在应用时其适用性和稳定性都非常高。C语言指令不是很多，虽然只包括三十二个关键字和九条控制语句，但是可以编译出许多要求。而且有非常丰富的表现方式。另外，C语言具有高度的可移植性，可以在其他环境中使用，而无须更改编译环境。C++是C语言的重新构建和升级。可以看作是一种全新的编程方法。由于C语言的差异决定了其微分函数，涵盖了许多个领域。实践证实，在编程系统中应用C++语言比C语言更加熟练。不管是使用还是学习。C++语言是主要的编程语言。最近几年，使用C++语言的频率有所增加。熟练使用C++语言可以使我们在编程中更好地使用C语言，甚至更高级别的编程语言。

2.2 VisualBasic技术

VisualBasic技术简称为VB,其应用的是Basic的编程语言，是近期刚刚研发出来的新技术，对计算机技术的创新起着推动作用。VisualBasic技术的应用打破了传统编辑的模式。操作界面也有改进，使编程步骤更短，减少编程的难度。使编程效率比以前有所提高。VisualBasic技术相比较更简单，容易操作。新程序员可以优先推荐使用VisualBasic技术进行软件开发。

3语言模型的应用

3.1神经概率语言模型的应用

对于分类任务,一种采用独立循环神经网络(independentlyrecurrentneuralnetwork,简称IndRNN)和注意力机制的用户意图分类模型,以Word2Vec生成的词向量为输入,使用IndRNN对输入编码.模型引入单词级注意力机制有效量化了领域词汇对意图类别的贡献,而且所采用的IndRNN在堆叠层次更深的情况下更易训练.针对目前已有文本分类模型在人机对话意图分类中存在的性能优劣情况,提出一种混合意图分类模型,模型结构受到GoogleNet提出的Inception网络的启发.混合模型分为3层:(1)第1层为词编码层;(2)第2层为句子编码层,使用BiGRU和BiLSTM作为编码器;(3)第3层为混合模型层,将第2层的输出分别输入Capsule、MFCNN和Attention这3种网络,完成分类.该方法综合利用多种网络模型的输入与输出,获得了一定的性能提升.在机器翻译方面,提出一种层次化翻译模型,将层次化规则的归纳分为短语归纳和形式化规则归纳两部分完成,并在目标函数的构造过程中引入单词级语义错误、单词短语/规则语义错误和双语短语/规则语义错误3部分,使模型在训练过程中可以平衡3部分对目标函数的影响.该方法使用基于RNN的神经语言模型作为词向量生成模型.实验结果表明,模型的目标函数很好地平衡了不同错误情况之间的影响,并在训练过程中引入的双语对齐信息,获得了较好的性能提升.

3.2预训练语言模型的应用

对于自然语言处理中的分类问题,针对情感分析任务中的子课题:特定方面的情感分析.使用BERT模型作为特征抽取器,并对模型进行微调,在单句和句对两类输入的方面情感分析任务上都取得了相当大的性能提升.同样在这一任务中,做出了进一步改进,将对抗训练思想引入到模型学习过程,提出的后训练BERT作为语言模型,在方面抽取和方面情感分析两个子任务上都取得了性能上的改进.提出使用BERT隐藏层中蕴含的知识以增强其在基于方面的情感分析任务中的表现,为了利用中间层的知识提出了两种池化策略,一种使用LSTM作为池化特征抽取器,一种使用注意力机制对从Transformer层中抽取的隐藏状态进行池化,获得了较为显著的分类效果改进.

结束语

分析语言生态多样性特征量，结合语义融合特征分析和分布式结构重组的方法，进行语言生态多样性评估和统计分析，提高语言生态多样性语义重组能力。构建语言生态多样性评估的模糊约束参数集，结合模糊度检测和信息特征匹配的方法，构建语义信息融合模型，采用字结构特征匹配和统计信息挖掘，得到语言生态多样性量化分析结果，实现语言生态多样性评估。

参考文献

[1]王志辉.JAVA语言在计算机软件开发中的应用[J].电子技术与软件工程,2019(20):42-43.

[2]邓际斌.计算机编程语言发展综述[J].中国科技信息,2019(17):50-52+14.

[3]张海燕.计算机软件开发的JAVA编程语言应用[J].电子技术与软件工程,2019(15):35-36.

[4]陈子怡.基于C语言的计算机编程技术研究[J].电脑编程技巧与维护,2018(11):63-64+83.

[5]杨兰.计算机软件开发的JAVA编程语言及其实际应用[J].电子设计工程,2017,25(21):49-52+56.