微电子技术发展对图书情报行业的影响

以图书情报行业为基础,论述了微电子技术的种种影响,如分类法、主题词、检索语言等,并展望了图书情报行业的发展趋势。     

《中国图书馆分类法》戏剧类类目设置的探讨

运用中国戏剧学和图书馆分类学的专业知识，结合图书分类工作的实践经验，对《中国图书馆分类法》戏剧类类目设置及相应的主题词对照索引中主题的设置进行了探讨并提出了几点建议。     

科技论文中的关键词索引和主题索引

关键词索引和主题索引是五十年代后电子计算机在图书情报中应用而产生的。用电子计算机检索文献必定要求检索系列化,由此产生了分类法、标题法、单元词法、主题法和关键词法等等方法。我国电子计算机在图书情报中应用起步比较晚,这种先进的检索方法的文献是近几年通过翻译工作者而传入中国的。作者发现几种翻译的原始文献,对于关键词和主题词概念混淆不清。由于这些文献以讹传讹,导致不少的学报征稿启事中对于关键词和主题词有各式各样的解释。为此,撰写     

论大学图书馆馆藏书刊结构组织模式的创新

为了促进书刊的流通利用，创新馆藏书刊结构组织模式，应部署特色藏书在大类之首，藏书级别按学历、职称分类，融合阅览的载体，架位同类图书按关键词法、主题词法、没有标签法、新创固定法再排列，学术期刊用《中国图书馆分类法》类目结合学术期刊7个代码等级组织。     

网络信息分类法与传统文献分类法的比较——以新浪网和《中国图书馆分类法》为例

以新浪网和《中国图书馆分类法》为例,阐述了网络信息分类法和传统文献分类法的区别,分析了网络信息分类法中存在的问题,对网络信息分类法的进一步完善及其发展趋势进行了探讨。     

图书分类法发展历程回溯

回溯了我国图书分类法的产生和发展过程,包括我国古代图书分类法、近代图书分类法以及现在广泛使用的图书分类法。     

略论我国近代图书分类法的发展和特点

近代图书分类法是我国图书分类法的转型时期,本文通过对我国近代几大著名分类法形成及各自特点的分析,简要总结了我国近代图书分类法的形成特点和原因,以及对现代图书分类法形成的影响.     

浅谈标引主题词的几点体会

本文讨论了在标引高校自然科学学报论文的主题词时,要掌握好主题词间的等同关系、属分关系和相关关系,注意主题词与主题词之间、主题词与地理、时代、年龄、文献类型和生物类别等之间的组配方式。     

西方重要图书馆分类法简述

在西方语境下,图书馆分类法分为辩证的两大部分：知识分类法和图书分类法。知识分类决定图书分类,同时图书分类又具有相对的独立性。西方历史上重要的图书馆分类法,如杜威十进分类法、展开分类法、书目分类法和主题分类法等,对今天的图书馆理论研究和实践仍具有重要的参考价值。     

网站分类法比较研究

介绍了网站分类法的基本概况,以雅虎(YAHOO)、搜虎(SOHU)为例详述了综合性网站和搜索引擎的分类法,又以图书馆学科导航网站为例分析了网络信息学科导航或门户网站的分类法,归纳了网站分类法的特点。     

基于多重假设检验市长公开电话文本的自动分类

提出一种基于多重假设检验的特征加权朴素贝叶斯分类算法, 该算法通过特征选择方法得到多个特征词集合, 再按多重假设检验错误率为每个特征词集合配以不同的权重系数并参与到分类器的构建中. 该方法已经应用到市长公开电话的文本分类中, 通过构建的3个特征加权朴素贝叶斯分类器实现了投诉文本的计算机自动分类, 且相对传统方法提高了分类器的效率和精度.     

基于特征加权词向量的在线医疗评论情感分析

针对在线医疗评论文本具有行业专业性强、差异性大、不够规范等特点,提出一种基于特征加权词向量的在线医疗评论情感分析方法.利用Word2vec方法构建词向量模型,抽取情感词集合完善医疗服务领域情感词典,根据句法关系识别主题词与情感词的依存关系,引入期望交叉熵因子,建立特征加权词向量模型,分析在线医疗评论的情感倾向.实验结果表明扩充的医疗服务情感词典在分析性能上的准确率、召回率以及F₁值均高于基础情感词典,引入期望交叉熵因子后,基于特征加权词向量的情感分析方法在SVM分类上表现出更好的效果,体现了其在在线医疗评论挖掘领域的良好效用.      

基于二阶隐马尔可夫模型的新闻分类算法

提出一种基于二阶隐马尔可夫模型(HMM)的新闻分类算法,旨在提取新闻内容中的类别字,构成特征词集合.以该特征词集合作为不同二阶HMM分类器的观察序列,二阶HMM的隐藏状态反映了文档中词语之间的相关性差异,每个状态表示出现在语料库中的词语的相关性水平.实验结果表明,相比k近邻(k NN)、朴素贝叶斯(Naive Bayes)以及支持向量机(SVM)算法,二阶HMM算法的分类表现更显优势.     

基于词-标签概率的多标签文本分类研究

针对多标签文本分类任务中如何有效地提取文本特征和获取标签之间潜在的相关性问题,提出一种CNN(convolutional neural networks)结合Bi-LSTM (bi-directional long short-term memory)的模型.首先,通过CNN网络和最大池化提取文本的特征;然后,利用训练的Labeled-LDA(labeled latent dirichlet allocation)模型获取所有词与标签之间的词-标签概率信息;接着,使用Bi-LSTM网络和CNN网络提取当前预测文本中每个词的词-标签信息特征;最后,结合提取的文本特征,预测与当前文本相关联的标签集.实验结果表明,使用词-标签概率获取文本中词与标签之间的相关性信息,能够有效提升模型的F1值.     

基于免疫遗传优化支持向量机的普米语孤立词语谱图分类

基于免疫遗传优化支持向量机的普米语孤立词语谱图分类方法,首先利用短时傅里叶变(STFT)生成普米语孤立词语谱图;其次,提取普米语孤立词语谱图的二值特征;最后,利用免疫遗传优化支持向量机实现语谱图的分类.实验结果表明:普米语孤立词语谱图分类预测准确率为88%～91%.基于免疫遗传优化支持向量机的语谱图分类比基于语音信号分类效果更好.     

基于类别核心词的朴素贝叶斯中文文本分类

摘要及关键词中提取类别核心词，通过加权方式，强化它们在文本分类中的作用. 基于朴素贝叶斯分类方法的实验表明，提出的方法能够有效提高中文文本的分类准确率.     

一种基于类别核心词的概念映射方法

由于同义词和多义词的存在,使得基于特征词的文本分类方法分类精度不高.近几年,基于概念的文本分类方法得到人们的重视.在此提出一种基于类别核心词的概念映射方法,首先从文本中抽取类别核心词,借助<知网>将特征词映射到基于类别核心词的概念空间,然后在概念空间上完成文本分类工作.实验结果表明,基于类别核心词的概念映射方法及相应的基于概念的文本分类能够有效提高文本分类的精度.     

基于POS-CBOW语言模型的相似词分析

相似词分析是自然语言处理领域的研究热点之一,在文本分类、机器翻译和信息推荐等领域中具有重要的研究价值和应用意义。针对新浪微博短文本的特点,给出一种带词性的连续词袋模型(POS-CBOW)。该模型在连续词袋模型的基础上加入过滤层和词性标注层,对空间词向量进行优化和词性标注,通过空间词向量的余弦相似度和词性相似度来判别词向量的相似性,并利用统计分析模型筛选出最优相似词集合。实验表明,基于POS-CBOW语言模型的相似词分析算法优于传统CBOW语言模型。     

基于双通道融合和BiLSTM-attention的评论文本情感分类算法

对在线商业评论文本的情感进行挖掘,融合评论文本不同特征为分类器提供更多的信息量,提出了一种新的在线电商情感分类算法。首先,针对传统词嵌入模型无法很好地融合词语情感信息特征的不足,考虑了词嵌入特征和词性特征的多特征融合方法;其次,在两种特征融合方法的基础上采用了双通道和单通道的对比来比较分类的准确性,提出了并行的CNN和BiLSTM-Attention双通道神经网络模型;最后,使用真实的京东电商评论数据集对所提模型进行了评估,并且在实验中与不同分类算法进行对比。实验结果表明,新的混合方法具有更好的分类准确率、召回率和F1指标。