基于Dempster-Shafer理论的查询扩展模型

查询扩展是提高信息检索召回率的有效方法，已有许多研究者提出了诸多扩展方法，但大多数方法均是简单地把扩展的词添加到查询中．这样如若不加区分原查询词和扩充词，则扩展后的查询就可能偏离原查询的语义．该文基于Dempster-Shafer证据理论，提出了一个查询扩展的计算模型，该模型把原始查询项看作主证据，扩展项为原始查询项的辅助证据，为了能组合这两类证据，该文给出了两个带权重的Dempster-Shafer组合规则，实验表明该方法能有效地提高检索效率．     

非线性随机差分方程的稳定性

本文是在[1]的基础上,对具有随机初始条件的非线性随机差分方程,引进解的不变集M,讨论了M按概率稳定性,按概率渐近稳定性和按概率全局渐近稳定性,并给出各种类型稳定性的充分条件,推广了[1]的结果。     

一种产生式系统的扩展方法

产生式系统是一种应用广泛的知识表示和知识推理方法，但具有大规模规则库的产生式系统，其知识的组织与管理越来越困难，推理效率也越低。该文采用关系模式表达知识，利用关系数据库技术，提出了一种行之有效的方法，适合大规模产生式系统的设计。     

带参数的搜索引擎

随着Internet上的信息量爆炸式地增长，当前的搜索引擎面临着许多巨大的挑战，该文针对现有搜索引擎中存在的问题提出了带参数的搜索引擎，并给出了参数策略和基于扩展的向量空间模型的识别器的设计。     

基于Markov随机游走的渐进式半监督分类模型

提出了一种基于Markov随机游走的渐进式半监督分类模型:在随机游走过程中,计算待标注数据到各类的迁移概率时,只考虑相应类别样本的影响,而忽略其他类别样本对随机过程的影响;并在学习过程中借鉴渐进学习思想,通过不断地“纠正”半监督学习过程中的“错误”,从而提高模型的预测精度.在20newsgroups数据集上的实验结果表明:所提出的方法能够提高半监督分类的精度.     

基于对话的中文正面情感风格迁移

文本风格迁移旨在保留文本内容的前提下,通过编辑或生成的方法使得目标文本带有某些特殊属性,如礼貌、情感、性别等。现有的情感风格迁移研究主要集中在英文数据集上,在中文数据集上的研究相对较少。该文构建了一个基于对话的中文情感文本数据集,该数据集的部分原始数据源自电视连续剧《家有儿女》中的对白,并对其进行人工标注和循环模型标注。目前该数据集的负面情感文本和正面情感文本句子共30 836个。根据该数据集中大多数情感词是显性的特点,在编辑类的模型上开展了基于对话的中文正面情感风格迁移的研究。实验结果表明：在该数据集上,编辑类的模型可以较好地识别文本的情感属性,并实现文本正面情感风格迁移。     

基于结果聚类分析的个性化推荐模型

提出一种基于结果聚类分析的个性化推荐模型。首先根据用户的访问行为建立用户兴趣模型,再利用多种信息的融合算法对搜索结果重新排序,最后对结果进行聚类分析,调整不同类别文档的权重后进行推荐。教学科研信息推送实验结果表明,基于结果聚类分析的个性化推荐模型能提高推荐效果。     

基于核方法的潜在语义文本分类模型

在信息检索中,潜在语义索引模型直接应用于文本分类时,由于对分类贡献大的特征可能丢失而效果不佳.而考虑了文本特征及分类信息的潜在语义文本分类模型(LSC)也因为本质上是线性模型而性能不高.为了提高分类性能,通过引入核函数,给出了一种非线性的潜在语义文本分类模型.该模型比LSC模型能更好地表示文档空间的潜在语义结构信息.在Reuter-21578文档集上的实验结果表明,潜在语义文本分类模型有很好的分类性能.     

基于Markov网络的信息检索扩展模型

为了解决信息检索性能较差的问题,查询扩展将索引项之间的关系以及文档之间的相似度引入到检索中,这个过程可以通过构造知识网络来进行.Markov网络是一种有效的知识关联图形表示方法,可以从实例数据训练获得.本研究提出并实现了基于Markov网络的信息检索扩展模型,通过对文档集的学习,构造了关于索引项和文档的Markov网络,将有利于检索的信息加入到检索中.实验表明,基于Markov网络的信息检索扩展模型优于BM25模型.     

基于投影寻踪回归文本自动分类的模型

文本被表示为向量空间模型后,是维数非常高的数据,对其进行维数约简是必要的.投影寻踪正是一种稳健的、非参数化的维数约简方法.提出了一种基于投影寻踪回归的文本自动分类模型.应用该模型,可以真实地描述高维数据的客观内在规律,从而达到提高文本分类精度的目的,岭函数拟合函数的合理选择是提高分类精度的关键,故对拟合函数的选取做了初步的研究.采用标准文档集Reuters-21578进行了分类实验,同时在相同的预处理条件下,与目前常用的方法进行了对比实验.实验结果表明,该模型对文本自动分类具有较高的召回率和准确率.