一种面向社交网络的资源服务推送方法分析与研究

传统的基于协同过滤推荐、内容推荐等技术在资源服务推荐中虽然得到了广泛地应用,但这些方法针对矩阵稀疏、冷启动等问题,在一定程度上还是未能有效地解决,以致推荐效果不是很理想。根据用户社交网络中关系,把用户之间的相似关系和信任因关系作为构建服务推荐目标用户列表的计算因子,从而对网络资源服务向目标用户做出有效而精确地推荐。通过实验分析,这种方法在面向社交网络平台上的资源服务推荐有着明显的优越性。     

基于特征选择的人物关系抽取方法

在人物关系抽取中,其特征空间维度往往非常高,会造成向量稀疏问题,从而影响关系抽取的效率。针对这一现象,首先将人物关系分为6类;然后引入了文档频率、信息增益、互信息和χ2统计这四种文本文类的特征选择算法,对特征空间进行降维。最后运用SVM分类器抽取人物的实体关系。实验结果表明这四种特征选择算法不仅能够保证抽取性能,还能有效的降低向量空间维数,极大提高关系抽取效率。其中,χ2统计算法效果最佳,信息增益次之。     

去噪空间上的多核学习

回顾了一种多核学习(multiple kernel learning,MKL)方法——lp范数约束的多核Fisher判别分析(lpregu-larized multiple kernel Fisher discriminant analysis,MK-FDA),研究了固定范数和p范数下MKL的性能对比,并针对原始特征空间必然存在噪点的现象,对在特征空间去噪之后的MKL方法的效果进行了探索。在VOC 2007数据集上的实验结果表明,lpMK-FDA无论使用原始核函数或者去噪后核函数的性能都超越了固定范数约束下的对比方法;特征空间的去噪处理能提高单核FDA方法和lpMK-FDA方法的性能;训练得到的核函数的权重与去噪空间中保留的特征数量存在一种正相关性。     

一种改进的词汇语义极性分析算法*

词汇极性分析在自然语言处理等多个领域发挥着重要的作用。针对现有汉语词汇极性分析对词汇的义原考虑的不够全面,使得极性分析存在不准确的问题,提出一种更有效的词汇语义倾向性计算方法。首先找准一组褒贬中性词库,进而提取出待测词与词库中基准词词汇的极性义原、词性、其他义原,计算相应的相似度;并分别给出合适的权重值。由此计算出待测词与基准词的相似度,最后判断待测词的语义极性。实验表明该算法可以进一步的提高语义极性倾向判别准确率。     

面向用户兴趣的Web信息过滤系统

研究了面向用户兴趣的Web信息过滤系统的主要技术,包括用户兴趣表示、度量和更新、网页内容识别和网页信息过滤等技术,并在此基础上设计和实现了一个Web信息过滤系统。该系统能够进行一定的信息过滤,能够进行自学习,并随着用户兴趣的变化渐渐更新,基本能够实现用户的个性化信息服务需求。     

鄱阳湖水位动态预测模型

鄱阳湖集江西省内五河(赣江、抚河、信江、饶河和修水)之来水，全省各地降水的多寡对鄱阳湖水位的影响很大。1998年汛期全省出现了两次连续大暴雨过程。第二次大暴雨过程致使鄱阳湖区洪水泛滥，洪涝成灾，造成了国家和人们的重大损失。为了提前做好预防，我们根据历史数值，采用逐步回归^[1,2,3]的方法建立鄱阳湖区域及上游降水与鄱阳湖水位关系模型。通过对相应假设进行F检验以及使用模型进行鄱阳湖短期水位的预测检验表明，模型选择的因子较为合理，模型的预测精度较高，效果较好。因此我们认为模型是合理可行的。     

基于QE的机器翻译重排序方法研究

该文提出了一种融合BERT语境向量的多模型集成的翻译质量估计方法,以及基于译文质量估计的多候选译文重排序方法,实验结果表明,这2种方法均取得了较好的实验效果.     

毛细管电泳安培检测法用于天然药物天仙子中主要成分的分析

采用毛细管区带电泳-安培检测法建立了同时测定中草药天仙子中主要成分阿托品和东莨菪碱的新方法.在电极电位为1.000V,毛细管运行液为50mmol/L磷酸盐缓冲溶液(PBS)(Ph为8.0)中,当分离电压为12 kv时,阿托品和东莨菪碱2个组分在8 min内快速达到基线分离.阿托品和东莨菪碱的峰高和浓度在1.0～40mol/L(阿托品)和3.0～100mol/L(东莨菪碱)范围内呈良好的线性关系,检测限均为7.0×10-7mol/L,并具有很好的重现性(BSD小于3.3%).     

基于主题和焦点的问句相似度计算方法

问句相似度计算是基于常问问题库的问答系统的重点。现在的问句相似度计算准确率较低,为此,提出了一种基于主题和焦点的中文问句相似度计算方法。主题和焦点能够反映问句的主旨,识别出问句的主题能够更好地理解问句。其中抽取问句主题和焦点的方法能获取部分语义信息,而且比传统的根据疑问词进行语义分析的方法适用类型更广,同时在计算问句相似度时考虑了主题和焦点的影响。最后通过设计实验与其他方法进行比较,实验表明,该方法提高了准确率。     

面向低资源命名实体识别的BiLSTM-Att-BCRF模型

在低资源场景下,由于受训练数据量少的限制,现有模型的参数不能拟合到预期效果,所以导致模型识别实体的性能不佳.该文提出一种融入伯努利分布(Bernoulli distribution)的新型损失函数,使模型能较好拟合数据.此外,该文在BiLSTM-CRF模型基础上融合多层字符特征信息和自注意力机制,并结合基于伯努利分布的新型损失函数,构建了BiLSTM-Att-BCRF模型.BiLSTM-Att-BCRF模型在20%的CONLL2003和20%的BC5CDR的数据集上,F₁值在BiLSTM-CRF模型基础上分别提升了7.00%和4.08%,能较好地适应低资源命名实体识别任务.