交互支持向量机学习算法及其应用

交互支持向量机学习算法能解决一些监督学习问题中学习样本较少的问题，它以支持向量机（ Ｓ Ｖ Ｍ ）方法为基础，将设计分类器变成一个交互的过程，即： 根据对已知样本进行的 Ｓ Ｖ Ｍ 分类器设计，主动采样选择“有用”的新样本，并进行下一步 Ｓ Ｖ Ｍ 分类器的设计。与普通 Ｓ Ｖ Ｍ 法相比，该方法所需的样本量大大降低，而且可能达到更好的推广能力。文本信息过滤问题的实例说明了该算法的有效性。  

P-集合的P-分离与应用

P-集合(packet sets)是由内P-集合X^F¯ (internal packet sets)与外P-集合X^F(outer packet sets)共同构成的集合对,或者(X^F¯ ,XF)是P-集合。利用P-集合,给出它的P-分离(packet-separation)概念,提出P-集合的P-分离定理,给出P-分离在未知信息发现中的应用。  

一种基于内容的信息过滤改进模型

根据过滤系统的不同过滤目的，将信息过滤分为两类：(1)基于满足用户信息需求的用户兴趣过滤；(2)基于保障数据安全和社会安全的安全过滤．在详细分析了这两类信息过滤的异同之后，指出了安全过滤研究的特殊性及其主要研究内容．在现有用户兴趣过滤系统模型的基础上，提出了一个基于内容的信息过滤模型，并对模型中新增模块进行了试验．研究结果表明，新增模块能够很好地实现基于内容过滤系统的高精度，证明了该过滤模型具有一定的实用价值．  

基于分类模板的用户模型构造方法

用户模型是信息过滤系统中的重要组成部分 ,它描述的是一段时间内相对稳定的用户信息需求。本文通过对动态数据源的分析 ,提出了一种基于分类模板的用户模型构造方法  

基于文本内容分析的过滤技术研究

提出一种基于特征词和局部语义分析的文本分类与过滤方法,在基于特征词统计特性分析的基础上,将特征词的知识属性和局部语法匹配引入信息过滤模型,实验结果表明,这种方法对于某些领域的文本信息可以有效地进行识别和过滤.  

Internet信息过滤中用户个性化模式的构建

提出了个性化信息过滤技术，并对其基本原理进行了阐述；构建了用户个性化模式，给出了用户分类算法。最后，对当前存在的问题进行了总结。  

网络信息过滤系统研究综述

全面阐述了信息过滤系统的类型、信息过滤方法、关键技术和评价标准,为进一步研究信息过滤系统在各个领域的实现奠定了基础.  

基于一类分类法的不良信息过滤模型

针对网络不良信息过滤中训练样本分布不均衡，负面样本对于训练效果无充分贡献，提出了一种利用正面训练样本建立分类模型，并基于该模型实现网络不良信息过滤的方法．模型通过选择合适的核函数，提高过滤的准确性，实现了基于正面样本的不良信息过滤．  

基于本体的数字图书馆信息过滤研究

语义Web的概念正在成为计算机信息处理领域当前研究的热点之一 .本体 (Ontology)将在“语义Web”中起到至关重要的作用 ,它通过提供共享的并精确定义的术语源 ,将语法的互操作扩展到语义的互操作 .信息过滤目的在于依据用户兴趣 ,进行动态信息搜索和匹配以满足用户的需求 ,从而实现个性化服务 .本文提出了一种新的基于本体的数字图书馆信息过滤方法 ,它具有 3个显著的优点 :①采用了混合信息过滤模型 ,克服了基于内容和协作过滤的不足 ;②建立本体驱动的用户模板 ,解决了用户兴趣的获取问题 ;③信息内容采用本体来组织 ,实现语义级查询和高效的匹配机制  

基于Morphology处理和主题词抽取的垃圾邮件过滤方法

考虑到垃圾邮件预处理的重要性，提出了利用Morphology对垃圾邮件内容进行还原．为了提高邮件分类的性能，对邮件进行主题词抽取，并且结合邮件其他的属性特征，利用贝叶斯方法对邮件进行分类．实验表明，这种基于Morphology处理和主题词抽取的垃圾邮件过滤方法十分有效．