基于支持向量机的网络舆情混沌预测

精确预测网络舆情发展趋势,对防止负面网络舆情对公共安全威胁具有重要意义,针对网络舆情变化的时变性、混沌性,提出一种基于支持向量机的网络舆情混沌预测模型（PHR-SVR）。证明了网络舆情具有混沌特性,根据Takens定理分别采用互信息法和G-P法确定延迟时间和嵌入维数重构网络舆情时间序列相空间;在相空间中,利用支持向量回归机（SVR）建立网络舆情预测模型,与其他预测模型进行对比实验。结果表明,相对于对比模型,PHR-SVR提高了网络舆情的预测精度和可靠性,预测结果具有一定实用价值。     

面向跨领域情感分类的特征选择方法

数据标记的难以获取使得跨领域适应成为一种有效的途径.然而情感分类具有较强的领域依赖性,利用传统的特征选择方法在原始领域构建的特征空间不能体现领域间的共性,难以适用于目标领域.为此,提出一种面向跨领域情感分类的特征选择方法(LLRTF),利用对数似然比选取在原始领域富有判别力的特征,并通过对照两个领域的统计信息,选出其中在目标领域影响较大的特征.基于该方法构建的公共特征空间,能减少领域间数据分布的差异.实验结果表明,LLRTF优于基准算法.     

联合主题模型的标签聚类方法*

提升标签聚类的质量是识别标签语义的一个关键问题.文中提出基于资源的联合主题模型标签聚类方法.利用资源的引用关系,采用随机游走的方法获取资源的权威度分数,以此设置“资源-标签”和“资源-词”这2个二元关系的权重.在此基础上,构建基于资源加权的词与标签的联合潜在狄利克雷分布(LDA)模型,通过迭代学习,获取标签的潜在主题,并根据主题最大隶属度聚类标签.实验表明,相比其它基于资源的标签聚类方法,文中方法能获取更好的聚类效果.     

图算法求解带有限长空位和one-off约束的模式匹配问题*

讨论带有限长空位和one-off约束条件的模式匹配问题,其中限长空位改变单个匹配解结构,one-off条件约束匹配解之间的关系,从而形成规模较大且稀疏的解空间。借鉴约束可满足性问题框架,将PMGO问题转化为图结构下的路径搜索问题,并证明转化的等价性。然后提出图结构下的剪枝和匹配算法(GPM),根据one-off约束得到节点之间的约束关系,再迭代交互地进行剪枝与搜索。实验中使用匹配解丢失率度量已有启发式算法和GPM的完备性,证明GPM可与已有启发式算法形成互补,有效降低匹配解丢失率。     

扩展概念格的维护

扩展概念格是作者在Galois格中引入等价内涵关系而得到的一种扩展形式,并且已对其渐进式构造进行了研究。文章针对已构造好的扩展概念格,在数据对象删除时如何维护的问题,提出了一种算法,经验证是有效的。     

基于频繁概念格的序列模式发现研究

1引言 Rakesh Agrawal[1～3]等对超市数据进行分析时首先提出了序列模式(sequential patterns)发现这一KDD分支.经典的序列模式发现算法包括:R.Agrawal等人提出Aprioriall算法[1]和GSP算法[2,3];PSP[4]算法是GSP算法的改进;Han等人提出,称为基于序列模式增长(sequential patternsgrowth)方法,包括FreeSpan[12],PrefixSpan[13]算法,但都需要多次扫描数据库.     

基于量化相对约简格的关联规则发现

关联规则发现是KDD中的一个重要的问题,而量化相对约简格作为一种新的表示数据和知识的有效工具,对于概念格结构进行了更为有效的缩减,非常适于数据库中的知识发现.文章对基于量化相对约简格进行关联规则的快速发现进行了讨论,提出了基于频繁概念子格进行规则提取的方法,并进行了相应的理论研究.     

负增量关联规则更新算法研究

在增量式关联规则更新算法的研究中，关于负增量式更新算法的研究比较少。提出了一种实用的在支持度和置信度不变的情况下数据集规模减小的负增量关联规则更新算法。算法在如何减少数据集的扫描次数，如何充分利用现有的信息减少候选集的规模等方面进行了研究，给出了算法的具体实现。通过分析，算法是可行的。     

基于多特征选择的中文文本分类

自动文本分类就是在给定的分类体系下，让计算机根据文本的内容确定与它相关联的类别。特征选择作为文本分类中的关键，困难之一是特征空间的高维性，因此寻求一种有效的特征选择方法，降低特征空间的维数，成为文本分类中的重要问题。在分析已有的文本分类特征选择方法的基础上，实现了一种组合不同特征选择方法的多特征选择方法，应用于KNN文本分类算法，实验表明，多特征选择方法分类效果比单一的特征选择方法分类效果有明显的提高。     

基于遗传算法的朴素贝叶斯分类

朴素贝叶斯分类器是一种简单而高效的分类器，但是其属性独立性假设限制了对实际数据的应用。提出一种新的算法，该算法为避免数据预处理时，训练集的噪声及数据规模使属性约简的效果不太理想，并进而影响分类效果，在训练集上通过随机属性选取生成若干属性子集，并以这些子集构建相应的贝叶斯分类器，进而采用遗传算法进行优选。实验表明，与传统的朴素贝叶斯方法相比，该方法具有更好的分类精度。