面向大规模数据的在线新事件检测

通过分析基于新闻要素的在线新事件检测算法的时间消耗,提出一种面向大规模数据环境的在线新事件检测算法。该算法利用基于倒排索引的高效相似报道搜索机制,有效减少单路径聚类算法中的相似度比较次数。通过对报道预处理、报道与事件比较以及索引搜索这3个过程的并行化,提高算法在多机环境下的运行效率和可伸缩性。实验结果表明,该算法在不影响漏检率和误检率的基础上,提高了新事件检测的速度,并且在千万到亿级别的报道规模下,其吞吐量达到150条/s~200条/s。     

知识图谱中实体相似度计算研究

实体相似度的计算有诸多应用,例如,电商平台的相似商品推荐,医疗疗效分析中的相似病人组等。在知识图谱的实体相似度计算中,给出了每个实体的属性值,并对部分实体进行相似度的标注,要求能得到其他实体之间的相似度。该文把该问题归结为监督学习问题,提出一种通用的实体相似度计算方法,通过清洗噪声数据,对数值、列表以及文本等不同数据类型进行预处理,使用SVM, Logistic回归等分类模型、Random Forest等集成学习模型以及排序学习模型进行建模,得到了较好的结果。     

一种基于傅里叶变换的RBF神经网络函数逼近方法

本文提出了一种基于傅里叶变换的RBF神经网络函数逼近方法。基于聚类算法的RBF网络中心与宽度确定方法侧重于考察信号在时空的分布规律。与之相比,本文通过分析信号所含谐波分量的幅度和相位随频率分布的情况,用前有限个频率的正弦波分量的频谱特征构造RBF网络,并采用单调指数法合并隐层节点,最后用增加微调节点的方法提高网络的局部逼近精度。一个应用实例表明,本文方法具有良好的函数逼近能力。     

中文电子病历中的时间关系识别

中文电子病历中的时间关系包括句内时间关系和句间时间关系，其中，句内时间关系包括句内事件-事件的时间关系和句内事件-时间的时间关系，句间时间关系即是句间事件-事件的时间关系。把中文电子病历文本中的时间关系识别转化成实体对分类问题，针对句内时间关系的识别，制定了高准确率的启发式规则，并设计了基本特征、短语句法特征、依存特征和其他特征，训练分类器缓解句内时间关系的识别错误；针对句间时间关系的识别，在高准确率的启发式规则之外，设计了基本特征、短语句法特征和其他特征，训练分类器减少句间时间关系的识别错误。实验结果表明，当分别使用支持向量机（SVM）、SVM和随机森林（RF）算法时，所提方法在句内事件-事件、句内事件-时间和句间事件-事件的时间关系识别上的效果最好，其F₁值分别达到了84.0%、85.6%和63.5%。     

前向多层神经网络的隐节点修剪算法

对硬件实现的神经网络而言，网络隐节点个数是一个十分重要的性能指标，它主要由神经网络的隐节点数和隐层数所决定，过分增加隐节点数和隐层数并不能明显地改善神经网络的性能，却使硬件结构的复杂性急剧增加，本文从国内外前向多层人工神经网络大量应用实例中总结归纳了一个确定隐节点数的经验公式，提出了一种判断隐点数是否多余的新方法，使用实例证明了我们提出了的经验公式和判断方法。     

一种改进的最小二乘支持向量机及其应用

为了克服传统支持向量机训练速度慢、计算资源需求大等缺点，本文应用最小二乘支持向量机算法来解决分类问题。同时，本文指出了决策导向循环图算法的缺陷，采用自适应导向循环图思想来实现多类问题的分类。为了提高样本的学习速度，本文还将序贯最小优化算法与最小二乘支持向量机相结合，最终形成了ADAGLSSVM算法。考虑到最小二
乘支持向量机算法失去了支持向量的稀疏性，本文对支持向量作了修剪。实验结果表明，修剪后，分类器的识别精度和识别速度都得到了提高。     

一种组合函数逼近模型及其应用

函数逼近问题一直是模式识别领域的热点，单一函数逼近模型已经能够有效地逼近非线性曲线，但无法实现对多条曲线的同时逼近。本文应用组合函数逼近模型实现了对多条曲线的同时逼近。     

一种基于包排队方式的网络路径可用带宽探测方法

对IP网络路径带宽的探测是目前网络研究领域的一个热点。本文提出了一种针对端到端的网络、基于包排队方式的双向双步长网络路径可用带宽的探测方法。该探测方法由时延监视和UDP发送两个进程组成，基于包的排队时延来获取路径的可用带宽，并通过采用双向双步长的方法来递增或递减UDP包的发送速率。所提出的探测方法可以明显减少探测次数和运行时间，从而降低探测带来的开销。实验结果显示，所设计的方法和技术是可行的和有效的。     

基于前向神经网络的呈香物质识别方法研究

介绍了所研制的一个人工嗅觉装置,详细叙述该装置对呈香物质的识别过程。实验结果表明,采用SuperSAB算法可以显著地提高人工嗅觉装置对香气物质的分析识别速度,为在线检测提供了条件,同时实验结果的准确性也较满意。     

临床检验指标术语库的构建与病历挖掘应用

由于上海市区域医疗健康平台整合了38家三级医院的电子病历,各医院表述同一临床检验指标的多样性和歧义性已严重影响病历挖掘研究。然而现有术语库理论性强,难以覆盖实际临床用语,需要构建融合38家医院的临床检验指标术语库。针对该问题,在模式图定义、知识抽取、知识融合和知识校验4个步骤基础上,提出半自动的术语库构建方案,以上海卫健委制定的医保术语为标准,先构建标准指标术语子库,再利用基于BERT的临床检验指标对齐模型,将38家医院的指标作为同义词归入标准术语。最终形成的指标术语库包含23 495个实体和47 746条事实三元组,可用于病历清洗、病历查询等应用。实验表明,所用指标对齐模型的F₁-score可达95.78%,在大肠癌挖掘课题中使用术语库可增加查询记录高达94%。此外,大肠癌相关指标的专病术语库已在dcakb.ecustnlplab.com公开。