演化算法在中文自动分词中的应用

首先对各种现有的中文自动分词算法进行简要比较，并指出其存在的问题，然后针对这些问题，设计了一个基于演化的中文自动分词算法。最后通过对实验结果的分析，比较了本算法与已有算法的优缺点，并指明了算法的改进之处。     

Web服务搜索技术综述

随着Web服务应用的迅速发展与日益普及,如何快速、准确地搜索到用户所需的Web服务成为了制约Web服务发展的关键问题之一。目前的Web服务搜索技术包括：基于UDDI注册中心、通过Web服务网站、使用专用搜索引擎与使用通用搜索引擎四种方式。对现有主要Web服务搜索技术进行了详细评述。在对典型Web服务搜索技术分析比较的基础上,指出了建立专用的Web服务搜索引擎的必要性以及所面临的问题与挑战。     

无线传感器网络中自适应数据存取

数据存取,也称信息中介,是指生产者(传感器节点)将产生的感知数据按照某种策略存放在特定的位置上,而消费者(基站、用户、传感器节点)将查询请求按照对应策略路由到数据存放位置获得感兴趣的数据.利用数据速率和地理位置信息来减少网状拓扑结构传感器网络中数据存取的代价.首先,依据生产者和消费者的关系建模为"一对一"(一个生产者,一个消费者)、"多对一"(多个生产者,一个消费者)、"多对多"(多个生产者,多个消费者)3种模型来对存取代价进行分析.其次,基于上述模型,提出利用数据速率和地理位置来确定数据存放位置的自适应全局最优贪婪算法ODS(optimal data storage)和局部最优近似算法NDS(near-optimal data storage)以及最优数据传输模式.最后,ODS和NDS都依据数据速率、生产者和消费者地理位置、网络拓扑来决定存放位置,并且通过自适应地调整来减少数据存取能量消耗.实验结果表明:NDS不仅能够节省能耗,而且在70%的情况下达到与ODS相同的效果.     

GSPress:一个GML流压缩器

GML已成为地理数据存储和交换的标准.在实际应用中,GML数据通常以数据流的形式在网络上传输.由于GML文档含有大量重复标签和高精度浮点数,使得GML文档通常比较大.因此如何有效地压缩GML数据流来减少网络传输的代价就显得越来越重要.本文提出一种GML数据流压缩算法,它只需扫描GML文档一次,将GML文档的结构和数据分离后分别进行压缩.对GML文档中的结构部分采用自适应方法进行压缩;对坐标数据则利用增量压缩的方法压缩.实验结果表明GSPress是一种高效的GML流压缩算法.     

Skyline计算研究综述

近年来,skyline计算以其在多目标决策、数据挖掘、数据库可视化等方面的潜在应用引起了越来越多研究者的关注。集中式skyline计算作为最早的研究重点得到了深入的研究,许多有效的skyline计算算法被提出来,例如BNL、NN、BBS等等。其中,BBS被认为是当前最佳的集中式skyline计算算法。分布式skyline计算的研究也取得了明显进展,已有的工作分别对面向分布式数据库、移动自组织网络和对等网络等的skyline计算进行了探索。Skyline计算还被扩展为其它更复杂的计算问题,包括任意子空间上的skyline,所有子空间上的skyline,k-支配的skyline,空间skyline计算等等。然而,迄今为止,国内外还没有一篇论文对sky-line计算技术作过全面的分析与评述。对skyline计算技术进行系统的综述。在介绍已有代表性算法的基础上,通过分析它们的特点和比较它们的性能,总结了各算法的优势和不足,并指出了skyline计算的未来发展方向。     

基于相邻字对信息的中文文档分类研究

本文首次提出利用相邻字对信息进行中文文档分类,使中文文档分类摆脱了对词典和切词处理的依赖,实现中文文档分类的领域无关性和时间无关性性。分别利用Naive Bayes和kNN分类方法建立了基于相邻字对信息的中文文档分类系统。初步的测试结果表明本文文档系统具有和同类文档分类系统相当的性能。     

网络数据分类研究进展

各种网络的广泛应用产生了大量的网络数据,对网络数据进行分类是数据挖掘的一个重要问题。文中对网络数据分类的国内外研究进展进行评述。首先概述网络数据分类的基本概念,然后详细分析各种网络数据分类算法,重点讨论在网络标注稀疏情况下的网络数据分类面临的挑战和解决策略,最后对网络数据分类技术进行总结和展望。     

无需词典支持和切词处理的中文文档分类

利用中文文本的N-gram信息进行中文文档分类,使中文文档分类摆脱了对词典和切词处理的依赖。实验结果表明,该方法能够取得令人满意的分类效果。     

层次化中文文档分类

对层次化中文文档分类进行了研究。采用两种途径进行层次化中文文档分类:第一是按照文档类别的层次结构,将一个大的分类问题分化成若干个小的分类问题,用Bayes分类方法分别建立分类器;第二是将层次化分类问题看成是一个更普遍的多类别、多标注分类问题进行求解,分别利用KNN和基于Boosting的分类方法进行层次化中文文档分类。测试结果显示层次化分类比平面分类能够取得更好的分类效果。