IrfanKhan:如何让大数据更好为企业运营服务

<正>正如街谈巷议的传闻一样,不管你走到哪里,关于"大数据"的讨论无处不在。在Google搜索这个词组,搜索结果超过13亿条。它甚至在维基百科拥有专门的条目。天再一次塌下来了。这一次是"大数据"让IT部门如临大敌。正如街谈巷议的传闻一样,不管你走到哪里,关于"大数据"的讨论无处不在。在Google搜索这个词组,搜索结果超过13亿条。它甚至在维基百科拥有专门的条目。数据泛滥导致很多人得出结论:企业将不堪重负。这并不是说企业内部的信息量不会增长。相反地,企业内部信息量也难逃增长的命运。因为,大数据一直是个难题。     

基于维基百科的语义知识库及其构建方法研究*

维基百科(Wikipedia)是规模最大的在线网络百科全书之一,采用群体在线合作编辑的Wiki机制,具有质量高、覆盖广、实时演化和半结构化等特点,是用来构建语义知识库的优质语料来源。分析了维基百科语料库的基本情况,综述了目前基于维基百科所构建的多种语义知识库及其概念抽取和关系抽取方法,讨论了各类方法的优缺点、开放问题和可能的研究方向。     

一种基于社区结构的用户兴趣关联规则发现方法

提出一种基于用户社区结构的用户兴趣关联规则发现方法,通过对用户按照兴趣进行社区划分,挖掘社区群体的共同兴趣,高效地发现兴趣之间的关联规则。对兴趣关联规则的特点进行了研究,分析发现有效关联规则均产生于社区内部的兴趣之间,不同社区之间的兴趣关联较少。     

维基百科在大学生信息素养培养中的应用研究

大学生的信息素养在一定程度上反应了学习的深度和综合程度。本文在分析了大学生信息素养的现状及其存在的问题,进而对应用维基百科（Wikipedia）培养大学生信息素养进行了深入探讨。     

Wikia:独乐乐,不如众乐乐

你也许没有听过Wikia,但你对维基百科绝对不会陌生.维基百科创始人吉米·威尔斯这样区别维基百科与Wikia的不同:"前者是一部百科全书,后者是这个世界的全部."     

基于主题词的微博热点话题发现

近年来,微博网站已成为海量信息的发布平台。微博丰富的信息为用户提供便利的同时,也带来了信息过载的风险。针对热点话题发现能够降低信息过载的风险,改善用户体验。结合最长公共子串和维基百科知识,提出一种基于主题词的中文微博热点话题发现方法。首先,获取微博数据的高频最长公共子串,作为描述话题的候选主题词;其次,利用维基百科知识,对候选主题词进行筛选;最后,对主题词集合聚类以发现话题,并计算每个话题的能量,从中选取热点话题。在真实数据集上的实验表明,该方法能有效发现微博热点话题。     

基于维基百科链接特征的词语语义相似度计算

针对目前基于维基百科的相似度计算方法预处理过程烦琐、计算量大的问题,本文以维基百科为本体引入基于特征的词语语义计算,提出了一种基于维基百科的快速词语相似度计算方法。根据维基百科页面链接结构的特点,该方法把页面的入链接和出链接作为页面特征值构建特征向量模型,通过计算页面的特征向量相关系数计算对应词语的语义相似度。本文还改进了维基百科消歧处理算法,在一词多义的处理中减少社会认知度低的义项页面的干扰,进一步提高了计算准确度。经Miller&Charles(MC30)和Rubenstein&Goodenough(RG65)测试集的测试,测试结果表明了基于维基百科链接特征的方法在计算相似度方面的可行性,也验证了本文的计算策略和消歧改进算法的合理性。     

一种学习路径规划的模型及方法

传统教育以预设课程内容为主进行教学,缺乏对知识点之间关系和学习状态的动态建模和评估,难于实现个性化学习路径规划和自适应学习。近几年,人工智能技术不断发展,使得对知识体系的海量数据检索分析和对学习者的状态评估成为了可能,每个领域的知识都可以抽象地表示为连接众多相关概念的复杂网络,精确地使用概念关系网络有助于制定高效的学习路径。本文提出了一种基于知识概念网络拓扑结构优化学习路径的建模方法,充分考虑了所学新知识与学习者已掌握知识之间的相互作用,同时根据知识的基础性和重要性程度差别提供不同的复习间隔。通过对生成的学习路径在全面性、一致性和准确性三个方面的实验评估,验证了提出的学习路径优化策略对所需掌握的知识点涵盖率达到 85% 以上,生成的学习序列与专家设计的合理序列的吻合程度最高达到 95%,并且通过学习者的实际测试显示了良好的学习效果。     

中文维基百科的结构化信息抽取及词语相关度计算方法

维基百科作为一个以开放和用户协作编辑为特点的Web 2.0知识库系统,具有知识面覆盖度广,结构化程度高,信息更新速度快等优点。然而,维基百科的官方仅提供一些半结构化的数据文件,很多有用的结构化信息和数据,并不能直接地获取和利用。因此,该文首先从这些数据文件中抽取整理出多种结构化信息;然后,对维基百科中的各种信息建立了对象模型,并提供了一套开放的应用程序接口,大大降低了利用维基百科信息的难度;最后,利用维基百科中获取的信息,该文提出了一种基于链接所对应主题页面所属类别的词语语义相关度计算方法。     

基于维基百科和模式聚类的实体关系抽取方法

该文提出了一种基于维基百科和模式聚类的方法,旨在从开放文本中抽取高准确率的中文关系实体对。首次使用从人工标注知识体系知网到维基百科实体映射的方式获取关系实例,并且充分利用了维基百科的结构化特性,该方法很好地解决了实体识别的问题,生成了准确而显著的句子实例;进一步,提出了显著性假设和关键词假设,在此基础上构建基于关键词的分类及层次聚类算法,显著提升了模式的可信度。实验结果表明该方法有效提升了句子实例及模式的质量,获得了良好的抽取性能。