面向领域开源文本的因果知识提取

因果知识是一类十分常见的知识类型,也是领域知识库的重要组成部分。基于互联网信息资源自动提取因果相关知识,对社会计算系统的建模和智能系统的建造具有十分重要的意义。本文面向开源中文文本信息,研究建立并实现一种自动提取因果知识的方法,以有效支持网上知识工程和安全领域的因果情报自动获取与因果知识库的构建。     

面向社会事件的半监督自训练多方立场分析

已有的立场分析方法主要采用有监督或无监督方式训练立场分类模型,有监督模型训练通常需要大量有标注数据支持,而相比有监督模型,无监督模型的性能差距较大.为了降低模型训练对有标注训练数据的要求,同时保证模型性能,文中面向社会事件相关的社交媒体文本,提出半监督自训练多方立场分析方法.对于自训练方法,在模型迭代训练过程中,选择高质量样本加入训练集合,对提升模型性能起到关键作用.为此,文中方法首先根据用户立场一致性度量文本的分类置信度,然后利用话题信息进一步筛选高质量样本扩充训练集合,保证模型性能不断提升.实验表明,相比相关工作中的代表性方法和其它半监督模型训练方式,文中方法能够取得更优的立场分类效果,并且方法依据的用户立场一致性和话题信息均有助于提升立场分类效果.     

基于SELD描述语言的英文科技文本知识自动获取

知识获取一直是智能系统的瓶颈问题.本文将介绍我们设计的一种英文科技文献描述语言--SELD以及基于SELD的文本知识自动获取技术.SELD是一种与科技英语十分相近的类自然语言,英文科技资料经SELD语言稍加改写后,基于SELD的知识获取系统SELKAS便可以自动对其进行编译、知识提取和整理,形成领域知识库.SELKAS可作为智能系统建造过程中的知识自动获取工具.     

Exploring Social Annotations with the Application to Web Page Recommendation

Collaborative social annotation systems allow users to record and share their original keywords or tag attachments to Web resources such as Web pages, photos, or videos. These annotations are a method for organizing and labeling information. They have the potential to help users navigate the Web and locate the needed resources. However, since annotations are posted by users under no central control, there exist problems such as spam and synonymous annotations. To efficiently use annotation information to facilitate knowledge discovery from the Web, it is advantageous if we organize social annotations from semantic perspective and embed them into algorithms for knowledge discovery. This inspires the Web page recommendation with annotations, in which users and Web pages are clustered so that semantically similar items can be related. In this paper we propose four graphic models which cluster users, Web pages and annotations and recommend Web pages for given users by assigning items to the right cluster first. The algorithms are then compared to the classical collaborative filtering recommendation method on a real-world data set. Our result indicates that the graphic models provide better recommendation performance and are robust to fit for the real applications.     

社会计算:理论与方法专刊前言

信息技术与互联网的深入发展与普及,对人们的社会交往模式产生了深远的影响,其发展也带来一场计算技术的变革.信息科学技术的研究从以往重视具体技术问题,发展到更高层次上利用计算手段模拟及解析社会理论和研究社会相关问题,进行计算科学与社会科学的交叉研究.近年来,社会计算迅速兴起和发展,并得到国内外计算机及相关交叉学科领域的高度重视.与此同时,为了有效应对复杂和动态变化的网络化社会带来的新型问题与挑战,亟需发展社会计算的基础理论、建模、分析与计算方法.本专刊收录的12篇论文反映了我国学者近期在社会     

多智能体交互环境下的社会推理计算模型

社会因果关系推理是社会智能的一个核心方面.建立社会推理计算模型有助于增强智能系统的认知和社会功能,并有力促进多智能体系统的设计与实现.本文基于领域任务因果知识和智能体交互行为描述,提出一种对社会因果关系和社会行为进行推理评判的计算模型.结合应用环境,给出该模型的运行实例.与相关工作进行比较,验证本文计算模型的有效性.     

基于动态演化的讨论帖流行度预测

互联网用户间的交互行为,使得某些用户生成的内容(如讨论帖、微博话题)变得流行。对所关注内容的流行度进行建模和预测,在多个领域中具有十分重要的研究和应用价值。针对论坛讨论帖的流行度预测问题,基于早期的发展演化信息,探讨了影响讨论帖流行度的相关动态因素,并提出一种结合局部特性、融合多个动态因素的讨论帖流行度预测算法。以豆瓣小组的数据为例,对所提出的算法进行实验。实验结果表明,所提出的融合多种动态因素的方法与基准方法相比,能够较好地预测讨论帖的流行度。     

存储与处理合一的智能系统

本文介绍了将智能系统中的存储与处理合为一体的构想，并且阐述了基于这一思想的智能系统的结构模型，及其可能带来的一些应用前景。     

Performance Evaluation of Machine Learning Methods in Cultural Modeling

Cultural modeling (CM) is an emergent and promising research area in social computing. It aims to develop behavioral models of human groups and analyze the impact of culture factors on human group behavior using computational methods. Machine learning methods, in particular classification, play a critical role in such applications. Since various cultural-related data sets possess different characteristics, it is important to gain a computational understanding of performance characteristics of various machine learning methods. In this paper, we investigate the performance of seven representative classification algorithms using a benchmark cultural modeling data set and analyze the experimental results as to group behavior forecasting.