基于语义倾向性的文本过滤研究*

以往文本过滤的研究主要集中于主题过滤,然而随着网络的发展,倾向性文本过滤在网络信息安全方面的作用越来越大。在语义倾向性分析中,若忽略关联词和修饰词则有可能导致对极性词的倾向或强度判断失误。针对这一问题,提出了一种新的语义倾向性识别算法,用于对潜在极性词进行倾向性识别,并应用到文本过滤方面。实验表明此方法具有较高的准确率和召回率。     

基于agent的模式表示模型AIM

针对模式表示研究存在的语义缺失问题,基于agent技术和人的记忆原理,提出一个新的模式表示模型agent影响图(agent influence map,AIM)。AIM反映了模式的整体特征,提供一个有效的软计算工具来支持基于先验知识的自适应行为。AIM通过特征的多阶段整合呈现记忆模式的层次性;把模式信息存储在整个网络中,通过协作涌现出高层次特征体现记忆的语义特性。     

设计Agent系统应注意的问题

面向Agent技术在不久的将来可能为计算机或其它科学提供一种新的计算模式,现在已经引起了各国的关注,并取得了一些惊人的效果.由于对Agent定义有许多争议,所以给设计Agent系统带来了一些困难,文章就设计者在设计Agent系统时应注意的问题,提出几点建议.     

机器证明的困难所在

机器证明是人工智能的一个重要课题,即用计算机来证明定理,亦称自动证明或定理的机械化证明,其基础是由 Hibert 在1930年奠定的,60多年来历程艰苦,困难在于传统逻辑、三段论、充分条件、同理可证、直觉思维的局限性。如果我们正视这些困难,利用专家系统,机器学习等技术,机器证明将进入一个崭新的局面。     

一个描述机器人团队形成的动态演化模型

目前在多机器人领域，对组织、团队和群体概念比较混乱，团队形成的研究大都停留在定性分析阶段。借鉴Markov过程和进化计算，从协作主体层和能力层研究了机器人团队和组织的区别及团队的形成机制。提出并全面描述了一个机器人团队形成的动态演化模型，目前国内外尚无类似模型。该模型不仅能对机器人团队有一个整体描述，而且能定量描述团队形成时的动态演化过程。     

基于Agent的模式识别框架APRF的研究

模式识别过程就是对输入模式的分类过程,类是模式的本质,一般认为特征向量是模式的概括,基于这一认识,使得计算机准确地识别模式为某一类是困难的,问题在于人类的识别活动从不基于什么概括的特征向量,而是基于对输入模式的某一侧面的认识,然后利用相似、融合、协同进行识别.这一机制与Agent的工作原理极其相似,通过分析概括模式对模式识别所带来的困难,基于协同学中序参量的概念,给出了基于Agent的模式识别框架APRF（agent orientation patten recognition frame）.     

基于多Agent的模式识别框

传统的模式识别方法主要存在两个方面的不足：集中式控制；依赖于特征抽取和选择的质量．本文的研究是在分析自上而下模式识别方法和自下而上模式识别方法的特性和优缺点基础上，基于多agent理论和技术，提出了将两种不同类型的方法集成的模式识别框架APRF（Agent-Based Pattern Recognition Frame） ；先用自下而上定量计算方法对模式建模，使其有利于分类；再用自上而下的定性分析方法对模式涌现．目的是让计算机模式识别更符合人的认知过程，APRF的基本思想是：模式识别一模式建模＋模式涌现．     

一种基于Agent复合学习的搜索引擎模型

基于Internet上信息检索中存在的问题,提出了一种基于多Agent的搜索引擎模型,并具体描述该模型的体系结构及其检索机制,描述了用户偏好学习算法。借助Agent复合学习方法对网页信息进行分类学习,从而达到提高检索精度的目的。