贝叶斯网络

贝叶斯网络是现阶段处理不确定信息的主流,在很多领域已得到广泛应用,它是基于概率推理的图形化网络,具有一定的概率基础,其拓扑结构包括一个有向无环图和条件概率表,此外,论文详细介绍了贝叶斯网络的推理手段。     

融合特征关联性的深度哈希图像表示方法

针对深度描述子无法提供图像特征之间关联性的问题进行了研究,提出了一种融合特征关联性的深度哈希图像表示方法,这种方法将深度描述子之间的关系融入到图像内容的描述中,用于提高图像检索性能。首先,通过预训练网络生成图像的特征映射,并在此基础上提取出深度特征描述子。然后,将深度特征描述子映射为深度视觉词,从而用于深度视觉词的频繁项集发现。接下来将离散值的深度视觉词图像表示和哈希值的频繁项集图像表示连接生成图像表示。最后,算法通过图像类内、类间的相似性关系构造优化,得到最优的阈值,用于将图像表示变为哈希值。实验中,将提出的方法与一些优秀的图像表示方法在holiday、Oxford和Paris图像集的图像检索任务中进行了性能比对,用于证明此方法的有效性。     

基于逻辑回归的微博用户可信度建模

针对微博虚假用户问题,以新浪微博为研究平台,对微博用户的行为进行分析,从在线时长、发帖时间、互动程度等方面,提取用于区分用户类别的特征变量,运用逻辑回归算法,提出一个基于逻辑回归的微博用户可信度评价模型。实验结果表明,该模型能够对传统的虚假用户“僵尸粉”进行识别,对新型虚假用户有较高的识别率,可以根据置信值的大小对用户进行大致分类,实用性较强。     

信念网络检索模型扩展研究

依据《同义词词林（扩展版）》,以初始查询的同义词为证据扩展基本信念网络,得到扩展的信念网络检索模型,扩展模型采用不同的归并方法将得到不同的排序计算式。在析取归并算法的基础上,给出了合取归并算法,并对其进行了合理的修正。实验证明,合取情况下的检索性能高于析取情况。     

基于术语相似度的贝叶斯网络检索模型扩展

利用术语相似度将同义词间的相似程度数量化，以此量化关系对用于信息检索的简单贝叶斯网络进行改进，并进行有效的概率推理。实验结果表明新模型不仅具有良好的检索效果，而且相关文档的排序更加合理。     

动态话题追踪中的时序权重

在贝叶斯信念网络的基础上,给出了一个新的动态话题追踪模型作为文章的表示模型.依据时间距离量化动态话题追踪中的时序信息,并将其应用于特征权重的动态调整.考虑到较长时间没有再现的特征权重应该衰减,给出了权重衰减函数,若衰减后的特征权重低于一定的阈值,则将其视为冗余信息.实验采用TDT4测试集合和DET曲线进行评测,通过反复实验获得基于TDT语料的最优时间距离阈值α和决定是否为冗余特征的阈值β.实验证明,使用时序权重后可有效提高动态话题追踪模型的追踪性能.     

基于HITS算法的微博用户可信度评估

以新浪微博为研究平台,在HITS(hyperlink-induced topic search)算法的基础上,提出融合用户交互行为和博文内容的微博用户可信度评估算法。分别构建基于交互行为和基于博文内容的微博用户有向链接图,图中节点表示用户,有向边体现用户基于交互行为或基于内容的指向关系;依据HITS算法计算两种拓扑结构下微博用户的权威度和中心度;以融合的权威度作为度量评估用户可信度。试验采用从新浪微博采集的数据作为测试集合,通过反复训练法获得可信度阈值,绘制不同可信度算法的用户可信度曲线,验证了算法的可行性和有效性。     

结合时间信息的事件追踪的动态模型

针对互联网新闻事件追踪,结合时间信息提出了一种用于事件追踪的动态模型。该模型将时间因素加入到传统向量模型中,在此基础上得到文档与事件包含的相同特征词之间的时间相似度,并将其应用于文档与事件的相关性计算。若文档与事件相关,则把文档中新的特征词加入事件特征词集并重新调整事件特征词集中特征词的权重和时间信息。实验采用检测错误权衡(DET)曲线进行评估,结果显示与传统向量模型相比,用于事件追踪的动态模型有效地提高了系统性能,其最小的归一化追踪损耗代价降低了约9%     

基于贝叶斯信念网络的话题识别模型

针对贝叶斯信念网络应用于话题识别进行了研究, 提出了新的话题识别模型。模型的拓扑结构包括新报道、报道术语、事件术语、话题四层节点, 用弧标明索引关系。在贝叶斯概率和条件独立性假设的基础上, 模型运用条件概率计算新报道和已有话题簇的相似度, 从而实现话题识别。考虑到核心报道、核心事件的重要性, 对不同层次的权重计算进行了调整。实验采用DET曲线评测法对模型性能进行测试, 实验结果显示, 调整后的权重计算可在一定程度上提高新模型的性能, 与向量空间模型相比, 在相同阈值下新模型的漏报率与误报率有所降低。