一种新型最优检索结果的发现与论证

该文基于量化数据证明如下观点:检索结果中,本源正确的检索结果应为最佳(即蕴含的信息符合客观逻辑和自然规律的检索结果).在此基础上,提出了一种新型基于正确性的信息检索评测方法.文中讨论的信息正确性是一种事实性的客观正确性,不随用户主观判断产生正确性的变化,与依赖用户满意度的相关结果具有显著差异.当前,信息检索方向的研究尚未关注检索结果本源正确性的自动检测与应用,且尚未提出相应的排序优化算法.文中即针对这一问题进行量化的科学验证,并给出相关研究的评测框架.     

中文名词性谓词语义角色标注的特征研究

在语义角色标注中,相对于动词性谓词,名词性谓词与其角色之间的结构更灵活和复杂。为了更好地捕获这些结构化信息,通过对名词性谓词语义角色标注相关特征集的研究,探索了新的单词特征和句法特征,用于名词性谓词语义角色标注。基于正确句法树和正确谓词识别,中文名词性谓词语义角色标注的F1值达到了73.99,优于目前国内外的同类系统;基于自动句法树和自动谓词识别,性能F1值为57.16。最后,讨论了使用动词性谓词的特征实例来提高名词性谓词SRL的准确率,然而性能的提高并不是很明显。     

最大熵模型在邮件分类中的应用

邮件分类是指在给定的分类体系下,根据邮件的内容和属性,确定其类别标签的过程。将最大熵模型应用于邮件分类中,给出了邮件的预处理过程,介绍了邮件信头特征,分析比较了特征数量和迭代次数、邮件特征字段对分类结果的影响,以及对层次分类和平面分类的效果进行了比较。实验表明,特征数量和迭代次数分别取2 000和250时为宜;充分利用邮件各字段信息,取得的总体分类效果最好,但对合法邮件,利用邮件头及邮件标题却取得了最好结果,并在层次分类中验证了这点,层次分类效果要优于平面分类。最后进行了总结和展望。     

面向国防科技领域的技术和术语语料库构建方法

互联网存在海量的文献和科技信息,隐含着大量高价值情报。识别国防科技领域中的技术和术语可以为构建国防科技知识图谱奠定基础。该文基于此领域的海量军事文本,以维基百科中军事领域的新技术为基点采集语料,涵盖了新闻、文献和维基百科三种体裁。在分析军事技术文本特点的基础上制定了一系列标注规范,开展了大规模语料的标注工作,构建了一个面向国防科技领域的技术和术语语料库。该语料库共标注了479篇文章,包含24 487个句子和33 756个技术和术语。同时,该文探讨了模型预标注策略的可行性,并对技术和术语类别在不同体裁上的分布以及语料标注的一致性进行了统计分析。基于该语料库的实验表明,技术和术语识别性能F₁值达到70.40%,为进一步的技术和术语识别研究提供了基础。     

基于Winnow的中文邮件分类器的设计

本文首先通过建立实验用中文邮件语料库，提出了用Winnow算法实现邮件分类器，并讨论了其特点,然后，文章提出了通过建立分类规则库改善邮件分类器的分类效果．实验证明，该方法能有效提高邮件分类的可信度．     

网页中商品“属性—值”关系的自动抽取方法研究

商品属性及其对应值的自动挖掘,对于基于Web的商品市场需求分析、商品推荐、售后服务等诸多领域有重要的应用价值。该文提出一种基于网页标题的模板构建方法,从结构化网页中抽取完整的商品“属性—值”关系。该方法包含四个关键技术 1)利用商品网页标题构建领域相关的属性词包;2)基于预设分隔符细化文本节点;3)结合领域商品属性词包获取种子“属性—值”关系;4)结合网页布局信息和字符信息来筛选与构建模板。该文的实验基于相机和手机两个领域展开,获得94.68%的准确率和90.57%的召回率。     

话题跟踪中静态和动态话题模型的核捕捉衰减?

话题跟踪是一项针对新闻话题进行相关信息识别、挖掘和自组织的研究课题,其关键问题之一是如何建立符合话题形态的统计模型.话题形态的研究涉及两个问题,其一是话题的结构特性,其二是话题变形.对比分析了现有词包式、层次树式和链式这3类主流话题模型的形态特征,尤其深入探讨了静态和动态话题模型拟合话题脉络的优势和劣势,并提出一种基于特征重叠比的核捕捉衰减评价策略,专门用于衡量静态和动态话题模型追踪话题发展趋势的能力.在此基础上,分别给出突发式增量式学习方法和时序事件链的更新算法,借以提高动态话题模型的核捕捉性能.实验基于国际标准评测语料TDT4,采用NIST(National Institute of Standards and Technology)提出的最小检测错误权衡系数评测法,并结合所提出的核捕捉衰减评价方法,对各类主要话题模型进行测试.实验结果显示,结构化的动态话题模型具有最佳的跟踪性能,且突发式增量式学习和时序事件链的更新算法分别给予动态话题模型0.4%和3.3%的性能改进.     

一个基于LAN的通用汉字输入比赛软件设计和实现

本文结合一个应用实例,阐述了通用汉字输入比赛软件(GCCICS)的系统结构及其采用的技术、方法。GCCICS以Windows95中文版为运行的软件环境,以局域网为运行的硬件环境,适用于不同的汉字输入法、不同的汉字内码集。     

面向服务网格的自调度算法优化技术*

将自调度引入到面向语言文字信息处理的服务网格中,并结合语言文字信息处理和自调度的特点,提出了一种服务网格环境下的自调度算法优化方案。该方案从数据的传输、子节点的处理方式这两个方面入手,用socket传输数据及子节点采用生产者—消费者模式来优化经典的自调度算法。实验证明,该方案能比原有的自调度算法在总响应时间上平均缩短5％以上。