结合同义向量聚合和特征多类别的KNN分类算法

特征选择是文本分类的关键阶段,其选择过程将影响文本分类速度与精度。χ²统计量能很好地体现词和类别之间的关系,是文本分类领域特征提取阶段的重要方法之一。分析了χ²统计量在文本分类中的应用,发现CHI向量所表达的与各类别关系的特征词无法全面表达出此类的概念含义,依赖于训练集中出现的特征情况,且该向量仅用于特征选择阶段;针对χ²统计量特征词的表达局限及其向量没有得到充分利用的问题,提出结合同义向量聚合和特征多类别的改进KNN分类算法,该方法能够综合考虑特征所表达的含义,且通过特征集多类别矩阵使CHI向量也能在分类阶段起到提高整个算法效率的作用。实验结果与分析表明,该改进算法明显提高了文本分类效率,并且提高了分类的精度。     

基于主控流动的多级Multi-Agent系统

从分析人的思维活动着手,提出了模拟人类智能活动过程构筑Ｍｕｌｔｉ－Ａｇｅｎｔ系统的方法,并由该方法构造了基于主控流动的多级Ｍｕｌｔｉ－Ａｇｅｎｔ系统。其主要特点是把小 Ｍｕｌｔｉ－Ａｇｅｎｔ系统视为一个特殊的Ａｇｅｎｔ,并由这种特殊的Ａｇｅｎｔ组成更高一级的Ａｇｅｎｔ系统…从而形成多级Ｍｕｌｔｉ－Ａｇｅｎｔ系统,而且在每一级Ａｇｅｎｔ系统中均采用了主控流动策略,使得整个系统能够把巨量的Ａｇｅｎｔ有效地结合起来。系统效率高,能主动改变和适应环境,为设计具体的大规模Ｍｕｌｔｉ－Ａｇｅｎｔ系统提供了一种可行的解决方案。     

基于粒度计算理论的数据分类建模

文章研究了基于粒度计算理论的数据分类建模,引入了全粒度空间的概念,定义了集合的粒度表示,给出了概念学习在粒度计算理论中的解释,导出了一个基于数据分类的知识发现模型,从而说明了知识发现可归结为在全粒度空间中寻找目标概念的最佳粒度表示,而各粒度描述的析取构成决策规则的前件。     

一种基于Agent的智能远程教学系统

智能远程教学是基于网络和现代信息技术产生的一种新型教学方式,它具有时效性、智能性、交互性和多媒体特性.随着网络技术的发展,远程教学已有了长足的进步,初步形成了一种新的教学模式.     

一种新的启发式知识约简算法

知识约简是Rough Set理论研究的重要内容.通过分辨矩阵定义了简化分辨函数,然后针对此分辨函数构造了两种操作以及定义了覆盖、最小覆盖等概念,并基于这种操作、概念和相关原理将决策系统的约简问题转化为寻求简化分辨函数最小覆盖的问题;面向最小属性约简定义了基于简化分辨函数的属性重要度,并以此为启发信息,结合已导出的有关最小覆盖的定理构造了一种新的知识约简算法--算法SDFAR.文中,在理论上详细证明了提出算法的完备性并给出了算法的复杂性分析,说明其高效性,对寻找最小约简是相对有效的,这在最后的实验中也得到了验证.     

基于语义关联和信息增益的TFIDF改进算法研究*

基于词频反文档频率(term frequency inverse document frequency,TFIDF)的现有文本特征提取算法及其改进算法未能考虑类别内部词语之间的语义关联,如果脱离语义,提取出的特征不能很好地刻画文档的内容。为准确提取特征,在信息熵与信息增益的基础上,加入词语的语义关联因素,实现融合语义信息的特征提取,进而提出语义和信息增益相结合的TFIDF改进算法,该算法弥补了统计方法丢失语义信息的弊端。实验结果表明,该算法有效地提高了文本分类的精准率。     

依存分析和HMM相结合的信息抽取方法

信息抽取是文本信息处理的一个重要环节,当前的信息抽取研究工作大多针对半结构化的文本。针对自由文本,提出一种依存分析和HMM相结合的文本信息抽取算法,该算法在运用依存分析对句子进行浅层句法分析的基础上制定相应规则,形成输入序列,结合HMM易于建立、适应性好、抽取精度较高的优势,实现自由文本的信息抽取。实验结果表明,新的算法在召回率、准确率和正确率指标上均有良好的性能,说明了算法的有效性,为文本信息的抽取提供了新思路。     

课程交叉教学方法探讨

针对理论课程和技术课程教学之间脱节的问题,在已有教学实践基础上,从课程知识点的划分、知识点之间关系的分类以及基于各种关系的交叉教学实施方法等方面,探讨课程交叉教学的具体做法。教学实践表明,这种教学方法可以较好地调动学生的学习积极性和主动性,有助于学生培养基于深厚理论知识的系统的实践技能。     

运用多模态学习改进张量分解的知识补全方法

基于单一模态实体之间建立关联所形成的语义关系网难以准确理解现实世界中的多模态语义。为增强多源知识图谱的补全能力以及解决知识图谱语义缺失问题,提出一种基于多模态嵌入张量分解的方法 ME-TD (multimodal embedding tensor decomposition)。利用由图像、描述文本和知识构成的三元组作为张量分解模型的输入,分别对图像和文本进行特征提取,研究3种融合方法：相加融合、相乘融合以及连接映射方法,通过高维映射形成一个多模态的三阶张量;经过三模式分解,产生一个核心张量与每一个维度因子矩阵的乘积,通过链接预测计算三元组正确的概率。实验结果表明,ME-TD方法在知识补全中对多模态矩阵预测效果相较于其它方法有较为明显提升。     

基于双向注意力机制的多模态情感分类方法

社交网络的发展为情感分析研究提供了大量的多模态数据。结合多模态内容进行情感分类可以利用模态间数据的关联信息,从而避免单一模态对总体情感把握不全面的情况。使用简单的共享表征学习方法无法充分挖掘模态间的互补特征,因此提出多模态双向注意力融合(Multimodal Bidirectional Attention Hybrid, MBAH)模型,在深度模型提取的图像和文本特征基础上,利用双向注意力机制在一个模态下引入另一个模态信息,将该模态的底层特征与另一模态语义特征通过注意力计算学习模态间的关联信息,然后联结两种模态的高层特征形成跨模态共享表征并输入多层感知器得到分类结果。此外MBAH模型应用后期融合技术结合图文单模态自注意力模型搜寻最优决策权值,形成最终决策。实验结果表明,MBAH模型情感分类结果相较于其他方法具有明显的提升。