基于语义网的语义相似度算法改进

传统的语义相似度算法采用纯语义距离或以本体库的统计特性为基础。论文的改进算法把这两者结合起来,互为约束,并且加入了“深度”和“密度”对语义距离的辅助影响。改变语义相关性的比重只需调节算法中的一个参数。最后通过WordNet构造的局部语义树,比较了各算法的有效性。     

h-MMHC算法及其在主因素分析中的应用

由于MMHC算法是针对所有的属性进行的网络结构图的构建,时间相对较长且结构图较为复杂。针对该情况,提出了启发式h-MMHC算法。它是MMHC算法的改进,从一个初始的属性集合出发,通过MMHC局部学习方法,借助启发策略,逐步添加新的属性,最终得到属性之间相关关系的贝叶斯网络结构。该研究以教学效果评估为实例,对于MMHC和h-MMHC算法做了比较。采用李克特量表法设计的调查问卷收集数据,使用两种算法对调查数据进行分析。相对于MMHC算法,由于减少了需要考虑的属性集规模,因此h-MMHC可更有效地应用于主因素分析中。     

语义网、语义网格和语义网络

语义网、语义网格和语义网络是三个容易混淆的概念,语义网是对WWW的延伸,其目标是使得Web上的信息具有计算机可以理解的语义,并为人们提供各种智能服务;语义网格是语义Web和网格相结合产生的新的研究领域;语义网络是知识的一种图解表示,它由节点和弧线或链线组成.通过对三者的概念、特征、应用等方面进行介绍从而说明了三者的联系以及不同,并说明了今后对三者的研究方向和重点问题.     

一个并行自动语义分析算法

本文提出了一个以有序属性文法为基础的并行自动语义分析算法,它通过构造所谓的并行访问序列和相应地扩充原来的属性计值驱动器来实现并行处理。为了实验的目的,该算法已通过模拟的方法获得实现。     

基于RDF的动态语义检索算法

在语义Web中,基于RDF,文章描述一个动态的语义检索算法(DSSAtheDynamicSemanticSearchAlgo-rithm),该算法通过分布式的资源相关库来发现动态资源之间的语义相关性,该算法不同于传统的语义检索算法,这是因为该算法引入了分布式的资源相关库,它是在用户进行语义查询的过程中动态建立起来的,随着资源的内容和状态的变化而不断变化,可以动态更新,最真实地反映资源的语义信息。文章确信该算法在保证查全率的基础上,会提高语义查询的查准率,并缩短返回查询结果的时间。     

语义网在文本分类中的应用

随着因特网上信息的大量增加,如果不依靠自动分类而完全通过手工进行文本分类,文本分类是不可能完成的。因此,文本自动分类成为一个重要的研究领域。首先介绍语义网及其相关技术,最后介绍基于本体技术的语义网的自动分类器。     

基于语句成分的英语语义分析算法及应用

英语语句的语义分析是英语考试主观题计算机自动评分、英语机器翻译、英语自动应答、英文文章摘要自动获取等课题的研究基础.基于语句成分的英语语义分析算法可以从英语语句中提取主语成份、谓语成分、宾语成分和其他成分,从而分析英语语义,该算法成功实现了英语汉译英主观题的自动评分.     

机器学习算法在数据挖掘中的应用

笔者围绕机器学习算法在数据挖掘中的应用展开探讨,首先阐述了机器学习及数据挖掘技术,进而分析了朴素贝叶斯算法、K-近邻法等相关原理,最后对机器学习算法在数据挖掘中的应用,如以机器学习算法为基础的GSM网络在定位中的应用、在改进BP神经网络中的应用等进行分析,希望能够为提高数据挖掘的整体性能提供参考。     

贪婪算法在构建物流网络中的应用

分析了目前我国物流产业发展的现状,提出了如何利用Dijkstra算法在一个物流网络的各个节点之中,找出适合作为物流中心的节点。然后根据实际情况的需要,提出了一种经过改进的并行Prim算法。根据这一算法可以在整个物流网络当中找出两条以上的物流送货线路,从而提高物流运输的工作效率并在一定程度上减少物流产生的损耗。     

语义网中的排序问题

网页排序算法的好坏很大程度上影响了万维网搜索引擎的用户体验.语义网为万维网带来了机器可理解的资源描述信息,也为搜索引擎带来了更大的挑战:搜索引擎的检索和排序的对象将不再局限于网页,而是包括了任何可以由URI唯一标识的对象,比如本体、本体中的词汇等等.本文介绍了语义网中不同的排序问题和目前已有的一些算法,并展望了语义网未来面临的排序问题和可能的解决方法.     

改进的萤火虫算法在神经网络中的应用

基本萤火虫算法存在容易陷入局部最优及收敛速度低的问题,提出了一种改进进化机制的萤火虫算法（IEMFA）。在群体进化过程中赋予萤火虫改进的位置移动策略,并利用改进后的萤火虫算法来优化传统BP神经网络的网络参数。测试结果表明,基于改进萤火虫算法的BP神经网络具有更好的收敛速度和精度。     

动态贝叶斯网络结构学习的依赖分析方法研究

针对现有动态贝叶斯网络结构学习方法具有低效率和低可靠性等问题,基于变量之间的基本依赖关系和依赖分析方法进行动态贝叶斯网络结构学习。建立变量之间依赖关系草图,通过条件独立行检验去除多余的边,使用碰撞识别和条件相对预测能力确定边的方向,便可得到构成动态贝叶斯网络结构的先验网和转换网。该方法在效率和可靠性方面均具有优势。     

改进的人工蜂群算法在神经网络中的应用

人工蜂群算法是模拟蜜蜂采蜜行为而提出的一种新的启发式仿生算法,属于典型的群体智能算法。提出了一种改进的人工蜂群算法,并利用改进后的人工蜂群算法来优化传统BP算法（神经网络算法中的误差方向传播算法）中网络参数的权值。实验结果证明该优化算法提高了BP神经网络收敛解的精度,加快了BP神经网络收敛速度。     

基于语义依存分析的图网络文本分类模型

针对目前已有的文本分类方法未考虑文本内部词之间的语义依存信息而需要大量训练数据的问题,提出基于语义依存分析的图网络文本分类模型TextSGN。首先对文本进行语义依存分析,对语义依存关系图中的节点（单个词）和边（依存关系）进行词嵌入和one-hot编码;在此基础上,为了对语义依存关系进行快速挖掘,提出一个SGN网络块,通过从结构层面定义信息传递的方式来对图中的节点和边进行更新,从而快速地挖掘语义依存信息,使得网络更快地收敛。在多组公开数据集上训练分类模型并进行分类测试,结果表明,TextSGN模型在短文本分类上的准确率达到95.2%,较次优分类法效果提升了3.6%。     

一种基于实时语义维层次链的OLAP查询算法

目前,P2P环境下的OLAP查询策略都是基于从客户端获取查询结果集,如DSCD算法和DQDC算法等主要是研究怎样快速地从客户端获取查询结果集,由于客户端的Data Cube的实时数据更新效率低,易导致查询结果失真,从而影响OLAP的查询效率。为了提高P2P网络中OLAP的实时查询效率,提出了一种RTOS（Real-time Semantic OLAP Search,实时语义的OLAP查询）算法,并结合查询速度和失真率两方面的实验证明,该算法能有效地提高P2P环境下OLAP的决策分析性能。     

基于PSO-BP算法的地理本体概念语义相似度度量

针对现有度量方法中考虑因素不够全面和因子权重计算依据经验确定的不足,提出粒子群优化BP神经网络（PSO-BP）的地理本体概念语义相似度度量模型。该模型利用本体属性、本体结构和语义关系的相似度,结合权重信息计算概念的综合相似度;同时,利用粒子群算法优化的BP神经网络获取因子权重,避免现有方法中因子权重确定的人为主观干扰。最后,从基础地理信息概念中提取出200组样本,用其中190组作为训练集,对神经网络模型进行训练,以获取权重;剩余10组作为测试集。将该模型和几种常用算法进行对比,通过分析测试集的各算法求解结果和专家判定结果之间的相关系数,结果表明该模型计算地理本体概念的相似度更为准确,符合人类认知特性,效果更好。     

社会语义网分析技术研究

为满足在线社会网络语义分析的需要,提出社会语义网络分析框架。该框架由两部分构成:一是在线社会网络的语义表示,利用RDF模型和已建立的本体描述在线社会网络,赋予社会网络丰富的语义信息;二是在线社会网络的语义分析,利用SPARQL对在线社会网络语义图进行检索过滤,获取满足语义要求的数据,在分析过程中利用属性的层次结构实现分析粒度的控制,通过属性路径检索实现整体网分析。通过应用案例,说明了所提框架的有效性。     

基于IPSO混沌支持向量机的网络流量预测研究

针对传统混沌支持向量机参数寻优算法的不足,提出了一种改进的粒子群(IPSO)算法。该算法通过延长迭代的开始阶段和最后阶段的搜索时间,实现了算法的全局搜索与局部搜索能力之间的平衡,进而优化模型参数,建立了基于IPSO优化的混沌支持向量机预测模型。应用实例结果表明,该模型对网络流量预测是有效可行的,并具有较高的寻优效率、预测精度和较好的稳态性能。     

PSO粒子群算法在神经网络泛化能力中研究

利用PSO粒子群算法对神经网络的权值和阈值,隐藏层中神经元的传递函数系数进行优化。针对网络训练效果好,而泛化能力很差的情况,将训练样本均方差和权值的平方和结合作为PSO算法的目标函数。实验表明,该方法比惯性权值PSO-BP算法和基本梯度下降法好,不但稳定性好,而且预测精度高,泛化能力得到明显加强。