时态GIS模型研究

本文主要对时态GIS的模型进行研究,笔者分析比较了当前所使用的时态GIS模型,提出自己在时态GIS模型选择上的观点以及改进后的模型,并在实际工作中对其进行了论证。     

具有不确定性的时态模型

1引言 许多时态逻辑考虑定性的确定时态信息。Allen~[1.2]推荐一种区l可代数,提出了3定性的确定时态关系。VanBek~[14],Ligozat~[10],Pape~[12],RitL~[13],Ladkin~[5][6]和eban[8]也研究了时间区间的     

时态数据库多级安全模型研究

文章将时态逻辑引入数据库安全模型,在对传统信息安全模型修改完善的基础上提出了基于角色和时态的多级数据库安全模型。文中介绍了该模型的定义,规则和定理系统,并简单介绍了其实现。     

时态空间查询语言及时态空间GIS结构模型

时态空间数据一体化是实现地理信息共享与发布的基础，在总结相关领域研究状况的基础上，对时态空间数据库在地理信息系统上的实现进行了一些探讨，设计了一种混合式时态空间查询语言，并以此语言为基础，构建了时态空间地理信息系统结构模型。     

双时态理论在空间数据模型中的应用

根据空间数据库的发展需要,该文将时态信息管理领域中的双时态理论引入到其中,形成了一个可处理时间事务信息的时空数据概念模型。该模型在配电信息系统中得到了应用。     

时态多维模型设计

传统的数据仓库基于维度时不变的观点,只考虑事实随时间的变化.实际上,数据仓库的多维模式是随时间缓慢变化的.数据仓库多维模式的变化会影响OLAP查询结果的正确性,有必要对多维模式的历史变化进行维护.在分析多维模型结构的基础上,对多维模式的元素进行时态扩展,给出了一种能解决复杂多维结构的时态多维模型的形式定义,并对时态模型更新操作的实现进行了分析,最后对时态模型各元素应满足的时间一致性约束进行了分析.     

时态工作流模型概述

随着工作流技术成为计算机应用领域中的研究热点,对工作流模型的研究也开始越来越多。时间管理在工作流中占有重要的地位,本文对时态工作流模型进行了综述,同时分析了这些模型中存在的不足并提出了一些完善时态工作流模型的方向。     

基于对象时态稳定性分类特征的双时态ER模型

对双时态数据库建模时以客观事物的时态特征为切入点,定义有关时态表示的双时态点、双时态组合集和双时态标签,通过分析客观对象的时态稳定性,将其划分为时态值稳定对象和时态值变对象。参照数据库概念结构设计基本方法,给出一种基于对象时态稳定性分类特征的双时态ER模型,并定义了相关的基本图元及建立规则,该模型可有效减少因模式中存在大量与时态无关属性而造成的数据冗余现象。最后给出该模型与应用较为普遍的BCDM模型相互转化的方法,使其具有推广应用价值。     

标签时态特征分析及其在标签预测中的应用

标签作为用户生成的对资源的描述,反映了资源的语义和用户的兴趣。由于Web资源的动态性,标签数据相应地表现出较为明显的时态特征,已有相关研究中标签的时态特征却很少受到关注。针对这方面的不足,对标签数据的时态特征以及基于时态特征的标签间语义关联进行分析,并提出发现标签时态特征的时间段划分准则;为了评价标签时态特征的价值,以经典的统计主题模型为基础,提出新的模型用于分析数据时态特征对所生成主题的影响,并将其用于标签预测。在多个数据集上的测试验证了标签数据的时态特性及其对提高标签预测性能的影响。     

主题模型中的参数估计方法综述

主题模型利用快速的机器学习算法从高维稀疏的单词数据中提取出低维的主题表示,实现了对文档单词的聚类。对主题模型中的参数进行估计是该领域的一项重要研究工作。详细描述了概率潜在语义分析模型和潜在狄利克雷模型以及主题模型中基本的参数估计方法,并对模型的困惑度进行了实验比较。     

社交媒体话题检测与追踪技术研究综述

随着计算机的普及与互联网的高速发展,Facebook、Twitter、新浪微博等社交媒体逐渐成为人们信息交流的主要渠道。然而,由于社交媒体信息具有数量庞大、结构复杂、传播速度快等特点,人们无法从中快速准确地获取想要的信息。于是,话题检测与追踪技术应运而生,它将用户关注的信息从大量无序信息中筛选出来,经过细致的过滤和有效的整合,生成简单、清晰的话题信息,并在此基础上实现对话题的追踪和发展趋势分析。该文对社交媒体上的话题检测与追踪工作进行综述,首先论述了话题检测方面的三类方法,包括基于主题模型的话题检测、基于改进聚类算法的话题检测和基于多特征融合的话题检测;其次,对话题追踪的研究成果进行了介绍,主要分为非自适应话题追踪和自适应话题追踪两大类;最后,列举出社交媒体话题的检测与追踪中存在的问题以及对未来研究的展望。     

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.     

融合DSTM和USTM方法的主题模型

当前监督或半监督隐藏狄利克雷分配（latent Dirichlet allocation,LDA）模型多数采用DSTM（down-stream supervised topic model）或USTM（upstream supervised topic model）方式加入额外信息,使得模型具有较高的主题提取和数据降维能力,然而无法处理包含多种额外信息的学术文档数据。通过对LDA及其扩展模型的研究,提出了一种将DSTM和USTM结合的概率主题模型ART（author ＆amp; reference topic）。ART模型分别以USTM和DSTM方式构建了文档作者和引用文献的生成过程,因此可以对既包含作者信息又包含引用文献信息的文档进行有效的分析处理。在实验过程中采用Stochastic EM Sampling 方法对模型参数进行了学习,并将实验结果与Labeled LDA和DMR模型进行了对比。实验结果表明,ART模型不仅拥有高效的文档主题提取和聚类能力,同时还拥有优良的文档作者判别和引用文献排序能力。     

改进在线词对主题模型的微博热点话题演化

话题演化分析是舆情监控的研究热点之一,面向微博热点话题进行演化分析,对于网络用户以及网络监管部门都有很重要的现实意义。针对在线词对主题模型（On-line Biterm Topic Model,OBTM）新旧主题混合、冗余词概率相对较高的问题,对OBTM进行改进,提出基于话题标签和先验参数的OBTM模型（Topic Labels and Prior Parameters OBTM,LPOBTM）。根据微博热点话题的话题标签,将微博文本集区分为含话题标签和不含话题标签的两类数据集,并设置不同的文档-主题先验参数;在前一时间片文档-主题概率分布的基础上,借鉴Sigmod函数对所有主题进行强度排名,从而优化当前时间片上主题-词分布的先验参数计算方法。实验结果表明,LPOBTM能够更准确地描述话题的内容演化情况,并且有更低的模型困惑度。     

基于BTM和K-means的微博话题检测

近年来,微博等社交网络的发展给人们的沟通交流提供了方便。由于每条微博都限定在140字以内,因此产生了大量的短文本信息。从短文本中发现话题日渐成为一项重要的课题。传统的话题模型(如概率潜在语义分析(PLSA)、潜在狄利克雷分配(LDA)等) 在处理短文本方面都面临着严重的数据稀疏问题。另外,当数据集比较集中并且话题文档间的差别较明显时,K-means 聚类算法能够聚类出有区分度的话题。引入BTM话题模型来处理微博数据这样的短文本,以缓解数据稀疏的问题。同时,整合了K-means聚类算法来对BTM模型所发现的话题进行聚类。在新浪微博短文本集上进行的实验证明了此方法发现话题的有效性。     

融合主题与语言模型的个性化标签推荐方法研究

随着Web的推广和普及,产生了越来越多的网络数据。 广泛应用了 标签系统 ,以便人们使用搜索技术来组织和使用这些信息。这些数据允许用户使用关键字(标签)注释资源,为传统的基于文本的信息检索提供了方案。为了支持用户选择正确的关键字,标签推荐算法应运而生。提出了一种个性化标签推荐方法,该方法综合了用户的资源标签与标签概率模型。该模型利用了简单语言模型和隐含狄利克雷分配模型,并针对现实世界的大型数据集进行了大量实验。实验表明,该个性化方法改进了标签推荐算法,推荐结果优于传统方法。     

基于话题模型的科技文献话题发现和趋势分析

自动挖掘科技文献话题,总结发展趋势及最新研究动态,有助于科技工作者的研究。该文提出一种话题发现和趋势分析的方法,该方法首先利用LDA话题模型抽取科技文献的话题,然后计算话题的强度和影响力,最后针对热门和冷门话题以及影响力高和影响力低的话题,进行了趋势分析。该文提出的话题强度和影响力计算方法,可以针对任何文集。对ACL 论文集的实验,显示了计算语言学领域过去的发展状况。和其他方法的对比实验,也验证了该文提出的话题强度和影响力的计算方法是正确和可行的。     

LDA模型在话题追踪中的应用

随着对LDA模型的研究越来越深入,文本表示和挖掘能力进一步提高。话题是LDA模型中一个非常重要的概念,是特征集合的一个多项式概率分布。话题追踪是根据少数已知相关信息在未知报道流中追踪一个话题,找出与该话题相关的所有报道。把LDA模型用于话题追踪,目的有两个:(一)检验LDA话题对追踪话题的表示能力;(二)检验LDA模型在挖掘训练数据中的追踪话题时,LDA话题和追踪话题之间的关系。实验表明:相对于经典的向量空间模型和一元语言模型,以及专门针对追踪话题提出的事件模型,基于LDA模型的追踪性能更好,但由于粒度不同,LDA模型中的话题和追踪话题并没有直接的一一对应的关系,实现可定制话题的LDA模型是下一步工作的目标。     

基于话题标签的微博主题挖掘

随着互联网的发展,微博已成为人们获取信息的主要平台,为从海量微博中挖掘出有价值的主题信息,结合微博中的会话、转发和话题标签,将微博划分为用户兴趣、用户互动和话题微博3类,提出基于作者主题模型( ATM)的话题标签主题模型HC-ATM,使用Gibbs抽样法对模型进行推导,获取微博主题结构。在Twitter数据集上的实验结果表明,与ATM模型和基于潜在狄利克雷分布的微博生成模型相比, HC-ATM模型的主题困惑度更小、差异度更大,并且能有效挖掘出不同微博类型的主题分布。