复杂网络中社区发现方法的研究

研究复杂网络中社区发现方法对分析复杂网络的拓扑结构和层次结构、理解社区的形成过程、预测复杂网络的变化趋势、挖掘复杂网络蕴含的规律特征具有十分重要的意义。同时,复杂网络社区发现方法在众多实际领域还有广泛的应用前景。综述了复杂网络社区发现方法的研究现状,将社区发现方法分为无重叠社区发现、重叠社区发现、演化发展社区发现三个方面,并分析比较了算法时间复杂度和准确度。试图为社区发现方法的研究工作提供有益的帮助和参考。     

一种面向微博用户的标签推荐方法

首先对国内微博平台的信息进行了综合分析,主要介绍了微博信息的定义,在错综复杂的微博信息中哪些信息比较重要,以及这些微博信息包含哪些详细的内容,是如何组织的。然后选取新浪微博平台作为研究对象,利用新浪微博API设计了爬虫程序,抽取用户信息;以用户的关注人数、粉丝数和发布的微博数为标准对用户信息进行了定量分析。最后根据分析结果,针对不同特征的用户群体提出了相应的标签推荐方法。     

显式融合词法和句法特征的抽取式机器阅读理解模型

预训练语言模型虽然能够为每个词提供优良的上下文表示特征,但却无法显式地给出词法和句法特征,而这些特征往往是理解整体语义的基础.鉴于此,本文通过显式地引入词法和句法特征,探究其对于预训练模型阅读理解能力的影响.首先,本文选用了词性标注和命名实体识别来提供词法特征,使用依存分析来提供句法特征,将二者与预训练模型输出的上下文表示相融合.随后,我们设计了基于注意力机制的自适应特征融合方法来融合不同类型特征.在抽取式机器阅读理解数据集CMRC2018上的实验表明,本文方法以极低的算力成本,利用显式引入的词法和句法等语言特征帮助模型在F₁和EM指标上分别取得0.37%和1.56%的提升.     

冠心病智能诊断算法仿真研究

研究冠心病诊断问题,冠心病影响指标多,指标体系中存在大量的重复信息,传统方法无法消除重复信息,冠心病诊断准确率低,误诊率高.为了提高冠心病诊断准确率,提出一种智能的冠心病诊断算法.首先科学、准确地选择冠心病指标体系,然后采用主成分分析对指标体系进行筛选,消除重复信息,最后采用支持向量机对冠心病建立分类器,实现冠心病智能诊断.仿真结果表明,相对于其它传统冠心病诊断方法,智能诊断算法有效提高了冠心病诊断准确率,克服了传统诊断缺限,为冠心病临床诊断提供了依据.     

基于结构挖掘的论坛检索模型

随着互联网的发展,网络论坛中蕴涵着数量巨大且质量较好的知识资源。因此对论坛信息进行有效地检索具有重要应用价值。该文研究适合于论坛数据的检索模型,以期能够充分利用论坛平台累积的海量数据来满足用户的信息需求。针对论坛页面和普通新闻页面的区别,该文提出关键帖抽取算法和论坛线索重构算法来选择论坛中信息含量丰富的帖子,并利用得到的帖子构建检索系统。实验表明该文提出的方法能够有效地提升论坛检索系统的效果。     

基于聚类分析策略的用户偏好挖掘

利用训练文档集准确高效地挖掘隐藏的用户文本偏好和概念向量是文本信息过滤和多文档自动文摘等自然语言处理应用的关键技术之一。针对训练文本集中往往存在多个主题类别的问题,提出一种基于聚类分析策略的文本偏好挖掘方法。其基本思路是对训练文档集进行聚类处理,然后对同主题文档进行共性分析,并经过特征权值调整和特征约简,获得表示用户不同主题偏好的概念向量。实验结果表明该方法具有对用户的文本偏好刻画更加精确,对相关阈值变化不敏感等优点,可以与Rocchio等算法结合来进行用户兴趣建模。     

基于Transformer的机器阅读理解对抗数据生成

机器阅读理解任务是衡量模型对于文本信息理解程度的一种重要方式,一直以来备受关注。近年来,很多学者在这一任务上提出了自己的模型,并取得了相当不错的成绩,其中一部分甚至已经超越了人工回答的准确率。然而,这些模型是否真正地、深入地理解了文本语义,还是仅依靠浅层的词语相似度和答案类型来进行简单的搜索?为了进一步评价阅读理解模型对于文章语义的理解程度,本文提出了一种基于Transformer结构的对抗数据生成方法,并对主流阅读理解模型进行了检测。     

一种改进的k-means文档聚类初值选择算法

提出了一种改进的基于最小最大原则的k-means文档聚类初始值选择算法.该方法首先构造相似度矩阵,然后利用最小最大原则对相似度矩阵进行分析,从而选择初始聚点并自动确定聚类k值.实验结果表明利用该方法找到的k值比较接近真实值.     

基于Symbian操作系统的手机输入法研究

文中介绍了Symbian操作系统的特点和系统组成,重点结合InSun语句级手机智能拼音汉字输入法的开发经历,详细论述了Symbian平台下FEP(Front End Processors)的开发模式以及涉及到的关键技术。     

信息检索中的聚类分析技术

信息检索/搜索引擎技术的快速发展使得信息的查全率有较大提高,而查准率以及人们获取信息的效率改善却不明显。文本聚类和多文档关键词的自动生成技术将有助于解决这一问题。其基本思想是对检索到的部分文档进行聚类处理,并对每类文档自动生成关键词,从而帮助用户判断各个类别的文档和检索需求是否相关。该文提出文档相关度和类别相关度的概念,并利用词频信息以及知网(HOWNET)中词的概念计算模型计算类别相关度,将其作为聚类合并的依据。信息获取的仿真实验表明文档检索效率有较大提高。