基于重复检测的多摘要消重方法

针对目前Web信息挖掘中存在大量页面重复的问题,从Web信息的组织角度对其中的一些关键问题进行深入分析,提出了基于关键词的部分相似页面消重算法——Web多摘要消重方法（multi abstractremoverepeat,MARR）。MARR方法对传统基于词表和倒排文件的Web信息数据库进行改装,增加一个字段用于记录关键词所对应的摘要块号,采用文本摘要算法,按倒排文件方式索引,根据内容基于查询词目的相似程度,在检索过程中过滤或标识与查询词目相关的部分内部重复现象,以获得更合理的检索结果组织形式。MARR方法还将传统按PageRank值顺序排列改成树型组织方式,以方便用户信息发现的需要。该方法在基于三明钢铁集团MES智能信息代理的原型化Web检索系统中得到应用。     

基于主题的分布式信息检索技术研究

介绍了一种基于主题的分布式信息检索方法,并对算法的有效性进行了深入的分析。该文通过文本聚类方法,把文档按照主题的方式来划分,经过实验发现查询答案明显地汇聚在少数的文档集合中。由此表明,基于主题的分布式信息检索方法比传统分布式信息检索方法在检索效果上有了显著的提高。     

基于分类子块的图像检索

图像等分成M×N块后,将子块分成背景子块、目标子块和边缘子块三类,并从中提取颜色、空间特征和边缘特征,求图像间相似度时只在同类子块之间进行匹配.这样既减少了匹配运算量,又可避免不同类子块匹配所产生的干扰.实验结果表明,该方法不仅求图像间相似度的运算量小,而且对图像的旋转和平移变化不敏感,具有较好的检索性能.     

复杂度直方图及其在图像检索中的应用

该文提出了一种新的描述图像纹理信息的复杂度直方图特征,实验结果表明该特征用于图像检索可以取得较好的检索效果。文章同时将该特征与图像色彩直方图组合特征用于图像检索,实验结果证实使用组合特征可以得到更高的检索效率。     

智能主体在构件检索中的知识处理研究

分布式构件库系统中,智能主体可通过协作联合完成用户的检索要求。对构件检索来说,确定哪些构件库拥有目标构件是一个需要首先解决的数据源选择问题。智能主体拥有自己的知识库,并且需要具备学习能力,能更新其知识库以保持检索结果的有效性。文章讨论了可更新的主体,它可以将新的信息合并到给定的知识库中。我们提出了一种基于逻辑程序设计的知识表达和更新方法,该方法遵从声明式更新策略以执行更新任务。我们所提出的可更新主体具有清晰的语义,也能够以恰当的方式处理不一致的信息,从而较智能地解决了数据源选择问题。     

均匀分割主曲线的三维形状描述

将无序的、分布不均匀的三维网格模型形状分布问题,转换为有序的、均匀的一维流形问题,进而实现三维模型的形状检索．本文将三维网格模型,投影为三维的光顺主曲线;通过对主曲线沿弧长方向的均匀分割采样,提取主曲线的空间位置和姿态等形状特征;最后通过形状描述向量的比较实现了对应的三维模型检索．实验证明该形状描述方法对几何变换是稳定的,降低了多分辨率、局部形变、噪声等因素影响对三维网格模型形状描述的干扰．     

监视图像的采集与特征值的存储检索策略

针对示例图像的监视对象，就CCD采集图像数字化后，如何快速地在示例人面图像库中检索目标的问题，提出了一种基于非等长特征值的图像描述方法，并采用类聚的邻接有序链表存储结构来存储图像特征值。实验给出了具有控制匹配算法效率的阈值M和查准率的关系表，探讨了图像匹配检索中特征值存储的一种新方法，为示例监视的快速检索研究提供了一种新的思路。     

Comparing techniques for authorship attribution of source code

Attributing authorship of documents with unknown creators has been studied extensively for natural language text such as essays and literature, but less so for non‐natural languages such as computer source code. Previous attempts at attributing authorship of source code can be categorised by two attributes: the software features used for the classification, either strings of n tokens/bytes (n‐grams) or software metrics; and the classification technique that exploits those features, either information retrieval ranking or machine learning. The results of existing studies, however, are not directly comparable as all use different test beds and evaluation methodologies, making it difficult to assess which approach is superior. This paper summarises all previous techniques to source code authorship attribution, implements feature sets that are motivated by the literature, and applies information retrieval ranking methods or machine classifiers for each approach. Importantly, all approaches are tested on identical collections from varying programming languages and author types. Our conclusions are as follows: (i) ranking and machine classifier approaches are around 90% and 85% accurate, respectively, for a one‐in‐10 classification problem; (ii) the byte‐level n‐gram approach is best used with different parameters to those previously published; (iii) neural networks and support vector machines were found to be the most accurate machine classifiers of the eight evaluated; (iv) use of n‐gram features in combination with machine classifiers shows promise, but there are scalability problems that still must be overcome; and (v) approaches based on information retrieval techniques are currently more accurate than approaches based on machine learning. Copyright © 2012 John Wiley & Sons, Ltd.     

2DPCA-SIFT:一种有效的局部特征描述方法

PCA-SIFT （Principal component analysis—scale invariant feature transform）方法通过对归一化梯度向量进行PCA降维,在保留特征不变性的同时,有效地降低了特征矢量的维数,从而提高了局部特征的匹配速度. 但PCA-SIFT中对本征向量空间的求解非常耗时,极大地限制了PCA-SIFT的灵活性与应用范围. 本文提出采用2DPCA对梯度向量块进行降维的特征描述方法. 该方法相比于PCA-SIFT,可以快速地求解本征空间. 实验结果表明:2DPCA-SIFT在多种图像变换匹配和图像检索实验中可以实现与PCA-SIFT相当的性能,并且从计算效率上看,2DPCA-SIFT具有更好的扩展性.