检索结果-内蒙古大学图书馆

计算机应用 2016年第2期36卷 424-427页

作者：陈鑫王素格廖健山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 太原030006

针对微博中新情感词的识别问题,提出了一种基于词语相关度的微博新情感词自动识别方法。首先,对于分词软件把一个新词错分成几个词的问题,利用组合思想将相邻词进行合并作为新词的候选词;其次,为了充分利用词语上下文的语义信息,采用神... 详细信息

针对微博中新情感词的识别问题,提出了一种基于词语相关度的微博新情感词自动识别方法。首先,对于分词软件把一个新词错分成几个词的问题,利用组合思想将相邻词进行合并作为新词的候选词;其次,为了充分利用词语上下文的语义信息,采用神经网络训练语料获得候选新词的空间表示向量;最后,利用已有的情感词典作为指导,融合基于词表集合的关联度排序和最大关联度排序算法,在候选词上筛选,获得最终的情感新词。在COAE2014(第六届中文倾向性分析评测)任务3语料上,提出的融合算法与点互信息(PMI)、增强互信息(EMI)、多词表达距离(MED)、新词语概率(NWP)以及基于词向量的新词识别方法相比,准确率至少提高了22%,说明该方法自动识别微博新情感词效果优于其他五种方法。

关键词：情感词识别词语相关度词向量排序算法微博

来源：评论

学校读者我要写书评

暂无评论

符号数据的无监督学习:一种空间变换方法

引用

计算机科学 2016年第1期43卷 89-93,121页

作者：王建新钱宇华山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室太原030006 山西大学智能信息处理研究所太原030006

近年来符号数据的无监督学习在模式识别、机器学习、数据挖掘和知识发现等诸多领域扮演着越来越重要的角色。然而现有的针对符号数据的聚类算法(经典的K-modes系列算法等),相比数值型数据的聚类算法,在性能方面仍然有很大的提升空间。... 详细信息

近年来符号数据的无监督学习在模式识别、机器学习、数据挖掘和知识发现等诸多领域扮演着越来越重要的角色。然而现有的针对符号数据的聚类算法(经典的K-modes系列算法等),相比数值型数据的聚类算法,在性能方面仍然有很大的提升空间。其根本原因在于符号数据缺乏类似数值数据那样清晰的空间结构。为了能够有效地发掘符号数据内在的空间结构,采用了一种全新的数据表示方案:空间变换方法。该方法将符号数据映射到相应的由原来的属性组成的新的维度的欧氏空间中。在这一框架的基础上,为了找到符号数据更有代表性的模式,结合CarreiraPerpin提出的K-modes算法进行无监督学习。在9个常用的UCI符号数据集上进行了测试,与传统的符号数据聚类算法进行了实验比较,结果表明几乎在所有的数据集上提出的方法都是更加有效的。

关键词：符号数据数据表示方案空间变换

来源：评论

学校读者我要写书评

暂无评论

框架关系推理在阅读问答中的应用

引用

小型微型计算机系统 2016年第7期37卷 1455-1458页

作者：张旭华李茹王智强吕国英柴清华山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室太原030006 山西大学外国语学院太原030006

推理是自然语言处理中的一个重要研究课题.基于汉语框架网提出一种框架关系推理方法,该方法利用框架关系、框架元素关系等构建汉语篇章中语义信息单元之间的联系来实现推理.并将其应用到阅读理解问答任务中,对问题进行框架语义分析,构... 详细信息

推理是自然语言处理中的一个重要研究课题.基于汉语框架网提出一种框架关系推理方法,该方法利用框架关系、框架元素关系等构建汉语篇章中语义信息单元之间的联系来实现推理.并将其应用到阅读理解问答任务中,对问题进行框架语义分析,构建问题和篇章之间的语义推理路径.本文给出的答案除了包含答案的句子外,还根据语义角色将答案句中相应的语块抽取出来,给出了语块级别的答案.本文在551个阅读理解问题上进行实验,结果表明本文基于框架语义推理的答案获取方法,无论在句子级别还是语块级别都获得了较好的结果.

关键词：框架关系推理阅读理解问答语义角色标注

来源：评论

学校读者我要写书评

暂无评论

基于DNN的汉语框架识别研究

引用

中文信息学报 2016年第6期30卷 75-83页

作者：赵红燕李茹张晟张力文山西大学计算机与信息技术学院山西太原030006 太原科技大学计算机科学与技术学院山西太原030024 山西大学计算智能与中文信息处理教育部重点实验室山西太原030006

框架识别是语义角色标注的基本任务,它是根据目标词激起的语义场景,为其分配一个合适的语义框架。目前框架识别的研究主要是基于统计机器学习方法,把它看作多分类问题,框架识别的性能主要依赖于人工选择的特征。然而,人工选择特征的有... 详细信息

框架识别是语义角色标注的基本任务,它是根据目标词激起的语义场景,为其分配一个合适的语义框架。目前框架识别的研究主要是基于统计机器学习方法,把它看作多分类问题,框架识别的性能主要依赖于人工选择的特征。然而,人工选择特征的有效性和完备性无法保证。深度神经网络自动学习特征的能力,为我们提供了新思路。该文探索了利用深度神经网络自动学习目标词上下文特征,建立了一种新的通用的框架识别模型,在汉语框架网和《人民日报》2003年3月新闻语料上分别取得了79.64%和78.58%的准确率,实验证明该模型具有较好的泛化能力。

关键词：汉语框架框架识别深度神经网络分布式表征

来源：评论

学校读者我要写书评

暂无评论

基于框架语义的高考语文阅读理解答案句抽取

引用

中文信息学报 2016年第6期30卷 164-172页

作者：李国臣刘姝林杨陟卓李茹张虎钱揖丽山西大学计算机与信息技术学院山西太原030006 太原工业学院计算机工程系山西太原030008 山西大学计算智能与中文信息处理教育部重点实验室山西太原030006

高考语文阅读理解问答相对普通阅读理解问答难度更大,问句抽象表述的理解需要更深层的语言分析技术,答案候选句抽取更注重与问句的关联分析,答案候选句排序更注重答案句之间的语义相关性。为此,该文提出借助框架语义匹配和框架语义关系... 详细信息

高考语文阅读理解问答相对普通阅读理解问答难度更大,问句抽象表述的理解需要更深层的语言分析技术,答案候选句抽取更注重与问句的关联分析,答案候选句排序更注重答案句之间的语义相关性。为此,该文提出借助框架语义匹配和框架语义关系抽取答案候选句,在排序时引入流形排序模型,通过答案句之间的框架语义相关度将排序分数进行传播,最终选取分数较高的Top-4作为答案句。在北京近12年高考语文阅读理解问答题上的准确率与召回率分别达到了53.65%与79.06%。

关键词：高考语文阅读理解框架语义答案句抽取流形排序

来源：评论

学校读者我要写书评

暂无评论

基于双论域犹豫三角模糊多粒度粗糙集的疾病诊断

引用

模糊系统与数学 2016年第6期30卷 141-148页

作者：张超李德玉闫燕山西大学计算机与信息技术学院山西太原030006 计算智能与中文信息处理教育部重点实验室山西太原030006 北京大学口腔医学院北京100089

在临床决策领域,疾病诊断已成为较为复杂的决策问题之一。医疗专家在疾病诊断过程中不仅需要处理大量的不确定性信息,而且需要综合不同医疗专家的意见来给出最终的诊断结果。为了解决以上疾病诊断中普遍存在的不确定性数据分析以及群决... 详细信息

在临床决策领域,疾病诊断已成为较为复杂的决策问题之一。医疗专家在疾病诊断过程中不仅需要处理大量的不确定性信息,而且需要综合不同医疗专家的意见来给出最终的诊断结果。为了解决以上疾病诊断中普遍存在的不确定性数据分析以及群决策的问题,通过结合犹豫三角模糊集和多粒度粗糙集,提出双论域犹豫三角模糊多粒度粗糙集的概念。在此基础上,提出以疾病诊断为背景的决策模型并用算例阐述所提出模型的有效性。

关键词：疾病诊断不确定性数据分析群决策犹豫三角模糊集多粒度粗糙集

来源：评论

学校读者我要写书评

暂无评论

基于分组提升集成的跨领域文本情感分类

引用

计算机研究与发展 2015年第3期52卷 629-638页

作者：赵传君王素格李德玉李欣山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 太原030006

针对目标领域带标签数据偏少的问题,综合运用半监督学习、BootStrapping、数据分组、AdaBoost、集成学习等策略与技术,提出了一种基于分组提升集成的跨领域文本情感分类方法.该方法首先利用少量人工标注的目标领域数据,基于合成过抽样... 详细信息

针对目标领域带标签数据偏少的问题,综合运用半监督学习、BootStrapping、数据分组、AdaBoost、集成学习等策略与技术,提出了一种基于分组提升集成的跨领域文本情感分类方法.该方法首先利用少量人工标注的目标领域数据,基于合成过抽样技术产生一定数量的虚拟数据.在此基础上,采用BootStrapping方法获得更多目标领域高可信度的带标签数据.在分类器的构建方面,首先将源领域的带标签数据等量分割,并分别与目标领域带标签数据组合,在每个组合数据块上运用AdaBoost方法提升地训练多个分类器,并将这些分类器线性地集成为一个分类器.在亚马逊购物网站4个领域的情感数据集上的实验表明,基于分组提升集成的跨领域文本情感分类方法一定程度上提高了跨领域文本情感分类的精度.

关键词：情感分类跨领域合成过抽样技术分组提升集成分类器

来源：评论

学校读者我要写书评

暂无评论

一种面向蛋白质复合体检测的图聚类方法

引用

计算机研究与发展 2015年第8期52卷 1784-1793页

作者：王杰梁吉业郑文萍山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 太原030006

蛋白质互作用(protein-protein interaction,PPI)网络是广泛存在的一类复杂生物网络,其网络拓扑特征与功能模块分析密切相关.图聚类是对复杂网络进行分析和处理的一种重要计算方法.传统的PPI网络中蛋白质复合体检测算法通常对网络图中... 详细信息

蛋白质互作用(protein-protein interaction,PPI)网络是广泛存在的一类复杂生物网络,其网络拓扑特征与功能模块分析密切相关.图聚类是对复杂网络进行分析和处理的一种重要计算方法.传统的PPI网络中蛋白质复合体检测算法通常对网络图中的对象进行硬划分,而寻找网络中的重叠簇的软聚类算法已成为当前研究热点之一.现有的软聚类算法较少关注寻找网络中具有重要生物意义的小规模非稠密簇.对此,基于网络中结点邻域给出了边关联强度的度量方法,并在此基础上提出了一种基于流模拟的PPI网络中复合体检测的图聚类(flow-simulation graph clustering,F-GCL)算法,该算法可以在快速发现PPI网络中的重叠簇的同时找到小规模非稠密簇;同时,与MCODE(molecular complex detection),MCL(Markov clustering),RNSC(restricted neighborhood search clustering)和CPM(clique percolation method)算法在6个酿酒酵母PPI网络上进行比较,该算法在F-measure,Accuracy,Separation方面表现了较好的性能.

关键词：流模拟图聚类软聚类蛋白质互作用网络蛋白质复合体

来源：评论

学校读者我要写书评

暂无评论

面向大数据的粒计算理论与方法研究进展

引用

大数据 2016年第4期2卷 13-23页

作者：梁吉业钱宇华李德玉胡清华山西大学计算智能与中文信息处理教育部重点实验室山西太原030006 山西大学计算机与信息技术学院山西太原030006 天津大学计算机科学与技术学院天津300072

大数据的规模性、多模态性与增长性给传统的数据挖掘方法带来了挑战。粒计算作为智能信息处理领域中大规模复杂问题求解的有效方法,探索大数据分析的粒计算理论与方法有望为应对这些挑战提供新的思路和策略。瞄准若干大数据挖掘任务,对... 详细信息

大数据的规模性、多模态性与增长性给传统的数据挖掘方法带来了挑战。粒计算作为智能信息处理领域中大规模复杂问题求解的有效方法,探索大数据分析的粒计算理论与方法有望为应对这些挑战提供新的思路和策略。瞄准若干大数据挖掘任务,对数据粒化、多粒度模式发现与融合、多粒度/跨粒度推理等方面取得的一些进展进行梳理和剖析,并针对天文数据挖掘和微博数据挖掘两个典型示范应用领域的初步研究进行了总结,以期为大数据挖掘领域的研究做出有益的探索。

关键词：大数据粒计算数据挖掘信息粒化多粒度

来源：评论

学校读者我要写书评

暂无评论

基于联合模型的商品口碑数据情感挖掘

基于联合模型的商品口碑数据情感挖掘

引用

第十五届全国计算语言学学术会议(CCL2016)暨第四届基于自然标注大数据的自然语言处理国际学术研讨会(NLP-NABD-2016)

作者：李大宇李旸王素格山西大学计算机与信息技术学院山西太原 030006 山西大学计算机与信息技术学院山西太原 030006 山西大学计算智能与中文信息处理教育部重点实验室山西太原 030006

为了同时挖掘商品口碑数据中所谈论的对象、对象的某个方面以及评论者对这个方面的观点,用于指导消费者的消费和生产厂家对商品的改进,本文面向口碑数据提出一个无监督对象方面情感联合模型.该模型假设方面分布依赖于对象分布,情感分布... 详细信息

为了同时挖掘商品口碑数据中所谈论的对象、对象的某个方面以及评论者对这个方面的观点,用于指导消费者的消费和生产厂家对商品的改进,本文面向口碑数据提出一个无监督对象方面情感联合模型.该模型假设方面分布依赖于对象分布,情感分布依赖于方面分布和对象分布,词是采样的最小单位.在汽车口碑数据上进行了多组实验,实验表明,无监督对象方面情感联合模型不仅可以判别文本方面和文本情感的类别,而且还可以获取文本对象信息.

关键词：商品口碑数据情感挖掘无监督对象方面情感联合模型

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：