一种基于Web的通用本体学习框架

提出一种通用的多策略本体学习框架,通过对Web上各专业领域文档集进行挖掘来实现本体自动构建。讨论本体学习中本体概念的抽取、概念之间语义关系的抽取和分类体系的自动构建等关键技术,通过实验对算法进行测试和评价。由于集成了多种机器学习算法,该方法在概念抽取和语义关系学习方面具有更高的准确性,采用通用本体WordNet和HowNet作为语料库,可适用于不同的专业领域。通过按需获取Web文档,该方法能实时生成本体。     

基于集成学习的标题分类算法研究

标题分类是对一个标题性语句进行分类,通常这个标题是不超过20个字的短文本,内容精炼概括性强。针对标题文本的特征稀疏性和含义不确定性,提出了一种融合随机森林与贝叶斯多项式的标题分类算法。该算法把贝叶斯多项式模型引入到随机森林底层分类器构建过程中,同时利用随机森林附带的OOB数据提出了一种基于二维权重分布的投票机制。最后在图书馆真实书目数据上进行实验,针对分类性能与当前基于LDA主题扩展的SVM算法进行对比。实验结果表明在一定条件下,该方法性能稳定,表现较佳。     

TAGAN:一种融合细粒度语义特征的学术论文对抗推荐算法

学术论文推荐旨在为用户提供个性化的论文资源,针对协同过滤方法面临数据高度稀疏和缺乏负样本的问题,提出了一种融合细粒度语义特征的学术论文对抗推荐模型——TAGAN（title and abstract GAN）。首先,基于具有语义特征的标题和摘要,使用卷积神经网络（CNN）提取标题的全局特征,并构建一个双层的长短期记忆（LSTM）网络分别对摘要的单词序列和语句序列建模,同时,引入注意力机制将标题和摘要进行语义上的关联。然后,将论文的语义特征融入基于生成对抗网络（GAN）的推荐框架中并进行训练,其生成模型会拟合用户的兴趣偏好,能有效替代负采样过程。最后,通过在公开数据集上的实验对比,TAGAN在各个指标上都优于基线模型,验证了TAGAN的有效性。     

基于改进鱼群和K-means的混合聚类算法

针对传统K-means算法存在的缺陷,引进人工鱼群算法,提出了一种基于改进鱼群和K-means的混合聚类算法。聚类样本中心点初始化时,人工鱼各维参数随机选择在对应属性两个极值之间,同时为了降低计算复杂度,提高收敛效率,寻找全局最优,首先对随机选取的一小部分人工鱼进行K-means操作,然后对全体人工鱼的追尾算子引入粒子群策略,引导其学习,模拟人工鱼的行为。通过Matlab仿真实现算法,在费雪鸢尾花卉数据集和葡萄酒质量数据集进行了实验,算法的有效性和可行性得到了验证。     

群组推荐分析与研究综述

随着大数据时代的到来，推荐系统的应用领域也愈发广泛，组推荐系统的推荐服务对象由单一用户扩展为群组成员，正成为推荐系统领域的研究热点之一。组推荐系统需要考虑所有群体成员的偏好，将各成员的偏好融合，缓解群组成员之间的偏好冲突，使推荐结果尽可能满足所有群组成员。主要对最近的组推荐的研究进展进行综述，分别对群组分类、群组发现、群组预测推荐的前沿进行总结，并概括了群组推荐的影响因素。最后，对组推荐的研究点及其展望分别进行阐述。     

我国水力采煤综述

本文在统计我国大部分水采矿井的基础上，总结了水力采煤的现状，优缺点及适用条件，并简要提出了其今后的发展趋势。     

基于标签的数据交换云关键技术及实现研究

实现数据交换云的关键是将数据交换平台虚拟化.针对目前ESB数据交换平台只能为一个信息共享和业务协同应用提供信息交换服务,不同应用需要不同交换平台的问题,提出了一种基于标签的数据交换云的设计思想,并探讨了交换云的结构模型、消息格式、交换接入系统虚拟化和交换传输系统虚拟化等关键技术,提出了一种基于新模式交换云的实现方式.实践证明,该技术融合云计算理念,能将一个数据交换平台虚拟成多个交换子平台,即交换域,实现数据安全高效交换和交换域间的隔离.基于标签的数据交换云可满足多项应用的信息交换需求,避免交换平台重复建设,实现IT资源的充分利用.     

一种融合用户显隐式阅读偏好的论文推荐模型

在海量学术文献的个性化推荐中,现存基于内容的方法以CNN作为特征提取工具,关注用户的显式阅读偏好,却忽略了全局语义特征,而基于图的方法通常忽略用户和论文之间的高阶关联结构信息。针对以上问题,提出一种混合推荐模型GNPR(Graph Neural Paper Recommendation),能够学习更完整的用户显式阅读偏好及用户和论文之间的高阶关联信息。该方法使用Word2vec和DCNN(Dual Convolutional Neural Network)处理文本,以双层自注意力的特征抽取模式学习文本全局特征,补充用户显式阅读偏好。针对概念、用户、论文和论文元数据等数据构建知识图谱,使用改进的图卷积网络学习用户和论文之间的高阶关联信息,从而挖掘用户隐式的阅读偏好。在CiteULike-a等数据集上验证了GNPR模型的有效性。