学科交叉研究热点聚类分析——以国内图书情报学和新闻传播学为例

在规范化的学科关键词交集的基础之上,从定量角度引入系统聚类分析和战略坐标分析方法,结合聚类类团命名的粘合力指标,绘制出高频交叉关键词的聚类树状图和战略坐标图,深入探讨学科交叉研究热点的内在联系和发展脉络。研究得出有关图书情报学和新闻传播学两门学科交叉研究热点领域的主题划分、结构特性和演化过程的一些有益结论。     

基于关键词的大骨节病中文文献研究主题剖析

目的：对大骨节病中文文献的关键词进行分析,揭示我国大骨节病研究的主要方向。方法：检索CNKI、CBM、VIP、万方期刊全文数据库,纳入所有关于大骨节病的中文期刊文献。利用BICOMS抽取和整理关键词,生成共现矩阵,采用gCLUTO进行聚类分析。结果：目前大骨节病研究主要集中镰刀菌代谢的真菌毒素和黄腐酸在大骨节病病理过程中的作用、大骨节病病因、大骨节病患者功能状态的改变、大骨节病与地质环境的关系、大骨节病的病情监测及X线诊断、大骨节病关节炎的手术治疗、大骨节病的防治效果分析。社会网络图显示大骨节病病因、大骨节病与地质环境的关系、大骨节病的病情监测及X线诊断、大骨节病关节炎的手术治疗和大骨节病的防治效果分析是目前研究的热点。结论：通过共词聚类分析确定的研究主题符合我国目前大骨节病的研究方向。     

基于概念属性聚类的多视角知识组织系统研究初探

文章在传统单视角知识组织系统的基础上,提出了多视角知识组织系统的概念与框架,即在传统知识组织系统的构建和服务过程中增加知识的适用语境--视角,并对视角的概念与表达作了简要阐述。此外,针对视角的构建方法,文章提出了基于属性聚类的视角生成方法,并用自建的金融语料与属性列表进行了实证研究,成功抽取出多个视角。     

关于图书采购招标书商的灰色聚类评价

摘要：灰色聚类分析是将评价对象按一定标准进行类别划分以区别优劣的评价方法。应用灰色聚类分析法进行书商评价,通过白化权函数的构造,得出各灰类的隶属度fj^k（x）值,根据最大隶属度原则确定等级类别。     

基于关键词的科技文献聚类研究

描述一种基于改进TF IDF特征词加权算法的科技文献聚类方法：首先提取科技文献的特征词;然后根据特征词的词频、所在位置和词性为特征词加权,建立科技文献的向量空间模型;接着使用基于密度的聚类算法对科技文献向量空间模型数据进行聚类分析;最后使用主成分分析法对科技文献聚类的结果进行标识,利用F measure方法对聚类结果进行评价。实验表明,用提出的科技文献聚类方法能够从所检索的科技文献中发现热点研究领域,并能识别具有学科融合性质的研究方向。     

专利同被引聚类与专利引用耦合聚类的对比分析

同被引聚类与引用耦合聚类是两种常用的文献聚类方法,本文从聚类的时效性和实际可操作性、聚类结果的完整性和稳定性、聚类原理与专利法理逻辑和创新协同效应的契合性等方面对两种方法进行对比分析,发现引用耦合聚类方法在揭示专利间的相似性方面更具优势,同被引聚类方法则更适用于发现基础专利和揭示技术演化规律。两者若结合使用,则能在解决实际问题的过程中实现优势互补。
     

基于微博挖掘技术的企业产品信息监测研究

依据微博信息资源对企业产品信息进行监测,可以使企业更好地了解用户的相关信息。监测的基本步骤为:采集相关用户的描述标签与相关博文,对标签和博文分别进行聚类,从而发现兴趣社区与相关热门话题。其后以某一知名微博系统为平台,以某一品牌为例,进行相应的实证研究,结果表明所提方法具有一定的实践价值。     

ACTC：一种基于改进的蚁群算法的中文文本聚类算法

在对标准蚁群算法分析研究基础上,结合中文文本数据的特点,对蚁群算法存在的缺点进行改进,提出一种基于改进的蚁群算法的中文文本聚类方法——ACTC。算法中为每只蚂蚁增加两个记忆体,可以解决原算法中的“未指派现象”;模拟信息素,从而使蚂蚁的移动更具目的性,加快聚类速度;引入“边界点”思想,从而不仅可以消除“停滞现象”,而且能避免“噪声”或异常数据对聚类结果的负面影响;引入动态调整相似度阈值概念,从而使聚类结果更具实际意义。实验证明,从熵值与纯度两个评价函数评价结果看,该算法的聚类效果较好,达到算法改进的目的。     

基于蚁群算法与K-means算法相结合的Web用户聚类

Web用户聚类是指用聚类算法产生用户会话的聚类,是电子商务中的一个重要问题.该问题的难度在于有成千上万的会话需要聚类,而且每个会话都可描述为一个高维向量.此外,该问题就聚类的数目而言具有指数的复杂性,是一个NP-难的问题.本文提出一种新的聚类方法,该方法将蚁群算法与K-means算法相结合对用户会话进行优化聚类.实验结果表明,与K-means算法相比,该方法在Web导航推荐的应用中具有更好的性能.     

基于机器学习的文本聚类描述算法研究

传统的聚类算法直接用于文本聚类这一应用上,存在的突出问题就是传统的聚类算法只负责将对象进行聚类,不负责对聚类后生成的类簇进行概念描述和解释.标注文本集合聚类后生成的类簇被称为聚类描述问题.聚类描述可以帮助用户迅速确认生成的文档类别与其需求是否相关,它是文本聚类应用中一项重要并富有挑战性的任务.针对文本聚类结果可读性较弱问题,本文提出了一种增强聚类结果的可理解性与可读性的算法,即基于支持向量机的文本聚类结果描述算法.实验结果表明基于支持向量机的聚类描述算法所取得的效果要优于常规的聚类结果描述方法.