《大学图书馆学报》的论文作者群分析

有一支素质较高、不断发展壮大且相对稳定的论文作者群是办好一种期刊的基本保证.论文作者群的增长规律、在各单位类型的分布和地域分布、核心作者的地位与作用、论文作者合作度等是期刊工作研究的重要课题.该文以《大学图书馆学报》(以下简称《学报》)1?50期为研究对象,用统计分析方法探讨上述问题.     

投资决策系统中的隐枚举法

投资决策不同于一般决策,它最明显的特征就是不可更改性,我国基建规模大,新建项目多,如何正确地、科学地解决投资决策中的问题是一件很有意义的工作,在传统决策方法中,人的主观意志占主导作用,在现代决策方法中,计算机的运用大大提高了决策的可靠性、时效性,但如何在较短的时间内做出科学的决策仍是一个远未解决的问题。本文在E.BALAS决策方法的基础上,提出了一种新的隐枚举法。这种方法和原来的隐枚举方法相比,具有收敛速度快和直观易解的优点。实际应用时效果比较好,是一种比较实用的方法。     

工作资源对高校图书馆员敬业度影响机制的实证研究

[目的/意义]探讨工作资源对高校图书馆员敬业度的影响与机制，以期为高校图书馆实施人力资源管理和提升图书馆员的敬业度提供参考。[方法/过程]选取湖南各高校图书馆的358名馆员为研究对象，考察工作资源对高校图书馆员敬业度的预测作用以及心理资本与组织承诺在两者之间的中介作用。[结果/结论]描述性统计与差异分析、相关分析和逐步回归分析的结果表明，不同性别的高校图书馆员在组织承诺量表得分上存在显著性差异，男性馆员组织承诺得分显著高于女性，不同性别馆员在其余得分上均不存在显著性差异。不同婚姻、年龄、学历、职位、职称者在各量表得分上均不存在显著性差异。高校图书馆员工作资源、心理资本、组织承诺与敬业度的两两相关都达到统计显著性水平。工作资源对高校图书馆员的敬业度具有正向预测作用，心理资本和组织承诺能够在工作资源对高校图书馆员敬业度的影响中起部分中介作用。丰富高校图书馆员工作资源，增进其组织支持感，增强其心理资本和组织承诺，是促进高校图书馆员敬业度提升的有效路径。     

关于提高纸质档案美观度的思考

档案整理既是一门科学,也是一门艺术。一盒盒整理漂亮美观的档案,常常给人以赏心悦目的视觉享受。然而,现实中人们经常见到的档案,却并不都尽人意。笔者在到有关部门指导时,发现一些影响档案美观的问题,概括起来主要有:整理纸质文件材料拆除原书钉时损伤了档案;装订不整齐;归档章盖不正、印章欠清晰;填写归档章里的内容字迹潦草,不好辨认,甚至存在诸多纠错改动;档案盒正面和脊背内容为手写,欠正规。     

基于递归概念图的文本检索模型研究

Sowa在1984年提出了一个抽象模型,即概念图,作为基于语言学、心理学和哲学的知识表示语言.但是其概念图的定义比较简单,对于刻画文本中的语言组块的语义及语言单元之间的组合运算比较困难.为了能从形式上为将来的组块内部和组块之间的组合分析提供支持,深化概念图的表示形式,我们提出了一种适用于自然语言自动化分析的概念图的形式化描述,它可以看成是Sowa 概念图的递归扩展.然后我们将这种新颖的知识表示方式应用到文本检索领域的文本标引中,同时给出了以此为基础的概念图匹配算法.在和布尔检索的比较实验中,概念检索体现出比较明显的优势.     

中文自动问答中旬子相似度计算研究

句子相似度计算是自动问答系统的重要理论基础和关键实现技术.目前,用于中文自动问答系统的句子相似度计算方法很多,由于缺乏系统的分析,给研究人员带来了较大的不便.依据所利用的特征信息,可以将这些方法分为四类,即基于关键词信息、基于语义信息、基于句法结构信息以及基于多重信息.通过对各类方法实验结果的比较,指出各自的优势和不足.同时指出,基于多重信息的方法是当前的主流方法,实现不同特征信息的最佳权重分配是该类方法今后的研究重点.另外,还提出一个有关相似度概念认识上的看法,即对于中文自动问答系统,实质上依据的是句子的相关度,而不是句子的相似度.通过本文的研究,旨在为中文自动问答领域的句子相似度计算研究提供一定的参考.     

基于语义的半结构化P2P网络

如何利用具有本体标注的结构化文档中的语义信息组织P2P网络,提供对基于语义的信息共享与查询的P2P网络支持,是当前P2P网络的研究热点之一.本文提出采用Peer所存储文档中的加权本体概念向量作为Peer的特征向量,通过相似度计算将Peer聚成Peer组,从而构造基于语义的半结构化P2P网络.用户的查询请求由各Peer组内的组服务器负责路由转发,组服务器计算查询请求与各路由表项之间的相似度,将查询向最有可能包含查询目标的Peer组转发.文中较全面地阐述了本体概念局部和全局权重的计算方法.由于P2P网络拓扑的建立过程和查询路由过程均基于语义信息,使得网络的各项性能与基于关键字处理的P2P网络相比,得到了较大的提高.     

文本分类中粗分类数据噪声修正的网络算法

在文本分类的实际应用中经常使用粗略分类的数据来训练分类器,但是这种数据中经常会包含类别标记有误的数据,这些数据对文本分类结果的精度会造成不良影响。本文针对这个问题提出了一种噪声修正算法,首先建立文档关联网络,把文档上标记的类别作为在网络上划分的集团结构,并用模块度衡量集团结构的质量,通过优化模块度指标把噪声数据调整到合适的类别中,从而提高数据质量。实验结果表明,本文所提算法能够有效修正粗分类数据中的噪声,且有较高的有效性和鲁棒性。该算法可以用于文本分类训练数据的预处理,或作为辅助技术用于文献库建设等工作。