面向大规模日志数据的聚类算法研究

针对大规模日志数据的聚类问题,提出了DBk-means算法.该算法使用Hadoop对原始日志数据进行预处理,并结合了k-means和DBSCAN聚类算法各自的优势.实验结果表明,相比k-means算法进行聚类分析,文中使用DBk-means算法进行聚类,能够取得更好的聚类效果,正确率可以达到83％以上.     

中文名实体识别:基于词触发对的条件随机域方法

首次把条件随机域(CRF)模型应用到了中文名实体识别中,且根据中文的特点,定义了多种特征模板.同时,为了解决长距离约束问题,将词语触发对融合到了CRF模型中.提出了基于词语方差(word variance)的选词方法,在词语相关性计算上,采用了平均互信息(AMI)方法和χ2统计量方法.通过在半年人民日报上的测试,结果表明在采用相同特征集合的条件下,条件随机域模型较其他概率模型有更好的性能表现;融合长距离触发对的条件随机域模型可以使系统的F量度提高约1.38%.     

融合聚类触发对特征的最大熵词性标注模型

为解决传统HMM词性标注模型不能包含远距离词特征的问题，提出了形如“WA→WB／TB”的触发对来承载远距离词特征信息，并采用平均互信息量度对触发对特征进行选择．在最大熵框架下，将选择后的触发对特征加入到词性标注系统中．利用矢量空间模型提供的语义相似度计算功能进行词语聚类，聚类的结果和语义词典融合，建立聚类触发对特征用来解决触发词“％”的数据稀疏问题．实验结果表明，与HMM相比，融合了聚类触发对特征的最大熵模型标注错误率减少了34％．     

大庆、胜利和辽河焦化蜡油性质与组成对比及加工利用研究

对大庆、胜利和辽河焦化蜡油的性质、化学组成及结构组成进行了研究及分析对比 ,研究表明 3种焦化蜡油中不含沥青质 ,饱和烃含量在 55.1 %～ 68.3% ,芳烃含量在 2 4 .8%～ 33.5% ,胶质含量在 5.7%～ 1 1 .5%。 3种焦化蜡油的芳碳率在 1 4 .79%～ 1 9.1 7% ,烷基碳率在 58.0 7%～ 70 .34 % ,ω(CP) ω(CN)之和都大于 70 % ,芳香环数都在 1个环左右 ,总环数介于 2 .1 3～ 2 .51之间。 3种焦化蜡油中大庆焦化蜡油的氮、硫含量最低 ,饱和烃含量最高 ,是最容易加工利用的原料 ,辽河焦化蜡油居中 ,而胜利焦化蜡油是最难加工利用的原料。与其直馏蜡油相比 ,焦化蜡油中的氮含量、硫含量、残碳含量高 ,饱和烃含量低 ,是一种劣质原料。同时分析了影响焦化蜡油加工利用的因素 ,提出了焦化蜡油加工利用途径。     

一种基于特征点三维信息的自然路标提取与快速匹配方法

自然路标提取与匹配是vSLAM的基础.文中提出了一种基于特征点三维信息的自然路标提取、局部特征描述与快速匹配方法.采用双目视觉获取环境图像,提取左右目图像的特征点,并进行匹配.建立左摄像机坐标系下的每个匹配点的三维信息,提出视场约束规则对特征点进行过滤.在此基础上基于改进的MeanShift聚类算法进行自然路标提取.提出一种路标描述符,可以快速进行两个聚类的匹配.该方法可以有效提取非结构化环境中的自然路标,对机器人位姿估计精度要求较低.     

基于聚类的隐式用户兴趣建模

随着Internet的迅速发展,人们必须面对信息爆炸的现实.描述了一种关键词向量的方式表达用户兴趣.将BIRCH聚类算法应用于用户访问的网络文档上来建立用户兴趣模型.基于Myspace用户日志,又实现了一个用户兴趣建模系统,该系统验证了提出方法的有效性.     

运行环境对换流变压器油纸绝缘电场分布的影响

为研究多环境因素对换流变压器阀侧典型油纸绝缘结构电场分布的影响,在-20℃ ～80℃以温度和含水率为变量对变压器油和浸油纸板进行电导率和相对介电常数的测量.建立换流变压器阀侧主绝缘模型,利用实测数据建立动态材料属性,通过仿真得到不同温度、含水率在外施电压幅值为800 kV的纯交流、83％直流含量、87.5％直流含量以及纯直流条件下的油纸绝缘结构电场分布.研究结果表明:当温度为-20℃或0时浸油纸板电导率随电场强度升高呈先降后升的趋势,而当温度为20℃或80℃时浸油纸板电导率随电场强度呈上升趋势.温度、含水率和外施电压直流含量均会对油纸绝缘电场分布产生影响,最大场强的位置会随外施电压直流分量与浸油纸含水率的变化而改变;运行温度下换流变主绝缘承受的场强高于常温下;水分会使绝缘纸板电导率明显上升甚至高过绝缘油,导致油中场强高于纸板中.     

基于无监督学习的中文电子病历分词

电子病历中包含大量有用的医疗知识,抽取这些知识对于构建临床决策支持系统和个性化医疗健康信息服务具有重要意义。自动分词是分析和挖掘中文电子病历的关键基础。为了克服获取标注语料的困难,提出了一种基于无监督学习的中文电子病历分词方法。首先,使用通用领域的词典对电子病历进行初步的切分,为了更好地解决歧义问题,引入概率模型,并通过EM算法从生语料中估计词的出现概率。然后,利用字串的左右分支信息熵构建良度,将未登录词识别转化为最优化问题,并使用动态规划算法进行求解。最后,在3 000来自神经内科的中文电子病历上进行实验,证明了该方法的有效性。     

基于深度学习的电子病历中实体关系抽取

电子病历中包含着医疗领域的丰富知识,对于医疗健康信息服务有着重要的意义。其中的概念实体之间的关系是医疗知识的重要组成部分,对于获取医疗领域中疾病、治疗、检查之间关系有着重要的意义。针对于电子病历中文本结构稀疏的特点,原有的基于词的特征表示效果有限,所以从特征选择的角度出发,提出了一种基于深度学习的特征学习,将有限的上下文特征进行进一步抽象表示的方法。实验中使用深度稀疏自动编码来对实体上下文的向量表示进行再表示,来得到更抽象和更有识别意义的特征。实验表明,本文使用的深度学习进行特征的再表示方法对于识别的召回率对比于基线实验有比较明显的提高。     

电子病历命名实体识别和实体关系抽取研究综述

电子病历（Electronic medical records,EMR）产生于临床治疗过程,其中命名实体和实体关系反映了患者健康状况,包含了大量与患者健康状况密切相关的医疗知识,因而对它们的识别和抽取是信息抽取研究在医疗领域的重要扩展. 本文首先讨论了电子病历文本的语言特点和结构特点,然后在梳理了命名实体识别和实体关系抽取研究一般思路的基础上,分析了电子病历命名实体识别、实体修饰识别和实体关系抽取研究的具体任务和对应任务的主要研究方法. 本文还介绍了相关的共享评测任务和标注语料库以及医疗领域几个重要的词典和知识库等资源. 最后对这一研究领域仍需解决的问题和未来的发展方向作了展望.