适用于隐含主题抽取的K最近邻关键词自动抽取

众所周知,K最近邻方法作为机器学习领域的一个经典的方法,在很多领域都有出色的表现.本文利用K最近邻方法的思想,提出了一种基于K最近邻的关键词自动抽取方法.现有的关键词抽取技术仅仅是对正文词汇的抽取,不能抽取隐含主题.隐含主题的抽取是关键词自动抽取技术的难点,但是该方法可以有效抽取隐含主题.该方法首先对数据进行预处理,使用向量空间模型将文本表述为数学化语言;然后,以人工标注关键词的文献数据作为训练集,使用K最近邻方法构建新文献的关键词候选集;最后,根据关键词本身的特点对候选关键词做了有效的后处理.实验表明,该方法不仅可以提高关键词抽取的准确率和召回率,还可以有效抽取文章的隐含主题.     

人际传播在广告语创作中的应用

大众传媒在第一时间将广告信息推向广大消费者后,由于其自身的缺点以及存在的问题,制约了广告效果的发挥,在将广告告知受众后,对于公众态度和行为的影响并非如想象中的那样强大。利用大众传媒传播的广告不再是一把王者之剑,更像是一屡轻烟在消费者面前拂过。于是,广告主与广告制作者寄希望于网络、手机电视等新     

“网上看稿“对校对者的素质要求

随着新闻网络化的发展和普及,就报纸校对环节而言,传统意义上的校对已发生了深刻的变革,趋势是朝着直接在网上校稿的方向转型,笔者姑且称之为“网络校对“.此时,校对的理念、对象、载体、方式和目的均发生了变化,其特点是从传统的对文字“校异同“转向更注重事实的“校是非“.面对这一新型的校对变革,校对者如何转型已是从业人员面临的新课题.本文拟就报纸网络时代新闻校对的特点及从业人员的素质要求略作探究.……     

专利信息系统分析与研究

专利是创新成果的重要载体,对专利资源的有效利用有助于打破信息壁垒,准确评估成果的创新性和价值,推动科技成果向生产力转化。专利信息系统可以提高工作效率和创新能力,完成专利数据收集、专利信息检索、专利技术挖掘和分析等工作。本文对专利信息系统的功能和分析算法进行了分类介绍,并结合典型系统进行展示和比较,同时提出专利信息系统面临的问题与挑战。     

加强传统媒体在自媒体时代的舆论引导

作为一种民意表达的渠道,自媒体逐步显示出在信息传播、舆论监督方面不可替代的作用,并成为引领社会舆论的重要力量。每当出现重大突发群体事件时,传统媒体在与自媒体的博弈中,更多的时候成为输家。因此在自媒体时代,传统媒体如何转变观念,依托自身优势,打开舆论引导新局面,值     

“网上看稿”对校对者的素质要求

随着新闻网络化的发展和普及,就报纸校对环节而言,传统意义上的校对已发生了深刻的变革,趋势是朝着直接在网上校稿的方向转型,笔者姑且称之为“网络校对”。此时,校对的理念、对象、载体、方式和目的均发生了变化,其特点是从传统的对文字“校异同”转向更注重事实的“校是非”。面对这一新型的校对变革,校对者如何转型已是从业人员面临的新课题。本文拟就报纸网络时代新闻校对的特点及从业人员的素质要求略作探究。     

基于主题聚类的主题数字图书馆构建

基于主题聚类的主题数字图书馆是针对某一个特定的主题,获取与该主题相关的数字资源集合(本文以文本资源为研究对象),然后再依据主题聚类算法,对该主题的信息资源集合进行聚类,生成可供用户浏览的多层次结构导航,结合全文检索实现基于主题聚类的主题数字图书馆系统.主题数字图书馆系统主要包括主题采集模块、主题聚类模块和数据集成模块,构建过程中主要涉及主题提取、主题聚类以及聚类结果描述等三类关键技术.表2.图1.参考文献20.     

“网上看稿“对校对者的素质要求

随着新闻网络化的发展和普及,就报纸校对环节而言,传统意义上的校对已发生了深刻的变革,趋势是朝着直接在网上校稿的方向转型,笔者姑且称之为"网络校对".此时,校对的理念、对象、载体、方式和目的均发生了变化,其特点是从传统的对文字"校异同"转向更注重事实的"校是非".面对这一新型的校对变革,校对者如何转型已是从业人员面临的新课题.本文拟就报纸网络时代新闻校对的特点及从业人员的素质要求略作探究.     

报纸分类广告研究

分类广告,简而言之,就是将众多小面积广告按一定标准分类后的一种广告集合形式。分类广告,其本质还是广告,与工商广告没有本质的区别,二者都是广告主有偿地通过报纸向公众发布广告信息。     

海量数据集上基于特征组合的关键词自动抽取

关键词自动抽取的任务就是使用计算机自动地从文本中抽取能够高度有效表达文本主题的词汇.小规模训练集和测试集下的关键词自动抽取已经有诸多算法实现,但是大规模分布复杂的数据集上的关键词自动抽取却很少有学者提及.本文利用现有的信息检索技术,对海量数据集上自动抽取关键词问题进行了研究,给出了一个基于特征组合的关键词自动抽取方法.该方法构造了一个大规模的关键词词典;基于TF× IDF值和其他特征,提出了更有效的关键词权重计算方法;根据关键词本身的特点,对候选关键词进行了后处理,使得抽取的关键词更符合读者的要求.本文的后续实验表明,该方法同基于Bayes和KNN等的机器学习方法相比,性能相当.使用自动评价和人工评价两种方法对抽取的关键词进行了评估.专业编辑对抽取结果的人工评价显示,约95%的自动抽取的关键词可以被专业编辑或者读者接受.