企业信息收集浅谈

本文在介绍了市场信息的几个相关概念,接着介绍了企业市场信息收集的方法,及在企业中如何管理信息。     

图书馆网络信息资源的组织与利用

阐述了网络信息资源的概念和特点,并重点就图书馆网络信息资源的组织原则与方法,以及图书馆如何提高网络资源的利用率提出作者的看法和建议。     

基于文本的图像检索与基于内容的图像检索技术的比较研究

随着互联网的快速发展及各种数字化设备的普及,现代数字社会中的图像信息的数量在迅猛增长,图像信息的检索技术的研究得到了越来越多的关注.本文介绍了基于文本的图像检索技术与基于内容的图像检索技术,比较研究了这两种技术的不同的特点,指出综合运用TBIR和CBIR共同检索Web图像.     

多媒体数据库的元数据存储与检索

给出了多媒体数据库的元数据结构,对元数据的生成、基本媒体元数据(文本元数据、音频元数据、图像元数据和视频元数据)的存取方法进行了论述.描述了多媒体数据库的查询语言和查询管理结构.从媒体的内容及信息特征入手,抽象出元数据的存储与检索方法.     

基于概念格的民族信息资源存储与检索

概念格应用于信息检索具有独特的检索和导航优势。基于概念格理论的基础上,研究民族信息资源概念格的存储与检索,为提高民族信息资源平台的检索效率提供参考。     

基于概念检索的中文搜索引擎研究

在Internet高速发展的信息时代,网络搜索引擎是人们快速获得信息的重要工具之一.然而由于传统的搜索引擎基本上都是采用基于关键词匹配的全文检索技术,导致检索结果不全、无关信息过多.本文给出了一种基于概念检索的中文搜索引擎模型,采用"以网对网"技术来实现概念检索,使搜索引擎从基于关键词的检索提高到基于知识的智能检索.基于概念检索的中文搜索引擎对知识有一定的理解和处理能力,在一定程度上提高了搜索引擎的智能化.     

基于概念检索的中文搜索引擎研究

在Internet高速发展的信息时代,网络搜索引擎是人们快速获得信息的重要工具之一。然而由于传统的搜索引擎基本上都是采用基于关键词匹配的全文检索技术,导致检索结果不全、无关信息过多。本文给出了一种基于概念检索的中文搜索引擎模型,采用“以网对网”技术来实现概念检索,使搜索引擎从基于关键词的检索提高到基于知识的智能检索。基于概念检索的中文搜索引擎对知识有一定的理解和处理能力,在一定程度上提高了搜索引擎的智能化。     

基于文本和内容检索的美术作品查询系统

数字美术馆是美术作品收藏、展示、欣赏、销售及查询的基本组织形式。传统基于文本的图像检索技术只能查询文本信息而无法检索图像本身的内容。基于内容的图像检索技术应运而生。本文结合上述两种检索方式,设计和实现了一种美术作品查询系统,能够满足多元的检索需求。     

多媒体数据库的元数据存储与检索

给出了多媒体数据库的元数据结构，对元数据的生成、基本媒体元数据（文本元数据、音频元数据、图像元数据和视频元数据）的存取方法进行了论述。描述了多媒体数据库的查询语言和查询管理结构，从媒体的内容及信息特征入手，抽象出元数据的存储与检索方法。     

浅谈信息服务的作用与收集

信息收集(Information Gathering)是信息管理的源头和前提,是指通过各种方式获取所需要的信息,只有获取所需的信息,才能进一步完成对信息的组织、存储、查找、传输、加工与利用。     

基于NER的石油非结构化信息抽取研究

随着"智能油田"的建设加快,构建基于海量石油数据的智能分析系统意义重大。然而,由于石油生产过程中产生的文本数据往往无结构且类型多样,从中抽取关键信息进行分析成为一个研究热点,而信息抽取又需要高质量的语义实体做支撑。根据这一特定问题,提出基于命名实体识别（Named Entity Recognition,NER）技术针对石油非结构化文本进行信息抽取,构建双向长短时记忆（Bidirectional Long Short-Term Memory,Bi LSTM）网络模型提取语料特征,并结合条件随机场（Conditional Random Field,CRF）做分类器,构建了基于Bi LSTM+CRF的高精度NER模型,针对石油工业领域的非结构化文本进行命名实体抽取。通过在修井作业文本数据集上进行对比实验表明,本方法具有较高的精确率和召回率。     

基于HTML Parser的网页信息提取技术研究

在互联网上信息量激增,迫切需要一些自动化工具帮助人们在海量信息源中迅速找到真正需要的信息。文章基于开源项目HTMLParser包,以提取中关村笔记本频道产品信息的文本信息和图片信息为例,提出了信息提取系统设计方案,给出了文字信息和图片信息提取算法。     

基于主动学习隐马尔可夫模型的文本信息抽取

对只能获得部分标记的训练文本,将主动学习方法应用到文本信息抽取中,提出了一种基于主动学习隐马尔可夫模型的文本信息抽取方法.在该方法中,通过主动学习,仅将对隐马尔可夫模型的训练最有价值的训练文本挑选出来进行标记.实验表明,通过选择模型信任值的最佳门槛值,该方法在保证文本信息抽取性能的前提下,大大减少了用户标记训练文本的工作量.     

校园网信息规划与管理问题研究

教育信息是校园网的核心资源,实施时应紧密结合校园信息的特点,作好信息的需求分析,制定出信息标准和规范,采用正确的信息开发策略和步骤,并不断加强和完善对校园网信息资源的使用和管理工作。还应该坚持技术创新的原则,引进新技术,不断保持校园网的先进性。本文讨论了校园网信息规划的目标、原则、方法及发展策略和日常管理等基本问题。     

基于条件随机场的中文科研论文信息抽取

科研论文头部信息和引文信息对基于域的论文检索、统计和引用分析是必不可少的.由于隐马尔可夫模型不能充分利用对抽取有用的上下文特征,因此文中提出了一种基于条件随机场的中文科研论文头部和引文信息抽取方法,该方法的关键在于模型参数估计和特征选择.实验中采用L-BFGS算法学习模型参数,并选择局部、版面、词典和状态转移4类特征作为模型特征集.在信息抽取时先利用分隔符、特定标识符等格式信息对文本进行分块,在分块基础上用条件随机场进行指定域的抽取.实验表明,该方法抽取性能明显优于基于隐马尔可夫模型的方法,且加入不同的特征集对抽取性能提升作用不同.     

一种基于案例分析的文本信息抽取技术

信息抽取技术是深层次分析文本语义信息的基础.随着数据量的增加,尤其是针对海量网络信息分析的需求,传统的基于手动标注或人工干预的训练分类方法已不能满足要求.以“大学生心理健康”相关网页作为信息语料,提出一种基于案例分析的文本数据抽取方法,可以实现跨领域信息自动抽取,能够快速有效地获得满足用户需求的信息.     

基于情感信息预处理和Bi-GRU的虚假评论识别模型

虚假评论识别在电子商务、社交媒体等领域具有重要的应用价值。尽管现有虚假评论识别模型融合了文本的情感信息,但在预训练过程中忽视了对情感信息的提取,导致准确率不高。针对此问题,本文提出一种基于情感信息预处理和双向门控循环单元(Bidirectional Gated Recurrent Unit, Bi-GRU)的虚假评论识别模型(FR-SG),用于提高虚假评论识别的准确率。首先,通过Albert模型获取文本的语义向量;然后,使用词频-逆文本频率(Term Frequency-Inverse Document Frequency, TF-IDF)和K-均值(K-means++)聚类的方法从评论中挖掘情感种子词,基于种子词对文本中的属性词和情感词进行掩码(mask);接着,使用面向情感的目标优化函数,将情感信息嵌入到语义表示中,生成情感向量;最后,将这两组向量的拼接结果输入虚假评论识别网络中,得到文本的分类结果。实验结果表明,相较于Bi-GRU+Attention模型,FR-SG提高了虚假评论识别的准确率。     

多状态图神经网络文本分类算法

为了提高模型在文本分类任务中的分类性能,针对图神经网络中存在的过度平滑问题,同时增强模型在处理文本特征与文本表示方面的能力,提出了一种基于多状态图神经网络的文本分类算法(multi-state graph neural network, MSGNN)。多状态图神经网络是利用网络层的多个历史状态信息对图神经网络进行强化,构建合理的文本图结构数据作为模型输入。在缓解网络层过度平滑问题的同时,结合2种改进后的不同类型的图神经网络来增强模型的特征提取与特征聚合能力。利用多头自注意力机制对文本关键词的挖掘与利用能力,从多个文本子空间来生成高质量的文本表示,进而完成文本分类。通过在几个公开的文本分类数据集上进行实验分析,相较于其他神经网络的文本分类算法,该方法取得了较好的分类准确率。     

基于文本特征的信息隐藏策略

信息隐藏技术在如今信息战争与商业机密传递中占据了越来越重要的地位,而文本信息由于其冗余较少、便于传播、易于校验等特点是目前电子信息传播的主要手段。利用字处理软件书写文本时可对文本信息设置各种文本格式这一特点,提出了一种利用文本特征进行信息隐藏的嵌入和提取策略。     

基于组合神经网络的中文事件抽取

中文事件抽取通常使用循环神经网络(recurrent neural network, RNN)来进行事件和事件要素的抽取, 但 RNN 在处理长度较长的词语时容易丢失重要信息, 为此提出一种组合卷积神经网络(convolutional neural network, CNN)与双向长短期记忆(bidirectional long short-term memory, Bi-LSTM)网络的中文事件抽取模型 CNN-Bi-LSTM-CRF, 其中 CRF (conditional random field) 为条件随机场. 采用基于注意力机制和语义特征生成的字词联合向量, 使用 CNN 和 Bi-LSTM 模型对字词联合向量进行处理, 以获取其隐含表示, 最后通过 CRF 得出预测结果. 实验结果表明, 所提出的方法与其他现有的中文事件抽取方法相比, 准确率有明显提升.