面向大规模社区问答数据的问题检索方法

随着问答社区网站的兴起,越来越多的用户生成数据积累了起来。这些用户生成数据不仅具有海量的、多样性的等特点,还有着极高的质量和重用价值。为了高效地管理和利用这些数据,近年来研究人员基于这些数据进行了大量的研究和实践,而社区问答中的问题检索就是一个被广泛研究的课题。主要研究了面向大规模社区问答数据的问题检索方法。收集来自Yahoo!Answers等社区网站的超过1．3亿问题和10亿答案的大规模数据,与之前的基于百万量级的数据的问答社区相关研究工作相比有着明显的不同和极高的实用价值。在此数据的基础上,通过查询自动分类方法来提高每次查询效率和效果。在问题检索过程中,提出了应用查询问句和问题的结构信息和语义信息,结合排序学习算法来融合多种不同类别的特征的方法,通过应用训练数据生成排序模型来提高问题检索的相关性和词语不匹配等问题。实验表明,本文应用RankingSVM方法来训练的排序模型在不同数据集上,其准确率等评价指标上都相比以往的方法有着显著的提高。     

基于特征类别属性分析的文本分类器分类噪声裁剪方法

提出一种应用文本特征的类别属性进行文本分类过程中的类别噪声裁剪 (Eliminating class noise, ECN) 的算法. 算法通过分析文本关键特征中蕴含的类别指示信息, 主动预测待分类文本可能归属的类别集, 从而减少参与决策的分类器数目, 降低分类延迟,提高分类精度. 在中、英文测试语料上的实验表明, 该算法的 F 值分别达到 0.76 与 0.93, 而且分类器运行效率也有明显提升, 整体性能较好. 进一步的实验表明,此算法的扩展性能较好, 结合一定的反馈学习策略, 分类性能可进一步提高, 其 F 值可达到 0.806 与 0.943.     

基于支持向量机的音字转换模型

针对N-gram在音字转换中不易融合更多特征,本文提出了一种基于支持向量机(SVM)的音字转换模型,有效提供可以融合多种知识源的音字转换框架。同时,SVM优越的泛化能力减轻了传统模型易于过度拟合的问题,而通过软间隔分类又在一定程度上克服小样本中噪声问题。此外,本文利用粗糙集理论提取复杂特征以及长距离特征,并将其融合于SVM模型中,克服了传统模型难于实现远距离约束的问题。实验结果表明,基于SVM音字转换模型比传统采用绝对平滑算法的Trigram模型精度提高了1.2%;增加远距离特征的SVM模型精度提高1.6%。     

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%.     

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。     

基于Cover级别的中文信息检索技术的研究

信息检索系统如果能较精确地定位于文章中用户关心的部分必将提高用户的检索效率。基于Cover级别的检索策略就是针对上述问题提出的。基于Cover级别的检索策略以用户查询的关键词集合作为输入,在被检索文档中找到包含关键词集合的最短文本片断集作为输出。文章采用了一种经过改进的基于Cover级别的检索策略,对系统返回的文本片断作了限制,并在检索过程中使用了贪心算法(Greedy Algorithm)的思想,最后将其应用到中文信息检索系统中。实验证明,采用改进的策略比原有的基于Cover级别的检索策略在返回有效结果个数和平均排序倒数(MRR)等指标上都有了提高。     

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％．     

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...     

一种基于粗糙集增量式规则学习的问题分类方法研究

该文提出一种基于粗糙集增量式规则自动学习来实现问题分类的方法,通过深入提取问句特征并采用决策表形式构建训练语料,利用机器学习的方法自动获取分类规则。与其他方法相比优势在于,用于分类的规则自动生成,并采用粗糙集理论的简约方法获得优化的最小规则集;首次在问题分类中引入增量式学习理念,不但提高了分类精度,而且避免了繁琐的重新训练过程,大大提高了学习速度,并且提高了分类的可扩展性和适应性。对比实验表明,该方法分类精度高,适应性好。在国际TREC2005Q/A实际评测中表现良好。     

INTERNET上天然沸石信息资源述论

较全面地介绍了INTERNET 上与天然沸石研究、生产和加工相关的信息源。讨论了国际互联网和国内互联网天然沸石信息量之间的差异, 并提出了该领域工作者应注意的问题。