【摘 要】
：
现有的基准词选择方法存在着随机性和主观性的缺陷,提出了一种基于词聚类的基准词的选择方法:从目标领域本体中选出一组初始种子词进行扩展,聚类得出二代种子词,对二代种子词再进行扩展、聚类,依次迭代直至得到最优的聚类种子词,并作为最终选取的基准词。实验结果表明该方法提取的基准词在词的情感倾向分类中具有较高的准确率。
【机 构】
：
合肥工业大学管理学院电子商务研究所
【基金项目】
：
基金项目：高等院校博士点基金资助项目（20090111110016）,合肥工业大学科学研究发展基金资助项目（2010HGXJ0009）
论文部分内容阅读
现有的基准词选择方法存在着随机性和主观性的缺陷,提出了一种基于词聚类的基准词的选择方法:从目标领域本体中选出一组初始种子词进行扩展,聚类得出二代种子词,对二代种子词再进行扩展、聚类,依次迭代直至得到最优的聚类种子词,并作为最终选取的基准词。实验结果表明该方法提取的基准词在词的情感倾向分类中具有较高的准确率。
其他文献
提出一种通用的时间序列数据流预测方法,算法首先通过经验模式分解方法将从链式重写窗口取得的数据集分解有限具有特征振荡周期的固有模态函数分量和一个代表原始序列平均趋势的余量;然后对于各个分量分别建立最大Lyapunov指数预测模型进行预测;最后将各分量的预测值组合获得最终预测值。通过电力负荷的预测实验表明,与单一的时间序列数据流预测模型相比,该模型具有较高的预测精度和很好的模型适应性。
为方便管理员更为直观地观察网络安全状况以便迅速作出应变措施,提出了基于集对分析的网络安全态势评估模型。首先对各个传感器的数据进行预处理,得到服务器和攻击的规范化数据,然后利用集对分析理论融合来自多个传感器的数据得到主机的安全态势,最后采用自下而上的层次化安全态势量化评估模型,以评估网络的整体态势。通过对DARPA 2000数据集的分析,证明集对分析比传统方法更能够对网络态势所处的级别进行明确划分,
幼师学生是未来的幼儿教师，她们的数学素养高低关系到幼儿的发展，本文从生源现状、幼专教育现状进行陈述,对团队学习在大学教育中的必要性进行分析，结合笔者教学经验，介绍了团队
为了解决目前本体建立技术严重依赖领域专家的参与、不够客观的现状,提出将形式概念分析与统计理论相结合的本体构建模型。通过利用统计算法对术语在文件中出现概率进行统计,根据设定的阈值对术语进行抽取,同时对术语出现的文件进行记录,进而将以上所得的知识组织成具有层次关系的概念格,最后将概念格映射为领域本体。实践证明,利用该模型建立的领域本体具有较好的客观性,同时能极大提高本体搜索的效率。
分析了RSSI(received signal strength indicator)测距的原理及环境对RSSI的影响。论述了高斯模型校正算法,该算法中因含有与环境相关的路径散逸指数而产生较大测距误差。针对这一问题,提出了基于锚节点的高斯校正算法,该算法以锚节点对之间的已知距离和测量的RSSI值为参考,对由被测RSSI值得到的距离进行校正,消除了路径散逸指数,并用网络连通信息和RSSI联合定位。仿
针对遗传算法求解问题中保持群体多样性能力不足、早熟、耗时长以及求解成功率低等缺点,依据拉丁方抽样方法对遗传算法中的交叉算子进行重新设计;结合免疫机理定义染色体浓度、设计克隆选择策略,提出了一种改进拉丁方抽样免疫遗传算法。利用旅行商问题以及最大子团问题为实例对新算法进行了验证,实验结果表明,新算法在解的质量、收敛速度等各项指标上均好于经典遗传算法和佳点集遗传算法,说明了新算法的优越性和可行性。
针对车间作业调度问题,提出了一种混合了知识进化和粒子群优化的算法。该算法主要是结合知识进化算法的进化选择机制和粒子群优化的局部快速收敛性特性,首先让粒子替代知识进化算法中的进化个体,在群体空间中按粒子群优化规则寻找局部最优,然后根据知识进化算法的全局选择机制寻找全局最优,最后将车间作业调度问题的特点融入到所提出的混合算法中求解问题。采用基准数据进行测试的仿真实验,并比对标准遗传算法,结果表明所提算
为进一步提高认知无线电频谱感知性能,提出一种基于信任度加权的软合并感知算法TWCS(trustweighted cooperation sensing)。该算法首先定义一个模糊型指数信任度函数,对两认知用户间的信任程度进行量化处理,并通过信任度矩阵度量各认知用户测得数据的综合信任程度,以合理分配测得数据在融合过程中所占权重。仿真结果表明,与最大比合并和信噪比加权合并等算法相比,TWCS算法不仅具有
针对病毒特征检测中码串长度对模式匹配算法性能影响的问题,结合基于码串长度的特征集自适应分类思路,提出了两种改进的多模式精确匹配算法,即NAC_BM和NWM_QS。改进算法通过引入文本窗口的前缀字符块WB增加了跳跃距离,减少了匹配次数,加快了匹配效率。初步实验证明,改进算法在执行时间和速率上优于原算法。
针对NP-hard组合优化问题,提出一种基于启发因子的自适应混合离散粒子群算法对其进行求解。通过改进离散粒子群运动方程,并加入启发因子,从而提高算法的收敛性和稳定性;依据粒子多样性的动态变化,引入自适应扰动算子,以保持种群进化能力。该算法对低、中、高维的TSP数据仿真结果表明,与其他混合离散粒子群算法相比,具有更好的全局收敛性和稳定性。