基于自组织映射的期刊主题可视化组织

本文利用自组织映射(SOM)人工神经网络方法对学术期刊按其主题进行可视化组织。在修改常见的SOM显示方式统一距离矩阵(U-matrix)的基础上提出增强型U-matrix及新的SOM显示方式属性方差矩阵(AV-matrix),构造了关键属性投影方法,以53种有代表性的图书情报类英文期刊为例,将期刊按其主题分为19个类,识别各类期刊之间的关键差异主题,并分析各类期刊在关键差异主题上的特点。     

数字图书馆关键技术的分析与启示(上)

数字图书馆的建设必须依靠高新技术的支撑 ,而研究的策略与盲点对技术的进展具有深刻的影响。本文通过对美、英、法、日、中五国的数字图书馆关键技术的研究进展的分析比较 ,认为我国数字图书馆的研究者们应当更好地与信息技术力量雄厚的机构开展合作 ,充分利用现有的信息技术成果     

中文期刊影响因子与网络影响因子和外部链接数的关系研究

学术期刊是科学信息的重要载体,而Internet是方便信息交流的新兴场所.因此,现在越来越多的学术期刊建立了自己的网站,于是期刊网站的评价也越来越受到人们的关注.本文以部分工程类中文期刊为例,利用AllTheWeb搜索它们网站的外部链接数,并计算其网络影响因子,然后将中国科学技术信息研究所(ISTIC)2001年底公布的2000年期刊影响因子与它们一一对应比较,发现期刊的影响因子与期刊网站的网络影响因子和外部链接数之间均存在着有意义的相关关系,因此,网站的外部链接数和网络影响因子均可作为网站评价的重要指标.     

中美图情科研机构研究领域比较研究

科研机构在科学研究和技术创新过程中发挥着重要作用,对不同国家科研机构的研究领域进行分析有助于促进相互学习并提高合作的可能性。本文利用自组织映射(SOM)人工神经网络方法对87所中美图书馆学情报学(LIS)科研机构在技术维度的图书情报学领域研究进行可视化比较分析。研究发现,中美图情科研机构都与本国同行具有更相似的研究领域。根据其研究领域的相似性,共识别出八组国际潜在合作机构和七组国内潜在合作机构,最后分析了中美图情机构的热点与特色研究领域。该研究发现有助于更好地了解中美图情机构在技术维度的图书情报学研究领域的相似性与差异,为相关科研机构寻找潜在的合作对象,跟踪国外热点研究领域,发现自身研究的不足提供决策支持。图1。表6。参考文献42。附录1。     

数字图书馆关键技术的分析与启示(下)

2　中国的数字图书馆关键技术研究进展2 1　信息的捕获与创建技术　　 1999年 11月 2 4日 ,北京汉王科技公司召开了“专业ＯＣＲ技术成果发布会” ,会上演示了该公司的专业ＯＣＲ (光学字符识别 )技术及相关产品。汉王公司这次推出的“新世纪ＯＣＲ”版本在专业化方面进了一大步。该版本提供快速准确的纯中英文识别功能 ,识别率达到 99 9% ,中英文混排识别率可达到 98%以上 ,对较工整的手写文稿识别率在 95 %左右 ,识别速度达 15 0字 秒 (ＰＩＩ2 66)。在版面分析方面 ,新世纪ＯＣＲ具有自动版面分析功能 ,能够自动区分文字、表格和图像等…     

突发公共卫生事件舆情环境下的群体智慧涌现研究

本研究提出一种从突发公共卫生事件的舆情信息中提取群体智慧的方法,揭示了突发公共卫生事件舆情环境下群体智慧涌现的模式与规律。以群体免疫相关话题为例,利用依存分析的关系抽取(relation extraction with dependency parsing,REDP)方法提取微博、评论含有的三元组,以结构化表示突发公共卫生事件舆情环境下公众的知识条目,基于舆情知识三元组、网络拓扑结构挖掘突发公共卫生事件舆情环境下的群体智慧涌现模式与规律。研究结果表明,本研究所提出的方法能够从突发公共卫生事件舆情中提取群体智慧,同时发现,随着突发事件的演变,舆情的热度和群体智慧并不是线性平稳增加的,涌现存在临界现象和跳跃式前进的特征。舆情知识网络具有小世界、无标度网络结构,群体智慧主要集中于微博信息中,具有动态属性。     

基于深度学习的跨语言词汇对齐模型研究

由于能够捕捉语言的内在规律,词向量在自然语言处理任务中得到广泛应用,通过跨语言词汇对齐能够将词向量的应用推广到跨语言情境中。文章在词汇深度表示学习的基础上通过改进生成对抗网络结构,提出一种新的词汇对齐模型(Word Alignment Model,WAM)。为验证模型的有效性,在三组跨语言语料数据集上进行对比实验。与最好的无监督方法相比,WAM模型在P@1上提升0.25%,在P@10上提升0.46%。实验结果表明,通过改进生成对抗网络,能够以无监督的方式更好地实现词汇的跨语言对齐。研究结果对完成领域知识的跨语言迁移,解决跨语言情感分析、信息检索和问答系统等跨语言信息处理任务有重要意义。     

基于深度学习的领域知识对齐模型研究:知识网络视角

随着大数据的迅速发展,知识网络在不同语言、不同领域和不同模态等情境下呈现高度多样性和复杂性,如何对齐与整合多源情境下的异构知识网络,成为研究者所面临的严峻挑战。本文在知识网络深度表示学习的基础上,提出一种由知识网络构建、跨语言网络表示学习和统计机器学习三个模块构成的知识网络对齐(knowledge network alignment,KNA)模型。为验证模型的有效性,在中英文双语知识网络数据集上开展实证研究,借助于网络表示学习算法将异构知识网络表征到同一空间,利用已知的对齐链接来训练统计机器学习模型,并通过模型来预测未知的节点对齐链接。KNA模型在跨语言共词网络对齐任务中取得Precision@1值为0.7731,高于基线方法 (0.6806),验证了KNA模型在跨语言知识网络对齐上的有效性。研究结果对于改进知识网络的节点对齐效果,促进多源情境下的异构知识网络融合具有重要意义。     

基于序列到序列模型的抽象式中文文本摘要研究

[目的/意义]为更好地处理文本摘要任务中的未登录词（out of vocabulary，OOV），同时避免摘要重复，提高文本摘要的质量，本文以解决OOV问题和摘要自我重复问题为研究任务，进行抽象式中文文本摘要研究。[方法/过程]在序列到序列（sequence to sequence，seq2seq）模型的基础上增加指向生成机制和覆盖处理机制，通过指向生成将未登录词拷贝到摘要中以解决未登录词问题，通过覆盖处理避免注意力机制（attention mechanism）反复关注同一位置，以解决重复问题。将本文方法应用到LCSTS中文摘要数据集上进行实验，检验模型效果。[结果/结论]实验结果显示，该模型生成摘要的ROUGE （recall-oriented understudy for gisting evaluation）分数高于传统的seq2seq模型以及抽取式文本摘要模型，表明指向生成和覆盖机制能够有效解决未登录词问题和摘要重复问题，从而显著提升文本摘要质量。