大学生公共安全教育时机的调查——以河北省高校为例

本文以河北省本科院校、独立学院、高职高专,围绕公共安全教育的18项内容为样本,对当前大学生公共安全教育时机的问题进行了调查,调查反映了三类高校在18个教育主题的时机选择上的比较,这些时机有:开学初、重要纪念日、正常教学时间、第二课堂、学期末(寒暑假期)等.     

清末阅报处：新图书馆运动之前奏

清末阅报处的大量出现,不仅是近代报刊向大众传播转化链条中不可或缺的重要一环,亦是近代公共图书馆运动的重要序曲。清末阅报处为新图书馆运动酝酿了背景,奠定了基础,是新图书馆运动之前奏。     

学部与我国现代图书馆创建

我国具有开放性、公共意义之现代图书馆创建始于清末,学部在此过程中的作用至为关键。其表现有三：一是颁布《京师及各省图书馆通行章程》;二是创建京师图书馆;三是创建各地方图书馆。     

政务领域本体术语的自动抽取*

提出一种新的政务本体术语自动抽取的方法。首先通过中文分词技术和单字合并法提取政务文本中的词作为候选术语;通过C-value求解法和TF-IDF算法对候选术语进行过滤抽取,从而实现政务领域术语的自动抽取。通过实验比较,发现该方法在不影响领域术语抽取召回率的同时可以提高抽取术语的正确率。     

农民工信息接受行为影响因素研究

通过综合分析农民工自身因素及外部环境因素,以班杜拉的社会认知论为依据,结合理性行为理论及计划行为理论,构建农民工信息接受行为结构模型,并以广东珠三角地区农民工就业信息接受行为为实证,利用AMOS7.0软件对各潜变量之间的关系假设进行验证。研究结果表明,所构建的模型中大部分变量对农民工信息接受意向有显著影响作用,可以为深入分析农民工信息行为和开展有效的信息服务提供科学依据。     

基于专利地图和Multi-Agent思想的专利分析系统构建

专利地图在未来的信息世界中将会扮演重要的角色。本文简要介绍专利地图,以及在专利地图理论上建立专利分析系统,分析了专利分析的内容、功能和方法,并通过专利分析系统来制作专利地图。     

网络信息抽取技术及其在TBT预警中的应用*

研究了一种能够实现对数据型网页中信息实施实时采集的信息技术。该技术能够智能识别表格结构，自动分离数据项，在对数据项的分析判断过程中，采用从单词上分类（By Words）和从表格排列方式（By Structure）划分相结合的方法，以Ontology思想为支撑，融合支持向量机算法（SVM）和隐马尔可夫模型（HMM）等一系列成熟模型。最后通过测试并将该技术应用于TBT预警信息动态采集子系统中，收到良好效果。     

澳大利亚国家图书馆的信息服务

通过浏览澳大利亚国家图书馆网站，分析了该馆信息服务的大致情况，介绍了9种比较有特色的服务，并且指出和我国图书馆的区别。     

An empirical study of tokenization strategies for biomedical information retrieval

Due to the great variation of biological names in biomedical text, appropriate tokenization is an important preprocessing step for biomedical information retrieval. Despite its importance, there has been little study on the evaluation of various tokenization strategies for biomedical text. In this work, we conducted a careful, systematic evaluation of a set of tokenization heuristics on all the available TREC biomedical text collections for ad hoc document retrieval, using two representative retrieval methods and a pseudo-relevance feedback method. We also studied the effect of stemming and stop word removal on the retrieval performance. As expected, our experiment results show that tokenization can significantly affect the retrieval accuracy; appropriate tokenization can improve the performance by up to 96%, measured by mean average precision (MAP). In particular, it is shown that different query types require different tokenization heuristics, stemming is effective only for certain queries, and stop word removal in general does not improve the retrieval performance on biomedical text.