期刊文献分布特征的分析

以1999-2003年生物技术学科期刊文献分布曲线为依据,利用知识密度梯度graduR(n)的概念,对知识场中文献分布特征进行分析。结果表明,在任何一个学科的知识场中,集中区文献分布呈间断性变化,离散区文献分布呈连续性变化,从而构成期刊文献分布的基本特征。基于此,指出期刊文献分布特征研究是对文献分布规律的进一步描述。     

试论网络实时参考咨询服务－兼述NSTL实时参考咨询系统的建设与服务

介绍国内外网上实时咨询服务的发展情况，探讨网上实时咨询系统的服务功能和实时咨询员的素质要求；概述NSTL 开展网上实时咨询服务的指导思想和服务效果，对租用现成系统(如美国国会图书馆与OCLC合作开发的QuestionPoint系统)与自行开发系统的优缺点进行比较。     

1949～2003年我国图书馆学基础理论研究名篇述要

本文选介了1949-2003年图书馆学基础理论研究的一些重要论文，以此勾勒我国图书馆学基础理论的发展概貌。     

网络隐私的安全防护策略研究

通过对网络隐私的概念、产生原因、保护范围和安全现状的分析，从技术与应用的角度对网络隐私的安全问题进行了探讨，给出了一些安全防护策略。     

美国的信息素养教育

文章较系统地简述了美国信息素养教育兴起、发展和走向世界的情况,重点是其理论、机构、政策措施、基层各具创意的做法及对我国文献信息界的启示。     

推进我国信息资源共享政策体系建设

文章阐述了研究信息资源共享政策体系建设的意义,分析了信息资源共享政策的作用,探讨了信息资源共享政策体系的内容和层次。     

麻省理工学院新工程教育改革的形成、内容及内在逻辑

麻省理工学院进行的三次工程教育改革举世瞩目。2017年8月,该校启动了新一轮工程教育改革,其宗旨是培养能够引领未来产业发展的领导型工科人才,改革的内容涵盖工程教育的出发点、重心、教学方式和发展方向,体现出多重逻辑:从现实到未来的取向,从学科和心理的分离到整合,从学科隔离到跨学科合作,从工程实践的回归到工程教育育人本质的回归等。虽然此次改革仍存在质量保障及认证等方面的问题,但大胆创新的麻省理工精神却再次引发各国关注。该校能否以此改革契机,开启第四次工程教育改革新时代,引领世界高等工程教育发展的新方向,成了举世关注的焦点。     

档案馆安全保障现状调查与评估——以武汉市35个不同类型档案馆为例

论文对武汉市各类档案馆的安全保障工作进行了调研与评估,从安全战略、基础设施、组织管理、档案安全技术、档案安全制度五个维度分析了档案馆安全保障工作的现状,提出了如下建议:完善应用系统与数据库安全功能、加强安全技术手段应用、加强档案信息风险评估与制度建设.     

基于词向量扩展的学术资源语义检索技术

[目的/意义] 尝试以统计的方法为指导思想,探究基于词向量扩展的语义检索技术来提升学术资源的语义检索能力。[方法/过程] 利用自然语言处理、文本挖掘技术,对采集来的学术资源（主要是学术论文）元数据进行预处理,结合word2vec词向量生成工具和elasticsearch全文检索引擎搭建语义检索系统,对学术资源进行语义检索的探索研究。[结果/结论] 本文提出的方法能够有效提升学术信息的检索效果,一定程度上实现学术资源的语义检索,并为后续语义检索的进一步研究提供借鉴。     

Using word embeddings in Twitter election classification

Word embeddings and convolutional neural networks (CNN) have attracted extensive attention in various classification tasks for Twitter, e.g. sentiment classification. However, the effect of the configuration used to generate the word embeddings on the classification performance has not been studied in the existing literature. In this paper, using a Twitter election classification task that aims to detect election-related tweets, we investigate the impact of the background dataset used to train the embedding models, as well as the parameters of the word embedding training process, namely the context window size, the dimensionality and the number of negative samples, on the attained classification performance. By comparing the classification results of word embedding models that have been trained using different background corpora (e.g. Wikipedia articles and Twitter microposts), we show that the background data should align with the Twitter classification dataset both in data type and time period to achieve significantly better performance compared to baselines such as SVM with TF-IDF. Moreover, by evaluating the results of word embedding models trained using various context window sizes and dimensionalities, we find that large context window and dimension sizes are preferable to improve the performance. However, the number of negative samples parameter does not significantly affect the performance of the CNN classifiers. Our experimental results also show that choosing the correct word embedding model for use with CNN leads to statistically significant improvements over various baselines such as random, SVM with TF-IDF and SVM with word embeddings. Finally, for out-of-vocabulary (OOV) words that are not available in the learned word embedding models, we show that a simple OOV strategy to randomly initialise the OOV words without any prior knowledge is sufficient to attain a good classification performance among the current OOV strategies (e.g. a random initialisation using statistics of the pre-trained word embedding models).