基于离群主题词跨学科组合的学术创新机会发现研究

[目的/意义]学科领域的离群主题词可为创新机会发现提供新颖、稀缺的信息,离群主题词跨学科组合能催生新的知识,产生突破性学术创新机会。[方法/过程]以情报学和政治学为例,利用LDA提取不同学科文献的主题,以概率分布低的主题词为数据对象,利用Word2Vec和PCA技术将题名和摘要中包含文本语义的主题词表示为低维稠密向量,根据主题词在二维空间的分布发现学科内的离群主题词;利用余弦相似度计算不同学科离群主题词之间的语义相似度,将相似度高的不同学科的离群主题词组合视为具有创新潜能的组合。根据设计的需求度指标进一步筛选离群主题词组合,最终确定未来具有研究潜力的学术创新机会。[结果/结论]将主题提取与语义分析相结合,充分考虑了离群主题词的价值和语义环境;将离群主题词跨学科组合的语义相似度与需求度结合,能够兼顾学术创新的新颖性和有用性特征。研究表明,此研究方法能够有效发现学术创新机会,为科研指导、知识服务提供可靠参考。     

初中生离群现象的个案研究

在校园中,我们经常能发现这样的学生:独来独往,沉默寡言,整天心事重重,很少露出笑脸,集体活动时总像个旁观者.这样的学生就是人们常说的"离群生".笔者调查了6所初中的57名初中班主任,其中有46人认为自己的班级存在离群的学生.离群现象有两种类型:一类是被动型离群.有些学生因喜怒无常、好吹牛、小气、攻击性强、对同学不友好等特点遭到同学排斥,因而游离于群体之外.另一类是主动型离群.有些学生因学习成绩差、成就感低、外表没有吸引力、自卑感强等原因而自我封闭,不愿意与同学交往,从而游离于群体之外.本文所研究的是主动型离群现象.     

非线性数据变换及其在离群聚类中的应用

为了提高高维数据集合离群数据挖掘效率,在分析了传统的离群数据挖掘算法优点和缺点的基础上,提出了一种离群点检测算法,首先将非线性问题转化为高维特征空间中的线性问题,然后利用非线性数据变换进行维数约减,对从高维采样数据中恢复得到低维数据集,通过本文提出的离群数据假设,并结合本文给出的离群聚类方法对所得数据对象投影分量是否是离群数据进行判别。仿真实验的结果表明了该方法能够有效地发现高维数据集中的离群点。与此同时,该算法具有参数估计简单、参数影响不大等优点,为离群点检测问题的机器学习提供了一条新的途径。     

基于离群数据的主题演化规律分析

在综述国内外主题演化研究现状的基础上,提出将离群数据概念引入到主题演化规律分析中,详细阐述了基于离群文献的主题演化动力机制分析,最终探索了主题演化的状态变化情况。从而更加准确地定量分析不同主题在整个学科领域主题演化过程中的作用,并展示出学科主题演化的趋势,全面把握学科主题状况,促进主题全面发展。     

基于核密度估计的核偏鲁棒M-回归建模方法及应用

提出了一种基于核密度估计的核偏鲁棒M-回归(kernel partial robust M-regression based on kernel density estimation,KDE-KPRM)方法。以核密度估计加权策略代替原来的M估计加权策略,利用主成分分析技术和核密度函数识别高杠杆点(输入变量空间异常点),利用残差和核密度函数识别高残差点(输出变量空间异常点),无需反复迭代便可以为样本赋予合适权重,有效地提高了建模速率。通过函数仿真和实际工业仿真,证明了所提出的方法比标准的核偏鲁棒M-回归算法有更好的鲁棒性和更高的建模效率。