Hierarchical clustering of a Finnish newspaper article collection with graded relevance assessments

Search facilitated with agglomerative hierarchical clustering methods was studied in a collection of Finnish newspaper articles (N = 53,893). To allow quick experiments, clustering was applied to a sample (N = 5,000) that was reduced with principal components analysis. The dendrograms were heuristically cut to find an optimal partition, whose clusters were compared with each of the 30 queries to retrieve the best-matching cluster. The four-level relevance assessment was collapsed into a binary one by (A) considering all the relevant and (B) only the highly relevant documents relevant, respectively. Single linkage (SL) was the worst method. It created many tiny clusters, and, consequently, searches enabled with it had high precision and low recall. The complete linkage (CL), average linkage (AL), and Ward's methods (WM) returned reasonably-sized clusters typically of 18–32 documents. Their recall (A: 27–52%, B: 50–82%) and precision (A: 83–90%, B: 18–21%) was higher than and comparable to those of the SL clusters, respectively. The AL and WM clustering had 1–8% better effectiveness than nearest neighbor searching (NN), and SL and CL were 1–9% less efficient that NN. However, the differences were statistically insignificant. When evaluated with the liberal assessment A, the results suggest that the AL and WM clustering offer better retrieval ability than NN. Assessment B renders the AL and WM clustering better than NN, when recall is considered more important than precision. The results imply that collections in the highly inflectional and agglutinative languages, such as Finnish, may be clustered as the collections in English, provided that documents are appropriately preprocessed.     

基于概率神经网络的文本自动分类研究

本文提出了将一种径向基网络的重要变形———概率神经网络应用于文本自动分类的研究 ,与常用的K 最邻近法相比 ,具有一定的优势 ,特别是在训练集中各类的训练样本数很不平衡时 ;与BP等其他神经网络相比 ,其特点是需调节的参数少 ,不需确定隐层数、隐层中的神经元数量等网络结构 ,比较容易使用。此外 ,从研究中的不同特征选择的评价函数来看 ,它们对分类有一定的影响 ,应用X2 统计进行特征选择的分类正确率最高 ,其次是文本证据权 ,而期望交叉熵的效果最差 ,说明特征选择在文本自动分类中也是非常重要的。     

基于支持向量机的文本自动分类试验研究

提出了将支持向量机应用于文本自动分类的研究，与常用的K-最邻近法相比，无论是对训练数据集还是测试数据集均具有一定的优势，而且不同特征选择方法对支持向量机的影响要比K-最邻近法小。此外，从研究中的不同特征选择的评价函数来看，它们对分类有一定的影响，应用X2统计进行特征选择的分类正确率最高，其次是文本证据权，而期望交叉熵的效果最差，说明特征选择在文本自动分类中也是相当重要的。     

情报检索系统用户相关性判断的灰色聚类决策

所谓灰色聚类决策,就是按多个不同的决策指标对决策对象进行综合评价,以确定决策对象是否满足给定的取舍原则。该方法可以用于对情报检索系统的检索结果进行相关性判断。参考文献4。     

基于用户自然标注的TF-IDF辅助标引算法及实证研究

[目的/意义] 从用户角度出发,研究基于用户自然标注的TF-IDF辅助标引算法。[方法/过程] 首先以核心期刊论文中作者标注的关键词和分类号为源数据,通过对关键词词频进行统计,使用TF-IDF算法构建用户标注词表、形成标引知识库,然后通过IK Analyzer分词软件对待标引的科技项目数据进行切词和停用词处理,进而使用TF-IDF算法和位置加权算法提取科技项目数据的特征词,最终实现对科技项目数据进行关键词和分类的同步标引。[结果/结论] 实验结果表明,机标关键词与人标关键词的相似比在60%以上的科技项目数据占总数的68.1%,机标分类号与人标分类号前三位一致的占总数的83.9%,结果表明基于用户自然标注数据并采用TF-IDF算法在关键词和分类标引方面是可行的。     

我国期刊集群的研究进展与发展态势——基于共词分析方法

期刊集群是国际期刊业的重要发展趋势,也是提升我国期刊整体水平的正确方向,理解和把握期刊集群的研究热点和发展态势是做好期刊集群理论创新和实践应用的关键问题。基于共词分析法,研究我国期刊集群领域学术论文的整体概况、高频     

城市化水平的聚类和因子分析

运用聚类分析模型和因子分析方法，对长三角地区16个城市在10个经济指标变量上的样本数据进行了分析，从量和质的角度综合评价了各城市的城市化的水平。     

探索高校科技期刊出版模式的改革措施

在介绍了当前国际上科技期刊主流出版模式以及跨国化、集团化、规模化的发展趋势的基础上,对我国高校科技期刊的出版模式进行了探索和研究,分析其体制机制、运营方式及各模式优缺点,并对高校科技期刊的发展定位以及集约化改革措施提出了一些建议,为促进我国高校科技期刊整合资源、做大做强提供参考.     

大学出版社学术期刊集群化运营模式研究——以清华大学出版社期刊中心为例

针对出版单位的学术期刊集群模式发展特点,根据清华大学出版社的期刊集群化建设实践,总结出学术期刊集群建设具有的普遍优势,包括办刊资源共享、人员共用、集中管理、统一制度建设、统一宣传发布平台建设等,分析大学出版社开展学术期刊集群化建设的特殊优势,包括兼具学科优势和管理优势、书刊互动、“产学研”一体化等.提出了清华大学出版社学术期刊集群的未来发展建议.     

语义分类的学科主题演化分析方法研究——以我国图书情报领域大数据研究为例

[目的/意义] 学科主题演化研究有助于掌握学科发展现状、研究热点、研究前沿和发展趋势等情况,是进行科技创新的基础,是面向科技创新的重要研究方向。[方法/过程] 提出一种语义分类的学科主题演化分析方法：将关键词分为研究问题、研究方法和研究技术3类,构建不同语义分类的共词网络;然后基于Fast Unfolding社区发现算法识别具有语义特征的社区（主题）;利用相似度算法计算相邻子时期主题间的相似度,构建学科主题演化图谱,以分析某学科领域研究问题、研究方法和研究技术的变化,实现深度、细致的学科主题演化分析。[结果/结论] 通过对2012-2015年CNKI数据库收录的我国大数据研究领域相关论文数据的处理分析,证明该方法的准确性和有效性。