机器翻译的现状及面临的问题

机器翻译的产生极大地促进了我国的翻译事业的发展。目前,国内很多机器翻译软件层出不穷,但机器翻译译文的质量并不能达到令人满意的效果,它面临着严峻的挑战。     

论机器学习

机器学习是一门人工智能的科学,同时也是实现人工智能的一个重要途径。相应地,机器学习的研究目的有两个：一是用于提高机器人的性能;二是从数据库中发现新的知识。机器学习的研究队伍可以分为两个科学共同体：一个群体用于分类算法的改进;另一个群体主要进行从事计算学习理论的分析。     

大力发展仿真实验,改革机械设计基础实验教学

该文就在机械设计基础实验课程中,引入计算机仿真技术,开设机械设计仿真实验作了一些研究.论述了发展机械设计仿真实验的意义,对仿真实验平台的选择、实验内容的规划安排给出具体建议.     

基于在线评论的图书消费者满意度影响因素与作用机理

[目的/意义] 本文旨在提出一种从大量在线商品评论数据中挖掘影响读者满意度的关键因素的方法，并深入探讨各个影响因素对消费者满意度的影响模式和影响程度，进而为图书出版企业、电商平台持续改善读者满意度提供理论基础。[方法/过程] 一方面利用朴素贝叶斯分类器将读者的情感进行分类。另一方面对评价文本中的高频名词进行聚类，发现影响读者满意度的主要因素。在此基础上基于最大程度减少不确定性的原则对各个影响因素的影响模式和影响程度进行分析。[结果/结论] 以京东人工智能类图书评论为例进行了实证研究，发现包括内容、价格在内的六个因素可以极大地反映出读者的满意度（83.2%）。因此对于图书类商品，可以通过对大量历史评论数据的学习，找出影响读者满意度的主要因素，据此设计出简化的读者评论框架，以增强读者参与评论的积极性，提高评论的质量。"图书内容"是影响读者满意度的最主要因素。当读者对图书内容表达出不同的情感时，其他因素对读者满意度的影响模式和程度是完全不同的。当读者对图书内容表示满意时，89.2%的总体评论是好评，其他因素的影响较小，价格是导致中评和差评的最主要因素；当读者认为图书内容一般时，评论趋向于中性，读者对服务和物流更为关注；当读者认为图书内容不令人满意时，影响读者满意的因素依次是包装、服务质量和价格。基于不同影响因素对读者满意度的影响模式和影响程度，图书出版企业和电商平台可以更加有针对性地对其加以改善，以提高读者满意度。     

大数据环境下文本情感分析算法的规模适配研究:以Twitter为数据源

[目的/意义]以大数据环境下的文本情感分析这一特定任务为目的，对规模适配问题进行研究，为情报学领域研究人员进行大数据环境下数据分析时，实现效率和成本的最优选择提供借鉴。[方法/过程]采用斯坦福大学Sentiment140数据集，在对传统情感分析算法分析的基础上，提出了5种面向大数据的文本情感分析算法，检验各种算法在不同环境和数据规模下的适配效果，从准确性、可扩展性和效率等方面进行实证比较研究。[结果/结论]实验结果显示，本文所搭建的集群具有良好的运行效率、正确性以及可扩展性，Spark集群在处理海量文本情感分析数据时更具有效率优势，且在数据规模越大的情况下，效率优势越明显；在资源利用方面，随着节点数和核数的增加，集群的整体运行效率变化显著，配置5个4核4G内存的从节点，能够实现在高效完成分类任务的同时达到节约资源成本的效果。     

基于网络的评论褒贬分析

针对网络中主观感情色彩的评论性文本进行处理可以获得有用的意见、结论．介绍文本倾向性分类技术,并基于该技术分析网络中对商品的评论信息．提出构建商品评价模型的方法．     

基于单词分类的归一化神经网络语言模型研究

提出了一种基于单词分类的神经网络语言模型,以解决归一化问题。实验方法为,在基础翻译系统中加入模型参数,然后利用开发集调整参数,再对测试集进行翻译,对比加入模型参数前后的翻译质量以及训练模型和翻译过程所需时间。实验结果表明,在保证归一化的前提下,该模型的性能优于Vaswani等人的模型,且翻译质量与Vaswani等人的模型相当。     

基于核函数原型和自适应遗传算法的 SVM模型选择方法

针对现有SVM模型选择方法中人为指定核函数类型导致SVM模型性能难以达到最优的问题,提出了核函数原型的概念,并在此基础上提出一种基于核函数原型和自适应遗传算法的SVM模型选择方法. 该方法针对具体问题选择最优的核函数,有效地提高了SVM模型的性能;同时该方法通过动态调整遗传算法的控制参数,提高了SVM模型选择方法的稳定性. 在5个标准SVM数据集和遥感图像上的实验证明了该方法的有效性和稳定性.     

基于SVM/LDA的SAR图像目标鉴别方法

提出一种基于主成分分析和支持向量机与线性判别分析结合算法的合成孔径雷达(synthetic aperture radar,SAR)图像目标鉴别方法. 利用主成分分析算法对SAR图像向量进行降维并提取其全局特征,对降维后的全局特征采用最小类内散度支持向量机算法进行变换,并对变换结果训练生成最佳分类器,进行分类完成目标鉴别. 实验结果表明该方法可以获得较高的分类正确率.     

基于N-IKOS自动分类的实证研究

指出大数据时代的到来使自动分类再次受到人们的关注.总结现有的自动分类方法,介绍中国科学院文献情报中心的KOS引擎项目中的集成知识组织体系.在此基础上,改进BP神经网络算法,提出N-IKOS自动分类模型.最后,通过实验检验基于N-IKOS分类的准确性,通过基于BP神经网络的分类实验、基于KOS引擎的分类实验和基于N-IKOS的分类实验比较新模型在自动分类中的优劣.实验结果表明:该研究改进了原有的KOS引擎分类,可为自动分类领域提供新的思路.