“阿尔茨海默病”在《中图法》中的类目设置探讨

近年来,有关阿尔茨海默病的文献大量涌现,但《中图法》第4版中并无相关类目。通过对《中图法》R749．16老年及早老性精神障碍和中国精神疾病分类的分析,参照国际疾病分类（ICD-10）和《美国精神疾病诊断与统计手册》第4版修订本（DSM-IV-R）和《中国精神障碍分类与诊断标准》第3版（CCMD-3）相关类目的现行标准和原则,提出3种分类方案。     

UMLS语义网络在社会化标注系统中的应用研究

[目的/意义] 研究统一医学语言系统中语义网络与社会化标注系统结合的深层次应用。[方法/过程] 总结UMLS语义网络的现有应用,分析UMLS语义类型与FrameNet语义类型的特征,构建适合本研究的语义类型,并通过实例梳理社会化标注系统与本体映射的思路。[结果/结论] 提出将所构建的语义类型作为标签归类的分类器以及作为分众分类系统与框架网络本体映射的桥梁。突破传统的基于统计的标签归类方法可为本体与分众分类系统的映射提供新的视角。     

对我国地方政府信息公开目录分类体系的编制建议

以政府信息公开网站为依托,探讨当前地方政府信息公开目录分类体系应用状况。通过浙江省、南宁市政府信息公开分类体系的案例,从其指导原则、主题分类、服务分类、机构（部门）分类的角度进行分析和说明,发现信息公开分类体系存在的问题,以此为基础,对地方政府信息公开目录体系的编制提出一些有针对性、可行性的建议,从而提升政府部门服务质量和工作效率。     

对高校体育普修课"体能分班形式"的实验研究

通过教学实验,对高校体育普修课的分班形式进行了研究。发现按“体能”分班这种形式进行教学,可以充分发挥学生学习的积极性和主动性。并且在教学方法和手段上更具有针对性。这不仅能有利于教学效率的提高,更能避免“大锅饭式”的教学,达到因人而异,从而真正提高教学效果。     

基于FastText的新闻文本多分类研究

在迅速增加的海量数据中,文本形式的数据占很大比重。文本分类作为最常见的文本挖掘技术,可在大量杂乱的文本数据中发现有价值的信息,具有重要意义。文本分类面临的首要问题是如何在确保分类准确率的同时缩短分类时间。提出使用分类模型FastText学习单词特征以解决该问题,同时在数据集上使用停用词处理方法降低噪声数据对分类模型的影响。实验结果表明,使用FastText文本分类模型在数据集上准确率达到96.11%,比传统模型提高近4%,且模型处理每条文本的平均时间为1.5ms,缩短了约1/3。     

谈英语词类的划分及特点

学好英语这门语言不仅需要我们扩大词汇量、掌握其发音特征及句型结构、对英语国家有适当的文化背景知识的了解 ,而且要花大力气对其内部细节进行透彻的学习和研究。从词类划分、各种词类之间的关系及特征入手探索英语的内在本质和发展规律 ,不失为一种学习英语的既有效又有趣的途径。     

基于改进支持向量机的行为分类研究

针对智能监控中行人行为难于识别的问题,提出了一种基于改进支持向量机的行人行为分类的解决方法.针对背景建模和前景提取精确度的难题,把视频中有活动的部分表示成一组时空兴趣点;针对行动方式具有无固定方式和模糊特点的问题,先采用模糊聚类求每类行为样本聚类中心,再加入决策树思想,构建一种支持向量机决策树多值分离器进行行为分类.在国际上通用行为KTH数据库进行了实验,获得较高的识别率.     

网络舆情安全应用中主题分类方法的研究与实现

针对网络舆情安全应用中主题分类问题展开研究。主题分类需要解决5个问题。建立了网络舆情安全应用的分类体系;介绍了文档特征提取和选择方法;分析了向量空间模型;实现了KNN和SVM两种分类算法。验证了方法的实用性。     

刍议文化创意产业的定义与分类

本文在总结评价各类文化创意产业的定义与分类的基础上,提出“文化创意产业是文化产业与创意的交集”的核心观点;根据人们认知心理特点、科技发展阶段及管理学相关理论,尝试提出新的“文化创意产业”分类标准.     

Correlation analysis of performance measures for multi-label classification

In many important application domains, such as text categorization, scene classification, biomolecular analysis and medical diagnosis, examples are naturally associated with more than one class label, giving rise to multi-label classification problems. This fact has led, in recent years, to a substantial amount of research in multi-label classification. In order to evaluate and compare multi-label classifiers, researchers have adapted evaluation measures from the single-label paradigm, like Precision and Recall; and also have developed many different measures specifically for the multi-label paradigm, like Hamming Loss and Subset Accuracy. However, these evaluation measures have been used arbitrarily in multi-label classification experiments, without an objective analysis of correlation or bias. This can lead to misleading conclusions, as the experimental results may appear to favor a specific behavior depending on the subset of measures chosen. Also, as different papers in the area currently employ distinct subsets of measures, it is difficult to compare results across papers. In this work, we provide a thorough analysis of multi-label evaluation measures, and we give concrete suggestions for researchers to make an informed decision when choosing evaluation measures for multi-label classification.