基于语义联想的中文图像搜索引擎——构想与实验*

在分析了目前主流中文图像搜索引擎研究和开发的优点和缺点基础上，结合实际开发经验，提出一个基于语义联想的中文图像搜索引擎的构想。在图像内容信息表示上充分利用相关的文本信息。系统通过分析用户的检索行为记录，自动发现词间关系，并用知识库的方式来组织和存储图像信息，达到语义联想的功能。     

基于可视化技术的信息检索初探

首先简单介绍可视化技术，比较了基于可视化技术的信息检索与传统检索的优劣，接着重点阐述了可视化信息检索的基本原理及过程，最后概要介绍了几种重要的可视化检索系统。     

检索Agent的搜索机理研究

基于用户需求驱动的智能检索Agnet的特点 ,本文提出了以用户兴趣为中心的启发式搜索模式 :递归搜索模式和用户兴趣漫游模式。论述了多检索Agent之间的协调策略 :客户—服务器方式、会合方式、黑板方式和反应式数组方式。     

信息化科技传播的受众需求分析

科学技术通过科技传播日益深刻地影响着人们的生活,而随着信息化的渗透,科技传播的受众因所处的不同层面产生了多方位的需求变化.研究受众的需求变化成为研究科技传播理论最实际的内容之一.     

田径教学课件制作初探

在全球科技日新月异的今天，信息技术在教学中得到了广泛运用，使教学条件得到了极大的改善。多媒体技术的引入，在体育田径项目的教学中开辟了田径运动教学的新领域。运用文献资料法结合多媒体操作经验．指出田径教学课件应包含的内容及对田径教学质量提高的重要意义。     

体育技术CAI课件的设计

计算机辅助教学的兴起，使整个教育界传统教学方法扣理念受到了强烈的冲击，文章通过对大型体育技术课件的研制，论述了该类课件与纯理论课件的异同，其具有动态素材多，取材方便等特点，能有效防止CAI课件把黑板搬上电脑的弊端并提出了该类课件设计的一般原理和方法。     

科学数据与科研档案的管理协同：调查与思考

[目的/意义] 立足国家科技信息资源管理的整体效益,以增强国家科技信息资源综合治理能力为目标,调查科学数据与科研档案管理协同的发展现状,探索相关推进策略。[方法/过程] 综合运用实地调查法、网络调查法、文献研究法、比较研究法和行动研究法,收集中、美、英、澳4个国家的科技主管部门、档案主管部门、科研资助机构、科研机构、科学数据管理机构、档案机构及相关国际组织的相关政策文本和实践材料,展开内容分析和后续研究。[结果/结论] 在政策层面,科学数据管理政策中与档案相关的规定集中体现在将档案馆视作存储基础设施及将归档视为科学数据管理活动;科研档案管理政策中与科学数据相关的规定集中体现在承认科学数据的档案属性,并将其纳入归档范围;科研资助机构的政策要求明确科学数据的归档和保存问题。在实践层面,国外在组织、政策、业务、服务等方面形成相对丰富的协同实践,国内的协同实践则刚刚起步。最后,从体制机制、政策体系、协作模式、业务融合、服务支撑、人才培养等方面提出推进管理协同的发展建议。     

探索式搜寻意图对搜寻策略选择的影响机制研究

[目的/意义]研究旨在回答不同探索式搜寻意图的用户如何表达信息需求,不同的需求表达倾向于采用哪种搜寻策略,以及该选择机制如何受用户预期绩效的影响。[方法/过程]通过理论研究探索用户搜寻意图的复杂性和搜寻策略的多元化,结合用户需求表达和用户预期绩效的分析,建立用户探索式搜寻意图对搜寻策略选择的影响机制的理论研究框架,通过情景模拟问卷获取搜寻行为数据,以揭示无向信息收集、有向信息收集、知识获取、建议咨询、社会联系5种探索式搜寻意图在选择综合搜索引擎、专业搜索引擎、个人空间SMQA、问答平台提问和短视频网站浏览策略时的策略偏好及其成因。[结果/结论]研究表明,探索式搜寻意图需求表达的差异受搜寻目标的性质和用户认知能力的影响;不同需求表达的搜寻策略选择具有显著差异;预期绩效的调节作用促进了探索式搜寻策略选择的多元化和策略转换。     

研究生学术搜索中的信息规避行为与成因研究

[目的/意义]探索研究生学术搜索中的信息规避行为及成因,为改善信息规避消极影响、提升学术搜索效果提供依据。[方法/过程]首先利用任务式搜索实验获取搜索行为数据;其次通过访谈、扎根理论编码析出各搜索环节的信息规避行为及其影响因素;然后结合实验和访谈归纳出信息规避行为引发的搜索模式及搜索路径;最后依据SOR理论构建不同搜索模式下的信息规避模型,并结合问卷调研分析各搜索环节的信息规避成因。[结果/结论]研究生学术搜索中的信息规避行为受任务、信息、环境、资本因素外部刺激,受心理因素内部驱动,受能力因素调节控制;信息规避行为引发了直线式和螺旋式 2种搜索模式,在心理因素的反作用下,螺旋式搜索模式是对直线式搜索模式下信息规避行为负面影响的主观矫正;信息规避行为有积极和消极之分,需要引导消极信息规避行为,减少其带来的不利影响。     

融合深度学习和链路预测的细粒度技术预测研究——以合成生物技术为例

[目的/意义]面向专利文本进行更细粒度的技术实体识别和技术预测,利于更详细地把握专利技术布局与趋势。[方法/过程]首先利用深度学习方法自动识别专利技术术语类实体,通过实验对比多组深度学习算法的优劣。其次,提出新的半监督标注和自定义标注方案,提高人工标注效率。最后,执行训练得到的最优模型,结合链路预测方法,对合成生物技术进行细粒度的技术预测。[结果/结论]实证结果表明RoBERTa-BiLSTM-CRF模型更适用于语义复杂的专利技术实体识别,F1值可达到86.8%,技术识别结果比传统IPC分析方法更精细。同时,细粒度的技术预测结果表明,合成生物学的合成方法在不断改进创新,合成物研究向合成燃料发展。