A Corpus-Based Learning Method of Compound Noun Indexing Rules for Korean

In Korean information retrieval, compound nouns play an important role in improving precision in search experiments. There are two major approaches to compound noun indexing in Korean: statistical and linguistic. Each method, however, has its own shortcomings, such as limitations when indexing diverse types of compound nouns, over-generation of compound nouns, and data sparseness in training. In this paper, we propose a corpus-based learning method, which can index diverse types of compound nouns using rules automatically extracted from a large corpus. The automatic learning method is more portable and requires less human effort, although it exhibits a performance level similar to the manual-linguistic approach. We also present a new filtering method to solve the problems of compound noun over-generation and data sparseness.     

信息超载综述

介绍信息超载的含义和历史,分析信息超载的成因,最后提出信息超载的解决方法。     

对2的定性解释和定量计算

首先对输运过程中穿过参考截面ΔS的气体分子自由程的平均值λ穿为什么不等于λ而是大于λ作出了定性解释,然后通过定量计算求出了λ穿=2λ·     

信息过滤问题的研究

随着WWW 的迅猛发展和广泛使用,“信息过载”的问题日趋严重, 信息过滤日益重要。本文论述了信息过滤的意义、信息过滤的理论背景、信息过滤系统的研究, 最后探讨了目前信息过滤存在的问题。     

Internet信息检索分析与研究

综述了目前Internet 网上信息检索的主要方法及存在的问题, 并对其检索技术进行了深入的分析与比较。介绍了机器学习、智能A gent、信息过滤等新技术在信息检索中的应用, 并采用神经网络Hopfield 模型及算法进行词汇扩充来提高用户的检索提问表达, 从而提高了网上信息检索的能力。     

图表中平均数差异显著性检验结果的规范表达

科技论文图表中平均数差异显著性检验结果的表达存在很多问题,如图表中不标出检验结果、表达符号多样、符号标注位置不统一、检验结果描述缺项等,以及图表注释中对检验结果的表述不全面,甚至描述有错。通过分析存在的问题,提出了规范表达的建议。     

基于知识的协同过滤推荐系统研究

传统的基于项目的协同过滤算法,不能很好地解决数据稀疏和新项目问题(冷启动)带来的推荐质量下降的问题.笔者从智能检索的思想出发,提出一种新的基于知识的协同过滤推荐算法.该算法借助于领域本体,表达语义知识,增加了项目之间的关联信息;考虑到领域本体中结点、边、深度和密度对相似性计算的不同影响,算法结合信息论中的互信息相关概念,对相似性计算公式进行改进,提高了运算精度.实验结果表明,该算法相对于传统的基于项目的协同过滤推荐算法而言,可有效缓解由数据集稀疏和冷启动带来的问题,显著提高推荐系统的推荐质量.     

基于项目分类预测的协同过滤推荐算法

在电子商务系统中,为了帮助用户有效地发现、过滤和利用信息,信息过滤技术应运而生.协同过滤技术作为其中的一种技术被成功地应用于推荐系统中.随着电子商务用户数目和商品数目的日益增加,整个项目空间上用户评分数据极端稀疏,传统的相似性度量方法均存在各自的弊端,导致推荐系统的推荐质量急剧下降.针对这一不足,提出基于项目分类预测的协同过滤算法,通过对用户评分矩阵中的项目进行相应的分类,缩小邻近搜索的范围,预测项目评分,减少稀疏性,并采用新的相似度计算方法.实验结果表明,该算法能提高个性化推荐算法的准确性.     

基于属性值偏好矩阵的协同过滤推荐算法

传统的协同过滤推荐算法面临用户评分数据稀疏性和冷启动问题的挑战.针对上述问题,提出了基于属性值偏好矩阵的协同过滤推荐算法,首先采用奇异值分解(SVD)对用户-项目评分矩阵降维得到目标用户的初始邻居用户集,生成新的用户-项目评分矩阵;然后将用户评分映射到相应的项目属性值上,生成每个用户的属性值偏好矩阵,并基于属性值偏好矩阵进行用户相似性度量,从而缓解了评分数据稀疏性;将新项目的属性值与用户的属性值偏好矩阵进行匹配,从而找出匹配度最高的前N个用户作为新项目的推荐受众.实验结果表明了该算法的有效性.