基于词向量的中文词汇蕴涵关系识别

英文词汇蕴涵关系识别已有较多研究,并提出许多识别模型,但针对中文的词汇蕴涵关系获取则鲜有研究。为此,提出一种中文词汇蕴涵关系识别方法。利用词向量技术,在中文维基百科语料上进行训练,将词汇表示为词向量,设计各种基于词向量的分类特征,训练得到可用于名词词汇蕴涵关系分类的支持向量机分类模型。实验结果表明,与传统的余弦相似度方法相比,该方法以及设计的各种分类特征在词汇蕴涵关系识别方面具有明显优势。

融合句法结构变换与词汇语义特征的文本蕴涵识别

传统文本蕴涵识别方法仅停留在词汇级的识别,无法涉及句法、语义等方面,造成识别结果的F值较低。针对该问题,提出一种将句法结构的变换和传统词汇语义特征结合的中文文本蕴涵识别方法。对文本进行基于句法分析树变换的预处理,将句法分析中适用于文本蕴涵识别的特征加入到相关的统计和词汇语义特征中,使用统计机器学习的方法对由文本片段T和假设的文本片段H组成的文本对进行蕴涵关系分类,并经过语义规则的修正处理得到最终的识别结果。在NTCIR RITE3上的评测结果表明,与III&CYUT,Yamraj等相比,该方法能获得较高的F值。

探讨无标度网络(图)的平衡集

无标度网络的无标度性导致其各顶点之间的连接状况(度数)具有严重的不均匀分布性,无法给出无标度网络的具体结构,不能直接观察信息传播的具体路径。基于利用生成树来研究无标度网络(图)的拓扑结构思想,尝试寻找与时间和次要节点无关的无标度网络(图)的普适性结构,研究与生成树密切相关的平衡集,给出一个寻找具有较多叶子生成树的算法。

边界增长网络模型的演化性质

定义了一类边界增长网络模型,确定了这类网络模型的无标度性、聚集系数等参数,并且对边界增长网络模型的新指标进行了计算.

自增长网络模型及其算法

众所周知,现实世界的网络大部分都不是随机网络,少数的节点往往拥有大量的连接,而大多数的节点连接却很少,这正是无标度网络的重要特性。于是对于无标度网络性质的研究,因为其实用性而变得及其重要。首先定义了一种新的自增长网络模型,对它的基本参数进行计算,证明了它的无标度性。其次验证模型的最大叶子生成树的度分布服从幂率分布,并且得到了网络的平衡集,从而对无标度网络有了初步探索。最后给出了一个计算平均路长的算法。