基于本体与上下文感知矩阵的查询扩展算法

针对物理世界的信息查找在过去几年间也受到广泛关注,但是迄今还缺乏深入的研究。目前针对Web信息空间的搜索算法不适合普适空间内的信息查询,原因有二:面向物理实体查询的支撑技术,如嵌入式设备和无线通信,与传统Web信息搜索不同;物理实体相关的信息与Web网页不同,表现在元数据、信息动态性等方面。同时,由于用户查询用词与文档关键词不匹配,传统信息检索的结果并不理想,难以满足用户的查询需求。为了解决这个问题,面向物理实体查询这一全新应用,提出了上下文感知矩阵(Context-Awareness Matrix,CAM)的概念,该矩阵表示了本体内上下文之间的关联度,并可根据用户反馈对上下文之间的关联度进行实时训练和动态调整,从而为查询重写和查询扩展提供有效、可靠、稳定的数据支持。实验结果表明该查询扩展算法能获得更合适的查询扩展词。

基于Word2Vec的情感词典自动构建与优化

情感词典的构建是文本挖掘领域中重要的基础性工作。近几年,情感词典的极性标注从二元褒贬标注向多元情绪标注发展,词典的领域特性也日趋明显。但是情感类别的手工标注不但费时费力,而且情感强度难以得到准确量化,同时对领域性的过分关注也大大限制了情感词典的适用性[1]。通过神经网络语言模型对大规模中文语料进行统计训练,并在此基础上提出了基于转换约束集的多维情感词典自动构建方法;然后研究了基于词分布密度的感情色彩消歧方法,对兼具褒贬意味词语的感情极性进行区分和识别,并分别计算两种感情色彩下的情感类别与强度;最后提出基于多个语义资源的全局优化方案,得到包含10种情绪标注的多维汉语情感词典SentiRuc。实验证实该词典1)在类别标注检验、强度标注检验、情感消歧效果及情感分类任务中均具有良好的效果,其中的情感强度检验证实该词典具有极强的情感语义描述力。

基于微博表情符号的情感词典构建研究

基于微博表情符号,提出一种自动构建情感词典的方法.从微博平台抓取大量带有表情符号的微博文本,并依据表情符号对微博文本进行情感倾向标注,生成情感语料库.对语料库进行分词、去重等预处理工作,根据词性规则抽取微博文本中情感词,统计每个情感词在正向和负向语料库中出现的次数,计算情感词的卡方统计值获得情感强度,根据情感词在正负微博文本中出现的概率判定情感词的倾向性,进而生成情感词典.这是一种全新的思路.以人工标注的情感词典为基准数据,实验结果表明,本文方法标注情感词的准确率在80%左右,在情绪词强度阈值θ为20、30时,生成情感词典综合F值最好,达到了82%以上.

基于意群划分的中文微博情感倾向分析研究

微博作为一种新兴的社交网络平台,逐渐成为公众发布个人信息,获取实时信息,表达个人观点的新平台。针对微博情感倾向判断的问题,提出了一种基于意群划分的中文微博情感倾向分析(STDSG)方法。引入意群的概念,提出微博意群划分算法,根据意群间的关系,考虑否定词、程度词及标点符号的对情感倾向分析的影响,提出计算微博意群情感倾向的方法。在给定的数据集上,实验结果准确率达到了80.1%,总体性能优于基于情感词典的方法及基于支持向量机的方法。

薄层罩面技术在隧道路面养护中的应用

结合长城岭隧道路面抗滑处治项目对同步薄层罩面技术原材料、配合比设计、混合料性能指标、施工工艺进行了详细的介绍。并在实际工程中进行了验证,实践证明薄层罩面技术能很好地改善隧道水泥混凝土路面抗滑不足的问题,同时具有较好的舒适性,对以后薄层罩面技术在高速公路养护中的应用具有重要指导作用。