基于深度神经网络的信息抽取研究综述

信息抽取任务旨在从非结构化的文本中抽取出结构化的信息,帮助将海量信息进行自动分类、提取和重构,提高信息的利用率.目前,基于深度神经网络的信息抽取技术已经成为自然语言处理领域最重要的研究主题之一,它提供了分析非结构化文本的有效手段,是实现大数据资源化、知识化和普适化的核心技术,此外进一步为更高层面的应用和任务提供了支撑.文章对基于深度神经网络的信息抽取相关研究进行了综述,首先,简要概述了信息抽取的任务定义、目标和意义,然后,回顾了信息抽取任务的发展历程,接下来,从实体抽取、实体关系抽取、事件抽取和事件关系抽取4个方面梳理了近几年关键技术的研究进展.最后,文章对信息抽取领域的未来发展趋势进行了分析和展望.

一种基于SimRank得分的谱聚类算法

传统的谱聚类算法在建立相似度矩阵时仅考虑数据点与点的距离,忽略了数据点之间隐含的内在联系。针对这一问题,提出了一种基于SimRank的谱聚类算法。该算法首先用无向图数据建立邻接矩阵,并计算出基于SimRank的相似度矩阵;然后根据相似度矩阵建立拉普拉斯矩阵表达式,对其进行归一化后再进行谱分解;最后对分解得到的特征向量进行k-means聚类。在Zoo等UCI标准数据集上的实验结果表明,所提算法在聚类精确度、标准互信息和纯度3个评价指标上均优于现有的LRR(Low Rank Rrepresentation)等基于距离相似度的谱聚类算法。

思维导图在计算机组成原理课程教学中的应用及意义

在计算机教学中应用思维导图,可以在很大程度上使学生的学习潜能得到激发和提高,从而有效提高学生的课堂学习效率和学习质量,基于此,在对思维导图及其在教学中应用的现状进行介绍的基础上,阐释思维导图在计算机组成原理教学中具体的应用方法,最后剖析计算机组成原理教学中应用思维导图的重要意义。

基于核稀疏表示的属性选择算法

为解决高维数据在分类时造成的“维数灾难”问题,提出一种新的将核函数与稀疏学习相结合的属性选择算法。具体地,首先将每一维属性利用核函数映射到核空间,在此高维核空间上执行线性属性选择,从而实现低维空间上的非线性属性选择;其次,对映射到核空间上的属性进行稀疏重构,得到原始数据集的一种稀疏表达方式;接着利用L 1范数构建属性评分选择机制,选出最优属性子集;最后,将属性选择后的数据用于分类实验。在公开数据集上的实验结果表明,该算法能够较好地实现属性选择,与对比算法相比分类准确率提高了约3%。