用语义模式提取实体关系的方法

研究了信息抽取中的汉语实体关系提取技术,在使用模式匹配技术的基础上引入了词汇语义匹配技术对汉语实体关系进行提取。比较了一般模式匹配技术和词汇语义模式匹配技术在汉语实体关系提取任务中的性能。实验结果表明,一般模式匹配技术在处理中文时效果较差,而词汇语义模式匹配技术更适合于处理汉语实体关系提取任务。

汉语实体关系模式的自动获取研究

中文信息抽取系统中实体关系模式的自动获取对于整个系统具有重要意义。在bootstrap方法的基础上,根据汉语在形式表达上的多样性特点,使用统计学习技术来自动获取新模式。实验表明,该方法在人工干预很少的情况下,能够快速查找新模式,且新模式的获取不受应用领域限制。因此该方法对于提高信息抽取系统的性能是有效的。

基于统计分布与集合论的文本分类方法

指出基于TfIdf的常用文本特征提取方法在文本分类问题中的缺陷,进而提出使用特征词的分布状态、词频和文本频三者相结合的方式提取文本特征的观点,给出了计算特征词权重的新方法,提出了新的文本分类方法.试验表明,该方法能够最大限度保留文本的特征,并且可有效避免向量空间模型中的维数灾难问题,能应用于大规模文本分类.

汉语信息抽取中事件的定位与分类

事件抽取是信息抽取的基本任务之一,而对文本中的事件准确定位和分类是保证事件抽取质量的前提。使用向量空间模型来表示事件描述片段的特征,并分类计算特征词的重要度,最后对文本中的事件片段进行定位和分类。试验结果表明该方法能够对文本中的事件片段进行较为准确的定位、分类,因此对于事件抽取任务的前期处理具有重要价值。

信息抽取中实体关系模式的可信度评估

在基于Bootstrap的信息抽取技术中,为提高实体关系抽取模式的质量,需要对抽取模式的可信度进行评估。本文提出了根据模式的历史匹配记录来对其进行可信度评估的简单方法,并以此为基础对模式进行了优化合并。经过可信度评估的模式在对句子进行实体关系标注时,有效提高了标注的准确率。这说明该方法能够提高抽取模式的质量,对信息抽取系统的性能提高有一定价值。

使用特征词的统计分布信息进行文本分类

文本分类是文本信息处理工作中的一个重要预处理部分。对常用的文本表示模型-向量空间模型的特征词权重估计方法提出了质疑,指出该方法的两个假设前提在一些情况下是不完全正确的,并详细分析了造成这一问题的原因。在此基础上,提出了正确估计特征词权重的三个基本假设,并由此得出新的特征词权重估计方法和文本分类方式,最大限度地利用了文本信息。

使用种子抽取实体关系模式

识别句子中实体关系是信息抽取的重要技术。研究了汉语实体关系模式的自动获取技术。在基于种子方法的思想上,结合汉语在语义表达上的多样性特征,使用机器学习方法来自动发现新模式。实验表明,该方法在人工干预很少的情况下,能较为准确的发现新模式,且可以在不同抽取领域内快速移植。因此该方法对于汉语实体关系识别具有一定价值。

信息抽取技术在情报学中的应用分析

对海量信息进行有效收集与组织是情报学要解决的关键问题。分析了信息抽取技术的特点及其关键技术,讨论了信息抽取技术在情报学中的应用价值。通过信息抽取技术收集和组织信息,可提高信息相关性并为知识服务奠定基础。

Cloud-ALC:描述逻辑ALC的不确定扩展

描述逻辑是本体的重要表示方式,但只能处理严格的确定性知识,并不能处理自然界中广泛存在的不确定知识。通过对最基本的描述逻辑ALC进行扩展,提出了能够处理不确定知识的基于云模型不确定描述逻辑Cloud-ALC,给出了Cloud-ALC的语法和语义及其蕴涵推理关系。实例分析说明Cloud-ALC可以为扩展本体描述语言以能够处理不确定知识提供语义支持。

关于推广的Kolmogorov系统的解的定性研究

讨论了推广的单种群 Kolmogorov系统的严格正解的存在性 ,惟一性及全局渐近稳定性 ,得到了比通常 Kolmogorov系统更一般的结果 ,进一步在周期与概周期的情形下 。

一类三阶非线性向量型微分方程解的全局稳定性

对一类三阶非线性向量型微分方程零解的全局吸引性及全局稳定性给出了新的判别准则 .