智能、智慧、智库:新时代的情报学发展与实践——第九届全国情报学博士生学术论坛纪要

1论坛简介全国情报学博士生学术论坛2012年由北京大学信息管理系发起,至今已经连续举办八届[1-9],历届全国情报学博士生论坛主题如表1所示。该论坛为全国情报学专家学者和博士研究生搭建了一个高水平的学术交流平台,推进了全国情报学博士生在情报学理论与实践方面的学习、思考与创新,促进了情报学博士生学术研究和实践能力的提升。

基于ARIMA与线性回归组合模型的汽车销量预测分析

现有的汽车销量预测模型大都脱离汽车企业的实际情况,侧重于中国汽车市场的整体销量预测,且预测数据来源难以获取,在各品牌的汽车主机厂并未得到广泛应用。论文根据主机厂数据现状,结合现有汽车销售流程,分析面向品牌的汽车销量预测的主要因素,提出一种基于ARIMA与线性回归组合模型的单品牌汽车销量预测模型,为单品牌的汽车销量预测提供建模参考。

微服务架构在商务领域信息系统集中化建设中的应用研究

随着移动互联新型业务增长,汽车厂商商业模式逐步进行转变,商务领域信息系统的集中化架构演进将对传统模式及新型模式的支撑起到至关重要的作用。通过对系统建设的模式及架构演进进行比对分析,着重对商务领域系统集中化的微服务架构搭建、技术实现、微服务切分进行阐述,并对历史数据迁移及特殊业务在微服务架构展开分析。

基于采莓模型启示的探索式与查找式意图自动识别研究

【目的】通过选取新分类特征,提高探索式与查找式意图自动识别的准确度。【方法】在AOL查询日志中,选取1805个查询并对其进行人工标注;在采莓模型的启示下,分别从查询性质、搜索过程与信息来源三个层面提出分类特征;进一步比较所提出特征在朴素贝叶斯、SVM、决策树、随机森林与神经网络5种分类模型中的分类效果;最后分析不同特征集合以及每个特征的分类效果。【结果】三种分类特征均能对探索式与查找式意图进行有效区分,其中查询性质相关特征的识别效果最佳;在5种分类模型中,采用神经网络算法的分类模型性能最佳(Accuracy=0.8172,Precision=0.8494,Recall=0.7747,F1=0.8103)。【局限】未在多个数据集中验证新提出的分类特征的性能;未充分挖掘用户搜索行为以此形成更多有效的分类特征;由于人工标注存在高耗时、高人力成本等问题,使得最终应用于探索式/查找式意图识别的数据集有限。【结论】基于采莓模型启示提出的特征能对探索式与查找式意图进行有效区分。

基于查询表达式特征的时态意图识别研究

【目的】针对时态意图识别问题,探讨可抽取查询表达式特征的有效性及采用不同类别分类算法的识别准确度,为后续相关研究提供一定的借鉴。【方法】按查询表达式特征与时间的关联性,将其归类为时间无关特征、潜在时间特征、显式时间特征。在此基础上,分别采用有监督分类算法及半监督分类算法,探讨采用不同特征组合的有效性及不同分类算法的识别准确度。【结果】在抽取的三类查询表达式特征中,仅使用显式时间特征的平均分类准确率最高,且"查询是否包含年份"这一特征为强特征;使用不同分类算法的识别准确度相差不大;时态意图识别结果优于已有参与时态意图分类子任务(TQIC)测评的成果,平均分类准确率为81.14%。【局限】限于数据集的获取途径,仅对300条查询的时态意图识别效果进行验证;仅考虑已有的查询表达式特征,未提出用于时态意图识别的新特征。【结论】查询表达式特征中与时间关联性高的特征能提高时态意图识别准确度,而基于统计的特征(如查询词长度)对时态意图识别分类准确度的提升效果不明显。

基于深度学习算法的学术查询意图分类器构建

[目的/意义]实现学术查询意图的自动识别,提高学术搜索引擎的效率。[方法/过程]结合已有查询意图特征和学术搜索特点,从基本信息、特定关键词、实体和出现频率4个层面对查询表达式进行特征构造,运用Naive Bayes、Logistic回归、SVM、Random Forest四种分类算法进行查询意图自动识别的预实验,计算不同方法的准确率、召回率和F值。提出了一种将Logistic回归算法所预测的识别结果扩展到大规模数据集、提取"关键词类"特征的方法构建学术查询意图识别的深度学习两层分类器。[结果/结论]两层分类器的宏平均F1值为0.651,优于其他算法,能够有效平衡不同学术查询意图的类别准确率与召回率效果。两层分类器在学术探索类的效果最好,F1值为0.783。

A Framework for Personalized Adaptive User Interest Prediction Based on Topic Model and Forgetting Mechanism

User interest is not static and changes dynamically. In the scenario of a search engine, this paper presents a personalized adaptive user interest prediction framework. It represents user interest as a topic distribution, captures every change of user interest in the history, and uses the changes to predict future individual user interest dynamically. More specifically, it first uses a personalized user interest representation model to infer user interest from queries in the user＇s history data using a topic model; then it presents a personalized user interest prediction model to capture the dynamic changes of user interest and to predict future user interest by leveraging the query submission time in the history data. Compared with the Interest Degree Multi-Stage Quantization Model, experiment results on an AOL Search Query Log query log show that our framework is more stable and effective in user interest prediction.