社交网络中基于信息词频和节点相似度的影响最大化算法

深入挖掘社交网络中传播力较强的个体,并利用其进行产品营销往往会达到事半功倍的效果,影响最大化问题就是在特定社交网络中寻找影响力较大的个体.为了更加准确的评估影响力,本文不仅从节点相似度方面进行改进,而且从信息内容本身出发,基于信息在社交网络中的传播,结合信息词频等信息自身特点来刻画节点的影响力,提出了基于信息词频和节点相似度的影响最大化算法(IMFS,Influence Maximization algorithm based on term Frequency and node Similarity).随后,在真实的社交网络中对该算法进行了实验,并与传统的影响最大化算法对比,实验结果表明由IMFS得到的集合的影响范围大于其他启发式算法的结果,同时算法的运行速度也有相应的提高,说明了本文提出的算法是解决影响最大化问题的有效算法.

基于词频信息改进的IG特征选择算法在文本分类中的应用研究

IG算法是一种有效的特征选择算法,在文本分类研究领域中得到了广泛应用。本文针对IG算法的不足,提出了一种基于词频信息的改进方法,分别从类内词频信息、类内词频位置分布、类间词频信息等方面进行了改进。通过实验对改进的算法进行了测试,结果表明,改进的算法相对传统算法更有效。

基于差异度量和互信息的文本特征选择算法

针对基于文档频率的特征选择算法易于忽略词频和类别关系的问题,提出一种基于差异度量和互信息的文本特征选择算法。融合归一化差异度量和互信息概念,引入词频信息和特征分布系数,弥补归一化差异度量算法在特征选择过程中忽略词频和特征词与类别之间关系的不足,并增加特征分布系数对其进一步优化。实验结果表明,在不同特征维度下,该算法能够有效提高文本分类准确率。

基于混合互信息算法的文本情感分析

针对互信息(MI)特征选择方法存在的正负相关性现象,以及未考虑特征项在不同类别内词频的问题,提出了一种混合互信息特征选择算法(hybrid mutual information,HMI)。引入逆文档频率系数和类间词频信息系数,使得整个文档中的词频信息以及每个类之间的词频信息得以有效利用;引入正负相关性系数,区分正相关性和负相关性并进行有效的利用。通过实验对比表明,混合互信息算法可以有效地提高特征选择的质量,进而提高文本情感分析的效果。

学术期刊发文主题演变的实证研究——以《情报学报》为例

关键词是反映论文内容的语词。首先利用词频统计方法,对1998-2011年《情报学报》发文关键词进行了统计分析;然后以本体研究等为例,探讨了论文信息耦合的可视化。研究发现,信息产业、知识经济、信息化等研究内容已逐渐淡出情报学研究人员的视野;本体、信息可视化、知识发现、知识图谱等正受到研究者的青睐。