期刊文献+
共找到6篇文章
< 1 >
每页显示 20 50 100
一种对象级搜索中的多查询合并算法
1
作者 陈恩红 李梁 《中国科学技术大学学报》 CAS CSCD 北大核心 2008年第10期1237-1240,共4页
对传统搜索引擎使用的排序算法进行分析,将概率意义引入对象级搜索,提出一种在对象级搜索中合并多个查询结果的算法.通过归一化以及考虑概率意义与查询规模间的关系,该算法独立于生成结果列表使用的排序算法.实验结果证明该算法提高了... 对传统搜索引擎使用的排序算法进行分析,将概率意义引入对象级搜索,提出一种在对象级搜索中合并多个查询结果的算法.通过归一化以及考虑概率意义与查询规模间的关系,该算法独立于生成结果列表使用的排序算法.实验结果证明该算法提高了查询结果的质量. 展开更多
关键词 搜索引擎 对象搜索 排序算法 多查询合并
下载PDF
实体搜索综述 被引量:6
2
作者 张香玲 陈跃国 +2 位作者 马登豪 陈峻 杜小勇 《软件学报》 EI CSCD 北大核心 2017年第6期1584-1605,共22页
与传统的以网页页面集合的方式呈现搜索结果不同,实体搜索的结果是实体或实体集合,其优点是无需用户在纷杂的网页里面进行二次查找,更能提升用户的搜索体验.实体搜索的任务可以分为相关实体搜索和相似实体搜索.对近年来这两类任务的实... 与传统的以网页页面集合的方式呈现搜索结果不同,实体搜索的结果是实体或实体集合,其优点是无需用户在纷杂的网页里面进行二次查找,更能提升用户的搜索体验.实体搜索的任务可以分为相关实体搜索和相似实体搜索.对近年来这两类任务的实体搜索技术进行综述.首先给出了实体搜索的形式化定义,并介绍了常用的评测指标;然后,对两种不同形式的实体搜索任务在两类数据源(非结构化数据集和结构化数据集)上的主要研究方法进行了详细的阐述和对比;最后,对未来的研究内容和发展方向进行了探讨和展望. 展开更多
关键词 实体搜索 对象搜索 相关实体搜索 相似实体搜索 知识图谱
下载PDF
对象级搜索中基于图的对象排序模型(英文)
3
作者 李梁 罗奇鸣 陈恩红 《山东大学学报(工学版)》 CAS 北大核心 2009年第1期15-21,共7页
提出了一种对象级搜索中领域无关的对象排序模型.给定对象集合以及对象间的关系,根据用户输入的对象查询,该模型按照对象与查询的相关度输出一个对象的排序表.采用一个多平面的图表示对象级搜索的空间,并基于该图分别提出了对象流行度... 提出了一种对象级搜索中领域无关的对象排序模型.给定对象集合以及对象间的关系,根据用户输入的对象查询,该模型按照对象与查询的相关度输出一个对象的排序表.采用一个多平面的图表示对象级搜索的空间,并基于该图分别提出了对象流行度评估算法、根据查询计算相关度的算法,以及合并多个对象查询的算法.针对ACM数据集上的实验结果表明该算法是有效的,在论文推荐与合并多对象查询方面,均取得了比PaperRank更好的结果. 展开更多
关键词 WEB对象 对象搜索 链接分析
原文传递
对象级的web搜索在公共安全产品行业的应用
4
作者 杨珍 张爱玉 《中国安防》 2014年第10X期94-97,共4页
通用搜索引擎检索返回结果过多、主题相关性不强,特别是在搜索公共安全产品的相关信息时,无法迅速搜集到满足需求的结果。本文把对象级的web搜索应用于公共安全产品领域,实现了对公共安全产品的垂直搜索,提升搜索的准确度。
关键词 对象搜索 对象级排序 公共安全产品
原文传递
Lisp语言在数字化测绘方面的运用探讨 被引量:2
5
作者 肖祥红 雷宇斌 《国土资源导刊》 2007年第3期57-61,共5页
利用Lisp语言编程来解决数字化测绘生产过程中经常碰到的许多问题,诸如块的替换、图层管理、坐标系之间的转换以及不同软件版本之间或同一版本不同用图之间的转换、文本数据与图形数据之间的转换等。
关键词 LISP语言 数字化测绘生产 搜索选择集对象 替换图元代码 编辑数据库
下载PDF
SQoE KQIs Anomaly Detection in Cellular Networks: Fast Online Detection Framework with Hourglass Clustering
6
作者 Xiaowei Qin Shuang Tang +2 位作者 Xiaohui Chen DANDan Miao Guo Wei 《China Communications》 SCIE CSCD 2018年第10期25-37,共13页
The explosive growth of data volume in mobile networks makes fast online diagnose a pressing search problem. In this paper, an object-oriented detection framework with a two-step clustering, named as Hourglass Cluster... The explosive growth of data volume in mobile networks makes fast online diagnose a pressing search problem. In this paper, an object-oriented detection framework with a two-step clustering, named as Hourglass Clustering, is given. Where three object parameters are chosen as Synthetical Quality of Experience(SQo E) Key Quality Indicators(KQIs) to reflect accessibility, integrality, and maintainability of networks. Then, we choose represented Key Performance Indicators(r KPIs) as cause parameters with correlation analysis. For these two kinds of parameters, a hybrid algorithm combining the self-organizing map(SOM) and 展开更多
关键词 big data SQoE anomaly detection hourglass clustering codebook.
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部