基于种子扩充的专业术语识别方法研究

专业术语的识别是知识抽取和文本挖掘的关键。为了提高专业术语识别的效率,提出了一种半监督的基于种子迭代扩充的专业术语识别方法,该方法只需要利用少量的训练样本通过方法自身的迭代来增加训练样本,同时生成新的模型;利用迭代生成的最终模型作为专业术语识别模型。实验结果最终证明了本方法的有效性。

基于种子—扩充的多态蠕虫特征自动提取方法

提出基于种子—扩充的多态蠕虫特征自动提取方法 SESG。SESG算法首先按序列的权重大小将其放入一个队列,然后依次对队列中的种子序列进行扩充,从而对各类蠕虫以及噪音序列进行分类,并从分类后的蠕虫序列中提取其特征。测试结果表明,SESG算法能够在包含噪音的可疑池中很好地区分各类蠕虫序列,更易于提取有效的蠕虫特征。

结合全局种子最优局部扩展的跨网络用户识别

跨网络用户匹配的目的是识别不同社交网络上属于同一用户的不同账户,在好友推荐、网络安全和链路预测等方面有重要意义。现有方法通常利用部分已知匹配用户,迭代识别其余待匹配用户。然而,目前大部分方法受限于已知匹配用户的数量,无法在较低的时间内精准地识别用户。提出了结合全局种子最优局部扩展的跨网络用户识别方法(GLE)。首先,为有效解决冷启动问题,提出了全局种子扩展模型(GSE)来丰富已知匹配用户数量;然后,为了在较低的时间代价上确保较高的准确性,提出了最优局部扩展模型来找到最优候选匹配对。最后,实验结果表明,该算法可显著提高用户识别的召回率和准确率,具有较低的时间开销,并解决了已知匹配用户数量不足时的识别问题。