结合编辑距离和Google距离的语义标注方法

提出了一种在领域本体指导下对网页进行语义标注的方法。该方法利用编辑距离和Google距离从词语的语法和语义两方面综合度量词汇与本体概念之间的语义相关度,从而在网页与本体之间建立映射关系。此外,对网页进行语义标注后,利用标注结果对本体进行有效扩充,使本体更趋于领域化。实验结果表明该方法是行之有效的。

基于Google距离的语义Web服务发现

针对多数语义Web服务发现算法需要领域本体支持且算法的复杂度较高的问题,利用Google距离来定量测量Web服务输入、输出间的语义距离,并基于Google海量词汇及Google搜索引擎来计算服务间语义相似度.计算时,不需要提供领域本体且基于开放的Google搜索引擎来计算服务匹配度,提高了效率,降低了复杂度.

基于Google与KL距离的概念相关度算法

WordNet在计算概念相关度时存在词汇量小、难以及时扩展更新以及同义、近义、一词多义等问题。为此,提出一种结合文本信息和图像视觉信息的概念相关度方法。利用Google距离和KL距离分别计算基于词语同现频率的概念相关度和基于视觉特征的概念相关度,并结合两者得到概念的总体相关度。实验结果验证了该方法的有效性。

融合语义特征的加权朴素贝叶斯分类算法

针对传统朴素贝叶斯算法属性独立性假设降低分类效果的问题,提出一种融合语义特征的加权朴素贝叶斯算法。在特征提取时引入Google距离衡量词语间语义相关性对节点权值进行重新计算;利用改进的NGD-TextRank算法提取数据集中关键特征,去除冗余属性进行降维;在分类过程中对不同特征项的影响程度进行划分,将特征项的权值融合到朴素贝叶斯公式中构造加权朴素贝叶斯分类算法。为验证算法性能,使用多类型数据集设计实验,与同类算法对比分析结果表明,该算法能够有效提取关键特征,经过加权处理后较好提高了文本分类的准确性。

基于视觉内容与语义相关的图像标注模型

针对当前标注系统的不足,设计了一种高效的标注模型,其标注步骤包括标注和标注改善,标注算法采用加权的正反例标志向量法,标注改善采用NGD方法。实验表明,标注效率远优于经典的标注模型,标注质量优于大多数标注模型。

基于HGSD的消费情感分类算法

针对中文消费评价的情感分类问题,构造基于词典语义概念和上下文语义相结合的情感分类方法,对情感进行分类.该方法首先构造提取不同领域基准词集的方法.然后利用一元语言模型,通过How Net计算情感相似值,进行情感词提取.最后结合How Net方法和Google相似距离方法构造一种情感分类算法,对句子进行情感倾向性分类,既考虑词语本身含义,又考虑词语在上下文中的含义.通过对书籍、电脑和酒店的评价进行实验,F值较高,同时与其他方法进行对比实验,体现文中算法的有效性.