检索结果-南通市图书馆

国际顶级会议视角下人工智能领域的新兴主题发现研究

在线全文

学校读者我要写书评

暂无评论

情报理论与实践 2024年第9期47卷 147-155页

作者：朱相丽张敬李伟伟刘小平耿国桐中国科学院文献情报中心北京100190 中国科学院大学经济与管理学院信息资源管理系北京100190 中国地质调查局地学文献中心北京100083 军事科学院国防科技创新研究院北京100071 军事科学院军事科学信息研究中心北京100142

[目的/意义]基于文献研究,揭示人工智能领域具有研究和发展潜力的新兴研究主题,为捕捉领域的发展动态和未来趋势提供参考。[方法/过程]构建人工智能领域国际顶级会议文献数据集,运用BERTopic主题模型实现主题发现,利用新颖性、增长性、... 详细信息

[目的/意义]基于文献研究,揭示人工智能领域具有研究和发展潜力的新兴研究主题,为捕捉领域的发展动态和未来趋势提供参考。[方法/过程]构建人工智能领域国际顶级会议文献数据集,运用BERTopic主题模型实现主题发现,利用新颖性、增长性、主题强度,计算各研究主题的综合新兴潜力,遴选和评价领域新兴主题。[结果/结论]人工智能领域整体发展活力强,综合计算认为“目标检测”“联邦持续学习”和“梯度提升”是该领域当前最具潜力的新兴主题,“AI隐私保护”“3D点云”“音频与视觉交叉”是未来比较有潜力的新兴主题。文章提出的研究框架能够发现更具时效性、准确性和可解释性的研究结果,具备实际可行性。[局限]未对不同神经网络语言模型进行对比研究和综合分析,未来可综合利用不同模型,揭示更具系统性、针对性、方向性的研究结论。

关键词：会议论文人工智能新兴主题主题发现 BERTopic

在线全文

学校读者我要写书评

暂无评论

基于集成学习的跨语言文本主题发现方法研究

计算机科学 2024年第S01期51卷 182-189页

作者：李帅于娟巫邵诚福州大学经济与管理学院福州350108

跨语言文本主题发现是跨语言文本挖掘领域的重要研究方向,对跨语言文本分析和组织各种文本数据具有较高的应用价值。基于Bagging和跨语言词嵌入改进LDA主题模型,提出跨语言文本主题发现方法BCL-LDA(Bagging,Cross-lingual word embeddin... 详细信息

跨语言文本主题发现是跨语言文本挖掘领域的重要研究方向,对跨语言文本分析和组织各种文本数据具有较高的应用价值。基于Bagging和跨语言词嵌入改进LDA主题模型,提出跨语言文本主题发现方法BCL-LDA(Bagging,Cross-lingual word embedding with LDA),从多语言文本中挖掘关键信息。该方法首先将Bagging集成学习思想与LDA主题模型结合生成混合语言子主题集;然后利用跨语言词嵌入和K-means算法对混合子主题进行聚类分组;最后使用TF-IDF算法对主题词进行过滤排序。汉语-德语、汉语-法语主题发现实验表明,该方法在主题连贯性和多样性方面均表现优异,能够提取出语义更加相关且主题更加连贯多样的双语主题。

关键词：主题发现跨语言 LDA 主题聚类德语法语

融合频繁项集和潜在语义分析的股评论坛主题发现方法

在线全文

学校读者我要写书评

暂无评论

同济大学学报（自然科学版） 2019年第4期47卷 583-592页

作者：张涛翁康年顾小敏张玥杰上海财经大学信息管理与工程学院上海200433 上海市金融信息技术研究重点实验室(上海财经大学) 上海200433 复旦大学计算机科学技术学院上海200433 上海市智能信息处理重点实验室(复旦大学) 上海200433

针对股评论坛主题发现,提出基于频繁项集与潜在语义相结合的短文本聚类(STC_FL)框架.在基于知网的知识获取后得到概念向量空间,挖掘并筛选出重要频繁项集,然后采用统计和潜在语义相结合的方法进行重要频繁项集的自适应聚类.最后,提出TSC... 详细信息

针对股评论坛主题发现,提出基于频繁项集与潜在语义相结合的短文本聚类(STC_FL)框架.在基于知网的知识获取后得到概念向量空间,挖掘并筛选出重要频繁项集,然后采用统计和潜在语义相结合的方法进行重要频繁项集的自适应聚类.最后,提出TSC-SN(text soft classifying based on similarity threshold and non-overlapping)算法,通过参数调优策略选择和控制文本软聚类过程.股吧论坛数据实证分析发现:所提出的STC_FL框架和TSC-SN算法可充分挖掘文本潜在语义信息,并有效降低特征空间维度,最终实现对短文本的深层次信息挖掘和主题归类.

关键词：主题发现股吧论坛频繁项集潜在语义分析文本软聚类

在线全文

学校读者我要写书评

暂无评论

主题发现技术方法研究

情报理论与实践 2009年第4期32卷 104-108页

作者：赵琦张智雄孙坦许雁冬中国科学院国家科学图书馆北京100190 中国科学院研究生院北京100049

介绍了主题发现的技术思路,同时分析了主题发现的相关核心技术及典型应用系统,最后提出了主题发现待解决的一些问题。

关键词：主题发现主题聚类本体

在线全文

学校读者我要写书评

暂无评论

主题发现与新动向报道

中国广播电视学刊 1998年第11期 21-22,29页

作者：田肖红河南开封人民广播电台

基于语义的突发公共卫生事件网络舆情主题发现研究

在线全文

学校读者我要写书评

暂无评论

数据分析与知识发现 2020年第9期4卷 68-80页

作者：邵琦牟冬梅王萍靳春妍吉林大学公共卫生学院长春130021 吉林大学第一医院长春130000

【目的】提出基于语义的突发公共卫生事件网络舆情主题发现框架,发挥语义识别在舆情主题发现中的优势。【方法】从语法、语义、语用三个角度,利用依存句法分析、语义角色标注构建RDF三元组,分析语义图谱中的度及PageRank值判断核心节点... 详细信息

【目的】提出基于语义的突发公共卫生事件网络舆情主题发现框架,发挥语义识别在舆情主题发现中的优势。【方法】从语法、语义、语用三个角度,利用依存句法分析、语义角色标注构建RDF三元组,分析语义图谱中的度及PageRank值判断核心节点,展开舆情主题发现研究并进行实证。【结果】实证研究中依据理论框架能够构建舆情主题语义图谱,可视化展现舆情主题间的语义关系,发现核心节点并聚焦于当事主体与官方政府两大主题。【局限】语义识别深度还有待提升。【结论】研究构建的理论模型在指导舆情主题语义发现方面具有一定的可行性,在舆情的主题发现上有一定的优势。

关键词：语义网络舆情主题发现知识图谱

在线全文

学校读者我要写书评

暂无评论

基于LDA模型的网络刊物主题发现与聚类

上海理工大学学报 2019年第3期41卷 273-280,306页

作者：杨传春张冰雪李仁德郭强上海理工大学复杂系统科学研究中心上海200093 上海理工大学MPA教育中心上海200093

随着智能终端的普及,文本的主题挖掘需求也越来越广泛,主题建模是文本主题挖掘的核心,LDA生成模型是基于贝叶斯框架的概率模型,它以语义关联为基础,很好地解决了文本潜在主题的提取问题。对文本聚类过程的核心技术LDA生成模型、数据采... 详细信息

随着智能终端的普及,文本的主题挖掘需求也越来越广泛,主题建模是文本主题挖掘的核心,LDA生成模型是基于贝叶斯框架的概率模型,它以语义关联为基础,很好地解决了文本潜在主题的提取问题。对文本聚类过程的核心技术LDA生成模型、数据采样、模型评价等作了较为深入的阐述和解析,结合网络教育平台的2794篇学习刊物进行了主题发现和聚类实验,建立了包含3800个词项的词库,通过kmeans算法和合并向量算法(UVM)分两步解决了主题聚类问题。提出了文本挖掘实验的一般方法,并对层次聚类中文本距离的算法提出了改进。实验结果表明,该平台刊物的主题整体相似度比较好,但主题过于集中使得许多刊物的内容不具有辨识度,影响用户对主题的定位。

关键词： LDA模型生成模型主题发现层次聚类文本挖掘

基于CSToT模型的科技文献主题发现与演化研究

在线全文

学校读者我要写书评

暂无评论

数据分析与知识发现 2018年第11期2卷 64-72页

作者：何伟林奉国和谢红玲华南师范大学经济与管理学院广州510006

[目的]分析某研究领域科技文献在一段时间内的主题结构并追踪其变化。[方法]基于改进的主题模型CSToT(ContentSimilarity-TopicsoverTime),以国内情报学领域9种期刊作为数据来源,分析国内情报学领域2012年–2016年的研究主题结构以及其... 详细信息

[目的]分析某研究领域科技文献在一段时间内的主题结构并追踪其变化。[方法]基于改进的主题模型CSToT(ContentSimilarity-TopicsoverTime),以国内情报学领域9种期刊作为数据来源,分析国内情报学领域2012年–2016年的研究主题结构以及其演化过程。[结果]CSTo T模型能清晰揭示科技文献主题结构,并获得主题演化关系。对案例数据分析后发现,国内情报学领域研究范围广泛,涉及信息服务、网络舆情、数据挖掘等方面;演化趋势分为上升型、下降型、稳定型和波动型4种;关于信息服务的研究路线演化尤为凸显。[局限]训练数据规模不够大。[结论]CSTo T模型能有效识别科技文献主题结构并获取其演化关系,为相关学科领域的研究与发展提供参考和依据。

关键词： ToT主题模型主题发现主题演化

基于文本挖掘的互联网教育课程主题发现与聚类研究

在线全文

学校读者我要写书评

暂无评论

上海理工大学学报 2018年第3期40卷 259-266页

作者：李梦杰刘建国郭强李仁德汤晓雷上海理工大学复杂系统科学研究中心上海200093 上海财经大学科研实验中心上海200433 沪江教育科技股份有限公司上海201203

如何通过有效的数据挖掘对互联网教育平台中的课程主题进行挖掘、聚类是当前互联网教育亟待解决的问题之一。实验基于文本信息对某互联网教育平台的1 472门课程体系的主题分布及类别进行了分析。采集了某平台1 472门课程的描述信息,进... 详细信息

如何通过有效的数据挖掘对互联网教育平台中的课程主题进行挖掘、聚类是当前互联网教育亟待解决的问题之一。实验基于文本信息对某互联网教育平台的1 472门课程体系的主题分布及类别进行了分析。采集了某平台1 472门课程的描述信息,进而通过自建词典和停用词库对文本进行切词分词,并通过TF-IDF对词频权重进行处理。利用LDA主题模型对课程的主题分布进行识别,发现了230个主题,并得到了每门课程在这230个主题下的文档–主题分布以及主题–词分布。进一步基于分布相似性函数对课程进行层次聚类,发现基于不同抽象层次主题的课程相互关联。最后将16个主题信息进行了可视化,这些主题分别从内容和数量两个角度反映出了课程的主题特征以及课程的聚合分布情况。

关键词：主题发现层次聚类互联网教育文本挖掘