摘要：考虑到人类知识在大脑中以联想记忆形式存在,尝试从联想关系的视角深入探索知识体系的内在关系网络模型,旨在为知识图谱的建模提供一种可参考的新思路。对于给定的知识语料库,首先考虑以直接联想关系生成方式构建初始的知识关系网络,随后引入多种图约简方法优化知识联想关系网络的建模。研究中特别地提出了随机选择、局部联想最大记忆保留、全局联想最大记忆保留等3种知识联想关系约简重整策略,并通过实验手段对这3种策略进行建模分析。实验结果表明:3种方法呈现出了价值意义清晰的共同性能特征,而其中的全局联想最大记忆保留策略能最优地平衡知识联想关系网络的规模和联想记忆效率,可为相关应用提供有效的方法基础,也可为进一步探索类脑联想记忆的知识关系网络生成建模提供十分有益的启发。

摘要：【目的】解决混合含有连续数值与标签特征量数据集的规则挖掘问题。【方法】提出数据集中特征维度间的互解释表示方法——自解释归约模型,模型通过最大化新设计的自解释归约目标实现对连续数值数据的自适应划分建模。【结果】针对标准数据集、模拟规则挖掘问题、以及实际问题的实验分析表明,本文方法具有显见的可行性及可用性,是对现有数据建模与关联规则挖掘方法的有效扩展。【局限】计算效率一般,还不能适应较大规模数据集的高速处理要求。【结论】技术方法上弥补了现有相关方法在解决混合特征数据建模问题时的局限性,通过理论与实验分析证明新方法具有较强的创新性及实用性。

摘要：针对通用新词发现方法对专利长词识别效果不佳、专利术语词性搭配模板的灵活性不高,以及缺乏对中文专利长词识别的无监督方法的问题,提出了一种发现专利新词的双向聚合度特征提取新方法。首先,以词中组分的双向条件概率统计信息为基础,构造提出了一个二元词上的双向聚合度统计特征;其次,利用此特征扩展提出了词边界筛选规则;最后,基于新特征和词边界规则实现专利新词的提取。实验结果表明,新方法在整体F-测度值方面,与通用领域新词发现方法相比,提高了6.7个百分点,与两种最新的专利词性搭配模板方法相比,分别提高了19.2个百分点和17.2个百分点,并且较为显著地提高了4~8字专利新词发现的F-测度值。综合地,所提出的方法提升了专利新词发现性能,并且能够更有效地提取专利文本中具有复合形式的长词,同时可以减少对预先训练过程和额外复杂规则库的依赖,具备更好的实用性。