摘要：“垃圾”邮件是Internet上面临急待解决的问题。naive Bayesian过滤器由于其简单高效性在文本分类中应用较广,重点研究了naive Bayesian算法,给出了一个“垃圾”邮件过滤器,依据邮件的内容而不是通过设置规则来过滤邮件,并通过实验论证了它在客户端过滤邮件的可行性和有效性。

摘要：决策表离散化要求决策表中原有的分类结果不变,而naive Scaler算法在离散化时,有些根据不可分辨关系应该得到的断点很可能被丢掉,造成决策表信息的丢失。针对这一问题,对其进行了研究并改进。原算法在扫描相同条件属性值而决策值不同的对象时,由于这些对象的排序不同可能造成离散的结果不同。主要是在这里某些断点可能被遗漏,并引进新的冲突。为此,当条件属性值变化时查看其决策属性值,若有不同决策属性值则追加断点以消除断点被丢掉的可能。进而使得到的初始断点集更可靠。最后给出实例表明该算法有效。

摘要：以大规模网络维吾尔文文本的自动分类技术研究为背景,设计模块化结构的维吾尔文本分类系统,在深入调研基础上选择naive Bayes算法为分类引擎,用C#实现分类系统。预处理中,结合维吾尔语的词法特征,通过引入词干提取方法大大降低特征维数。在包含10大类共计3 000多个较大规模文本语料库基础上给出分类实验结果,再通过x2统计方法选择不同数目的特征,也分别给出分类实验结果。结果表明,预处理后的维吾尔文特征空间中只有1%-3%特征是最佳的,因而进一步确定哪些是最佳特征或降低特征空间维数是有可能的。

摘要：虽然球虫激发宿主产生的保护性免疫应答机制已有很多相关研究,但是保护记忆性免疫应答机制这一关键点常常被忽视。高效保护记忆性免疫应答是球虫感染宿主和球虫病疫苗设计的基础。本研究对该领域50年的相关研究进行系统性回顾和分析,提出开发高效球虫疫苗的设想和评估候选球虫病疫苗产生高效免疫保护的新策略,该设想和新策略基于产生高效保护性记忆免疫应答的三大关键点,即产生免疫水平的阈值、效应部位以及时间。结果表明:1)球虫病活卵囊疫苗与球虫重组蛋白疫苗、DNA疫苗、以病毒或细菌为载体的球虫病活载体疫苗免疫鸡群激发宿主产生的免疫应答存在本质区别,活卵囊疫苗免疫过的鸡对球虫的感染处于“Primed”免疫状态(即免疫系统可快速高效地识别球虫百余个抗原,抵抗球虫再次感染的能力更高。),而非活卵囊疫苗对球虫的感染仍处于“naive”状态(即免疫系统仅能识别特定的1个或几个球虫抗原,抵抗球虫再次感染的能力较弱。)。这也是目前研发的基于一个或几个抗原的球虫“死”疫苗效果不佳的根本原因。2)高效的保护性记忆免疫应答的主要机制是多种效应机制协同发挥作用,如肠道微环境中的组织常驻记忆细胞(Tissue resident memory cells,T_(RM))、循环的效应记忆细胞(Effector memory T cells,TEM)、中心记忆性T细胞(Central memory T cell,T_(CM)),尤其是T_(RM)的量和质起关键作用。在疫苗设计中可以将抗原靶向可激发宿主产生针对鸡球虫高效保护性记忆免疫应答的重要部位—肠道。3)抑制球虫早期裂殖生殖是记忆性免疫应答抵抗球虫感染最重要的特征,为评估高效球虫疫苗提供了新思路。综上,对鸡球虫感染过程中产生高效免疫保护的机制有清晰的认识和理解,是实现基于免疫学理论的球虫病科学防控的基础。

摘要：蛋白质与金属离子配体的相互作用在生命进程中扮演着非常重要的角色.预测金属离子配体的结合残基对于理解细胞机制和设计分子药物有重要意义.文中使用naive Bayes Classifier对十种金属离子配体Zn^(2+)、Fe^(2+)、Fe^(3+)、Cu^(2+)、Mn^(2+)、Co^(2+)、Ca^(2+)、Mg^(2+)、Na^+和K^+的结合残基进行预测,五交叉检验下得到了较好的预测结果.

摘要：中文WEB文档自动分类是中文自动信息检索的核心技术之一。中文WEB文档的分类涉及到文档的自动抓取、信息加工和提取、自动分类等,本文实现一个开放式的中文WEB文档自动分类系统,并在系统模块中应用了几个改进算法,主要解决目前信息检索中涉及中文分词搜索时所遇到的一些问题。

摘要：所谓术业有专攻，所以我们有游戏PC、有网吧PC和商用PC乃至工作站等不同应用的分类。说到这个，你有没有注意到，好像，还从来没有专门的平面设计PC是吧？也许你会说，平面设计能有多高的要求呢？以前的我也是这么认为的，一直到我真正开始有机会深入了解平面设计这个行当以后，我才发现以前的想法实在是Too young too naive了。

摘要：为丰富和更好识别文本的特征以提高分类精度,采用一种新的算法CBAFIS(classifier based ESA and frequent item sets):首先引入基于有着内容丰富、更新速度快特点的维基百科而设计的ESA算法对训练文本中特征与维基中的概念进行语义相关度计算,把相关度最高的若干概念对词袋进行特征扩展;然后以扩展后的文档为事务、文档中的概念为项,构建FP-Tree,利用FP-Growth挖掘不同类别文本的特征频繁项集;最后将频繁项集结合naive Bayes算法构建一个文本分类器。实验表明:新的方法在进行语义扩展后的正确率、召回率在最优的情况下分别比Native Bayes和SVM算法高出2.7%和2.6%以上,具有更高的精度。