扩张矩阵的最优化问题

归纳学习的扩张矩阵方法中,在一个反例集NE背景下求一个正例e~+的最短公式问题(MFL)和在NE背景下求一个正例集PE的最优覆盖问题(MCV)是两个突出的最优化问题.文献[1]业已证明它们均为NP-hard的.本文给出作者设计的四个算法,分别称之为MFL,HFL,MCV和HCV.算法MFL和MCV是完备算法,它们分别为MFL问题和MCV问题提供了关于例子空间属性数的指数时间、例子数的多项式时间的求解方法.算法HFL和HCV是两个分别对应于算法MFL和MCV但时间复杂性为多项式的启发式算法.     

基于种子节点选择的网络环境下多标签分类算法研究

多标签分类在基因分类,药物发现和文本分类等实际问题中有着广泛的应用.已存在的多标签分类算法,通常都是从网络中随机的选取节点作为训练集.然而,在分类算法执行的过程中,网络中不同节点所起的作用不同.在给定训练集数目的情况下,选择的训练集不同,分类精度也会不同.所以我们引入了种子节点的概念,标签分类从种子节点开始,经过不断推理,得到网络中其他所有节点的标签.本文提出了SHDA（Nodes Selection of High Degree from Each Affiliation）算法,即从网络的每个社团中,按比例的选取度数较大的节点,然后将其合并,处理后得到种子节点.真实数据集上的实验表明,将种子节点用作训练集进行多标签分类,能够提升网络环境下多标签分类的准确率.     

一般间隙序列模式挖掘的关键词抽取

本文提出了有监督的关键词抽取算法——KEING（Keyphrase Extraction using sequentIal patterns with oNe-off and General gaps condition）算法.首先，将每篇文档作为一个序列库，利用SPING（Sequential Patterns mIning with oNe-off and General gaps condition）算法获取词语之间的关系及其多种变化形式，并利用统计模式特征的方式描述候选关键词；然后，通过朴素贝叶斯分类算法对大量带标记的训练数据进行训练，构造分类器；最后利用分类器从测试文档中识别出关键词.通过实验验证了SPING算法的完备性以及KEING算法的有效性.     

基于NSGA2的网络环境下多标签种子节点选择

随着社交网络规模的不断扩大,网络节点的标签分类也不再单一,变得丰富多样,这些促使了社交网络中的多标签分类问题成为一个重要的研究领域。以前的研究重点主要集中在提高预测网络节点标签的精度上,而忽略了得到节点信息所产生的包含时间消耗和计算资源等在内的系统开销问题。可现如今随着网络规模不断扩大且复杂性不断增强,之前所忽略的系统开销问题变得越来越严重,增加了预测标签的成本,加重了预测网络节点标签的难度。该文针对这一问题提出了基于NSGA2算法的网络环境下多标签种子节点选择算法(NAMESEA算法),目的是在能大大降低预测节点标签所消耗的系统开销的前提下一定程度上提高预测标签的精度。该文将NAMESEA算法与其他多标签预测算法在多个真实数据集上进行实验对比,结果证明NAMESEA算法大大降低了预测节点标签的系统开销并且提高了预测精度。     

基于社交网络的社交行为分析

近来,社交网络类应用得到了迅猛发展。其中,社交网络相关的社交行为是最主要的发展方向之一,得到了学术界研究者的广泛关注。该文从行为的成因、行为的表现及行为的影响3个方面对社交网络行为进行全面分析。具体来说,在分析了社交网络行为的基础概念之后,首先引入了社交网络行为的3个最重要的原因：用户采纳、用户忠诚和用户信任。然后,基于这些原因,从一般使用行为,内容生成行为和内容消费行为3个常用行为方面分析了用户在社交网络上的行为表现方式。最后,该文分析了社交网络行为的影响,包括行为影响力衡量和行为引导两个最重要角度。社交行为的系统性分析为下一步相关研究指明了方向。