大规模语料的频繁模式快速发现算法

提出了一种大规模语料频繁模式快速发现算法，通过采用合适的策略将语料划分为若干子语料，对每个子语料单独进行处理，即可获得原始语料的频繁模式；同时该算法能够避免处理频次在设定阈值以下的模式，进一步减少了内存占用，提高了处理速度。实验表明，对3．6G互联网新闻语料发现频次大于100的所有频繁模式中最高消耗内存为1．6GB，单机平均每秒处理文本语料3．28M。     

大数据的研究体系与现状

阐述大数据在基础理论与关键技术两个层面的重要研究问题,包括大数据复杂性的解析、大数据计算模型、多源异构大数据的融合与表示、大数据建模与理解等,并针对问题逐一简要介绍了相应的研究现状。     

面向智能搜索的动态知识网络建模

随着互联网数据的爆炸式增长和网民获取信息需求的不断增强,传统的搜索方式在移动搜索领域已经难以满足用户的需求,迫切需要将搜索方式从基于词层面提高到基于语义层面,实现基于语义理解的智能搜索.面向开放的互联网数据资源,提出了“动态知识网络+计算算子”的智能搜索模式.在此基础上,详细阐述了动态知识网络的理论基础、结构模式、系统模型及其特点,并且给出了基于动态知识网络支撑智能搜索的基本结构框架,从而对面向语义理解的智能搜索提供理论和模型支撑.最后,对未来研究过程中面临的主要问题和挑战进行了展望.     

An improvement of the fast uncovering community algorithm

Community detection methods have been used in computer, sociology, physics, biology, and brain information science areas. Many methods are based on the optimization of modularity. The algorithm proposed by Blondel et al. （Blondel V D, Guillaume J L, Lambiotte R and Lefebvre E 2008 J. Star. Mech. 10 10008） is one of the most widely used methods because of its good performance, especially in the big data era. In this paper we make some improvements to this algorithm in correctness and performance. By tests we see that different node orders bring different performances and different community structures. We find some node swings in different communities that influence the performance. So we design some strategies on the sweeping order of node to reduce the computing cost made by repetition swing. We introduce a new concept of overlapping degree （OV） that shows the strength of connection between nodes. Three improvement strategies are proposed that are based on constant OV, adaptive OV, and adaptive weighted OV, respectively. Experiments on synthetic datasets and real datasets are made, showing that our improved strategies can improve the performance and correctness.     

宽带网安全研究的展望

宽带网的安全研究工作,在今后两三年内将成为网络安全的主流技术。今后几年的网络环境和手段将会发生很大的变化。那时,2000 MHz微处理器,1G内存和50G硬盘的计算机,可接上千兆以太网或十兆无线网络,在家中可用一兆以上速度的电话或电视网络上网。凭借如此卓越的微处理器、内存、硬盘和带宽,许多今天不可能的事情将变得可能,更多今天只能演示的技术将成为主流。     

基于时间序列分析的微博突发话题检测方法

针对微博信息噪音大、新颖度难以判断的问题,在动量模型的基础上进行优化,提出了基于时序分析的微博突发话题检测方法。通过动量模型提取候选突发特征后,对特征的动量时间序列分别借鉴信号频域分析理论和股票趋势分析理论进行建模,分析特征的频域特性来识别频繁伪突发特征,分析特征的新颖程度来识别间歇性伪突发特征,合并过滤后的有效突发特征形成突发话题。微博数据实验表明,该方法有效提高了突发话题检测的准确率和F值。     

基于有意义串聚类的微博热点话题发现方法

针对微博数据特征稀疏、内容碎片化的特点,提出一种基于有意义串聚类的热点话题发现方法。结合重复串计算、上下文邻接分析和语言规则过滤多种策略,提取能够表达独立完整语义的有意义串,并将微博数据建模在相对较小的有意义串空间,通过聚类产生候选话题,根据热度排序发现热点话题。微博数据实验结果表明,该方法在一定程度上实现对微博高维稀疏空间的降维,对于微博空间的热点话题发现有效可行。     

面向顾客点评数据的属性层次观点挖掘研究

This paper focuses on how to improve aspect-level opinion mining for online customer reviews. We first propose a novel generative topic model, the Joint Aspect/Sen-timent (JAS) model, to jointly extract aspects and aspect-dependent sentiment lexicons from online customer reviews. An as-pect-dependent sentiment lexicon refers to the aspect-specific opinion words along with their aspect-aware sentiment polarities with respect to a specific aspect. We then apply the extracted aspect- dependent sentiment lexi-cons to a series of aspect-level opinion mining tasks, including implicit aspect identification, aspect-based extractive opinion summarization, and aspect-level sentiment classification. Experimental results demonstrate the effectiveness of the JAS model in learning aspect- dependent sentiment lexicons and the practical values of the extracted lexicons when applied to these practical tasks.     

基于受限非负张量分解的用户社会影响力分析

针对传统社会影响力分析方法未能充分考虑观点和话题信息等问题,提出了一种基于受限非负张量分解的用户社会影响力分析方法。首先把社交媒介用户相互评论关系自然地表示成三阶张量,然后通过拉普拉斯话题约束矩阵控制张量分解过程,最后根据分解得到的潜在因子度量用户观点社会影响力。该方法的优点是能有效地从受限张量分解结果中检索出给定话题下用户的社会影响力,同时保持其社会影响力的极性分布。实验结果表明,该方法的性能优于OOLAM和TwitterRank等基准算法。     

利用链接分析技术提高搜索引擎查找质量的研究

文章对链接分析技术在搜索引擎的页面排名中的应用进行了深入细致的研究，对google的利用链接分析的页面排名算法PageRank算法进行了改进，并将其应用到我们自己的搜索引擎中，给出了它在提高查找质量的页面排名中的具体应用策略。