近期研究进展介绍.pptVIP

学期研究进展介绍 李直旭 Outline 1. DBLP数据的获取 2. 从session名称中抽取术语 3. Demo系统CARS的研发 4. 尝试构建本体树型结构 1. DBLP数据的获取 有什么样的数据决定了能做什么样的工作！ DBLP数据的获取工作： 1. DBLP的xml的转换 2. DBLP的html网页的抓取 3. 两者的融合。 数据容量：500，000篇论文的相关数据： Scheme of DBLP’s data 2. 从session名称中抽取术语 在本体学习的研究中：要想构建领域本体，首先需要得到高质量的领域术语。 目前获取领域术语的方法有很多，来源也有很多。但是尚未有人利用过学术会议的session名。 Session名称的观察： Example1: Data Mining Concurrency Control Example2: Data Warehousing and Data Mining Data, Text and Web Mining Clustering, Data Mining, Approximations Data Mining / Information Dependencies Example3: Data Mining – Association Rules and Decision Trees AI and Knowledge-Based Systems – Reasoning Multi-term session名称的拆分问题 Multi-term的几种情况： 1) No prefix, no suffix: “Data Warehousing and Data Mining” 2) No prefix, but a suffix: “Data, Text and Web Mining” 3) A prefix, no suffix: “Data Warehousing and Mining” 拆分方法的探究 - 枚举法 1. 枚举法：得到每一种拆分方法的正确概率，取概率最大的拆分方法为正确拆分方法。 正确拆分率约为：80% 弊端：枚举法的期望情况是：在若干个拆分方法中，有一个的正确概率远远超过其他。但是实际情况是会出现 “零概率”或者“等概率”问题。 2. 改进的枚举法： 1. 一些技术上的改进，尽早排除不可能的拆分方法，简化拆分类型的判断。 2. 能够判断出“零概率”或者“等概率”的情况，用手动的方法进行拆分。 尝试其他拆分方法–分类的方法 希望通过session名的相关信息，对session名称进行分类得到不同拆分类型。 第一类：无前缀，无后缀 第二类：第一个词为前缀，无后缀 第三类：最后一个词为后缀，无前缀 第四类：其他情况 尝试过的方法 – 效果均不理想 1. 朴素贝叶斯 2. BSVM 3. CBA 用BSVM分类器对session名称进行分类的实验 参数设置： 1. 结果分类：4类 第一类：无前缀，无后缀 第二类：第一个词为前缀，无后缀 第三类：最后一个词为后缀，无前缀 第四类：其他所有情况 2. 影响因子设置： Comma_num：逗号，and等的个数 Words_num1：第一个逗号或者and前的单词个数 Words_num2：最后一个逗号或者and后的单词个数 加入了400多个常见的term（出现过3次以上的term） 总共有1300多个session名称，通过人工判断类别制造了容量大小为520的训练集(此训练集是400个常见term的一个覆盖集)！ 结果：Accuracy = 65.1163% (112/172) (classification) 3. Demo系统CARS的研发 “CARS: An Innovation-based Conferences and Authors Ranking System” 动机: Evaluate who (conference, author) is more innovative in respective research domain. 引入了一个新的创新度因子: Innovation Factor (or InF). Question: How to do InF scoring? How to do InF Scoring? Citation-based ranking scheme Innovation-based ranking scheme By papers! Paper value: Paper with a higher citation rate deserves a higher