大规模内容计算(LCC)组介绍.pptVIP

大规模内容计算(LCC)组介绍Large-scale Content Computing 王 斌 中科院计算所软件室 wangbin@ 2005年6月HIT 内容提要 总体情况 研究框架 研发现状 部分系统 总体情况 中科院计算所软件室(7个研究室之一)：约150人，员工50人 2000年成立，第一任主任 白硕，现任主任 程学旗 网络安全 + 网格平台 大规模内容计算课题组 (30人，员工10人) 路线：需求驱动、浅层计算、产出影响 领域：IR NLP ML DM 主要人员：王斌、许洪波、张刚、骆卫华、张凯、郭岩、刘悦、张华平、丁国栋 信息获取 高速、高质量 WEB膨胀得特别厉害 冗余度大、噪音多 一些新的现象 Deep Web WEB Spamming Virtual Links 研究方向： 基于主题的采集、个性化采集 高性能采集 采集平台 信息分析和组织 编码识别、转换、噪音消除 词法分析(中文分词、中英文词性标注) 文本表示(图模型、扩展的向量模型) 句法分析 语义分析 自动索引 内容抽取(标题、摘要) 高性能文本分类/聚类 检索模型 WEB mining 信息应用 WEB检索 Indexing/Searching 性能 信息过滤 粗过滤：多字符串精确模糊匹配 细过滤：基于内容的过滤 垃圾邮件过滤 信息发现和跟踪 发现话题、跟踪话题 P2P挖掘： Email追踪： 短文本挖掘 人物信息跟踪： 问答式系统： 最新的进展 高性能分类 目标：追求速度和效果的平衡 方法：在线学习，错误驱动 效果：在四个标准分类库上，和SVM效果相当；但是速度快，和中心向量法相当 Language Modeling IR 提出了一个更抽象的平滑方法 在理论上统一了Jelinek-Mercer和Dirichlet Priors方法 Anti-spam Email Filtering 模型：后缀树模型 方法：基于字符串匹配技术的分类方法 效果：在Bench Mark上超过现有的方法。 部分系统 信息采集系统 WEB检索系统 中文分词系统 其他 其他 资源建设 语料 词典 常用工具 第二届全国信息检索与内容安全学术会议 10月底，北京 7月15号截稿 /ncircs/ 希望大家踊跃投稿！ 谢谢 * * 研究框架 Internet 文档 获取 Users WEB检索 信息过滤/监控 信息发现追踪 … 数据 分类/聚类/索引 数据 信息抽取/ 文本分析 信息获取 信息分析和组织 信息应用技术