基于潜在语义索引及层次聚类特征空间重构方法与应用剖析
潜在语义分析理论及其在文本检索与聚类中的应用研究的开题报告
潜在语义分析理论及其在文本检索与聚类中的应用研究的开题报告1. 研究背景和意义随着互联网和数字化时代的到来，文本数据呈现爆炸式增长，如何快速、准确地检索和聚类大量文本数据成为亟待解决的问题。
传统的文本检索和聚类方法基于关键词匹配和相似度度量，其存在缺点包括但不限于：（1）关键词匹配只能考虑显式的文本信息，无法处理语义相似但关键词不同的文本；（2）相似度度量忽略了文本的隐式语义信息，导致检索或聚类结果并不准确。
因此，近年来，潜在语义分析（LSA）理论逐渐引起了学者们的关注和研究。
LSA是一种基于数学统计的语义分析方法，能够挖掘出文本数据隐含的语义信息，并将其转化为数值向量的形式进行表示，这种方法在文本检索和聚类等领域有着广泛应用前景，在学术界和工业界都备受关注。
因此，本研究旨在深入探究LSA理论，并将其应用于文本检索和聚类中，如此一来，能够提高大规模文本数据的处理效率和准确性，同时也具有重要的理论价值和实践意义。
2. 研究内容和方法本研究的研究内容主要包括以下两个方面：（1）LSA理论研究。
通过对LSA理论的学习和研究，掌握其主要原理和算法，理解其优缺点及应用场景，探究其在文本分析中的优势和不足之处，对其进行改进和优化。
（2）LSA在文本检索和聚类中的应用探究。
基于LSA理论，探究将其应用于文本检索和聚类的方法和技巧，研究如何将文本数据进行数字化表示，通过相似度度量和聚类算法实现文本分类和聚类，实现高效准确的文本检索和聚类。
研究方法主要包括：调研文献、阅读相关论文和标准、定量分析实验数据、开展实验验证等，通过实验验证和对比分析，评估LSA在文本检索和聚类中的性能和效果。
3. 预期研究成果及意义（1）深入理解LSA理论的原理和算法，掌握其优劣及应用场景。
（2）建立基于LSA算法的文本检索与聚类模型，提高文本处理准确性和效率。
（3）通过实验验证，评估LSA在文本检索和聚类中的性能和效果。
本研究的结论和成果对于提高文本检索和聚类的准确性和效率，为相关研究领域提供新的思路和方法，同时也具有一定的理论价值和实践意义。
基于潜在语义标引的文本聚类研究
。＝
＝ ￡ ｔ … （ ２ ｌ
） ＝
Ｊ 【 … 其 中 为 第 ｍ个文 本行 向量 ， 为第 ｎ个 特 征 ｔ 项列 向量 ， 为第 ｉ 个特 征值在 第 ＿ 文本 中权重 。 『 个 权 重 计 算方 法为 ：
为 了解 决上 述 问题 ，． ． ｕ ａｓ Ｓ Ｔ Ｄ ｍ ｉ 等人 ［提 出 了 ３ １
种新 的模 型—— 潜在 语义 标引 ，或 称潜 在语 义分 析 。 ｓ 是利用 统计计 算导 出文本 库 中词 和文档 之 间 ＬＩ 潜 在 的语 义联 系 ， 从而 削弱 了词 的误 匹配 问题 ： 同时 Ｌ Ｉ 过奇异 值 分解 （Ｖ ， Ｓ通 低 了处理 矩阵 的维数 。 从 作为 一种
２１ ０ ０年 ７月
情 报探 索
第 ７期 （ １３ ） 总 ５期
基于潜在语义标引的文本聚类研究
马 晓 佳
（ 南京 大 学信 息 管理 系 江 苏 ２０ ９ ） １０ ３
摘 要 ： 本 聚类 是 文本 数据 挖 掘 的 一 个 重要 内容 ， 时也 广 泛 应 用 于 文本 挖 掘 和信 息 检 索领域 。 了克 服 目前 常 用的 向 量 文 同 为
扩 张 的向量 空 间模 型 ，ｓ 可 以很好 压缩 向量空 间维 ＬＩ 度、 构建文 本 的语义 结构 ， 于文本 聚类 具 有很好 的 用 效果 。
２１ 基 于 Ｌ Ｉ 文 本 聚 类 流 程 ． Ｓ的
应 的向量空 间模 型 ，并导 出文 本库 中词 和该文 档 问 的潜在 语义 联系 。本 文提 出基 于潜在 语义 标引 的文 本聚类 的一 般模 型和 具体 流程 ，并指 出进 一步研 究 方 向所在 。
２ 基 于潜 在语 义标 引的文 本聚 类 目前 文 本聚类 都 是基 于 向量 空 间模 型 。 统 的 传 基 于 文 本 关 键 字 的 向量 空 间模 型在 于将 非 结 构 化 的文本 表示 为 向量形 式 ， 得 各种 数 学处 理 成 为 可 使 能 ［。但是 向量 空 间模 型是 根据 贝 叶斯 假设— — 假 ２ ２ 定组 成文 本 的字 或 词在确 定文 本类别 的作用上 相 互 独立 ， 实际情 况下很 难得 到满 足 。 同时 文献 自动 标 引 采用词 频分 析 ，这 种 词层 面上 的简单 处理无 法 揭示 文本 中所 蕴 涵 的深 层 次 的语 义信 息 ．无法捕 获 文本 的语义结 构 。另外 由于 自然 语 言词汇 具有 多义性 和 歧 义性 ，语义 的准 确表 达不 仅取 决于 词汇本 身 的恰 当使 用 ， 也取决 于上 下文 对 词义 的限定 ， 如果 忽视 该 点 ， 以孤立 的关 键 字来 表示 文本 的 内容 ， 丢失 大 仅 将 量有用信 息 ， 并且 会造成 空 间模 型 的维度过 高 。
基于潜在语义索引的文本聚类算法研究的开题报告
基于潜在语义索引的文本聚类算法研究的开题报告一、研究背景随着互联网的快速发展和信息爆炸的时代，人们面对海量的信息，如何从中获取有用的信息成为了一项重要的挑战。
因此，文本聚类成为了一种常用的文本分析方法，它可以对大量的文本数据进行分类和归纳，为用户提供更好的信息服务。
然而，在传统的文本聚类方法中，通常使用词频矩阵或TF-IDF矩阵来表示文本，这种表示方法只能捕捉到文本的表面信息，但不能有效地依据文本的语义特征进行分类。
因此，如何更好地处理文本的语义信息成为了一个重要的研究方向。
二、研究目的及意义本论文旨在探索一种基于潜在语义索引的文本聚类算法，该算法可以有效地处理文本的语义信息，提高文本聚类的准确性和效率。
本研究具有如下重要意义：1.提高文本聚类的准确性和效率利用潜在语义索引进行文本聚类可以有效地挖掘文本的语义信息，相比于传统的文本聚类方法，可以更好地处理文本的复杂性，提高聚类的准确性和效率。
2.推动文本分析技术的发展本研究采用的基于潜在语义索引的文本聚类算法是文本分析技术的一个重要研究领域，通过该算法的研究可以推动文本分析技术的发展，为社会提供更好的信息服务。
三、研究内容本研究计划完成以下内容：1.综述文本聚类算法的研究现状和发展趋势，并探讨文本聚类算法的主要问题。
2.介绍基于潜在语义索引的文本聚类算法原理和基本思路，探讨该算法应用于文本聚类的可行性和优势。
3.分析潜在语义索引的构建方法，包括LSA、PLSA、LDA等，并对这些方法进行比较分析，选择合适的方法用于构建潜在语义索引。
4.设计并实现基于潜在语义索引的文本聚类算法，并进行实验评估，验证算法的有效性和性能。
四、研究方法本研究采用以下方法：1.文献综述法：综述文本聚类算法的研究现状和发展趋势，探讨文本聚类算法的主要问题。
2.理论分析法：分析基于潜在语义索引的文本聚类算法的原理和基本思路，并探讨该算法应用于文本聚类的可行性和优势。
3.实验研究法：利用大量的文本数据进行实验，设计并实现基于潜在语义索引的文本聚类算法，并进行实验评估，验证算法的有效性和性能。
基于子空间优化的潜在语义标引技术研究
＋
” ＋
“ 一” 一”■ 一 、
文章编号 ： ２ ０ ９ ５—１ ２ ４ ８ （ ２ ０ １ ３ ） ０ ２— ０ ０ ６ ０— ０ ６
｛ 计算机工程 ｛
ｋ－ ． ＋ － ． ＋ ． ． ＋ ． ． ＋ ・ ・ ＋ 一
基 于子 空 间优化 的潜 在 语 义 标 引 技术 研 究
Ａｂｓ ｔ ｒ ａ ｃ ｔ：Ｌａ ｔ ｅ ｎ ｔ Ｓ ｅ ｍａ ｎ ｔ ｉ ｃ Ｉ ｎｄ ｅ ｘ ｉ ｎ ｇ ｉ ｓ ａ ｎ ｕ ｎｓ ｕ ｐｅ ｒ ｖ ｉ ｓ ｅ ｄ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ｔ ｅ ｃ ｈ ｎｏ ｌ ｏｇ ｙ， ａ ｎｄ ｉ ｔ ｓ ｅ ｆ ｆ ｅ ｃ ｉ ｔ ｖ ｅ ｎ ｅ ｓ ｓ
ｔ ｉ ｍｉ ｚ ｅ ｄ ｔ ｅ ｃ ｈ ｎｏ ｌ ｏ ｇ ｙ ｏ ｆ ｔ ｈ ｅ Ｌａ ｔ ｅ ｎ ｔ Ｓｅ ｍａ ｎ ｔ ｉ ｃ Ｉ ｎ ｄ ｅ ｘ ｉ ｎ ｇ — Ａｕ ｇ ｍｅ ｎ ｔ ｅ ｄ Ｓ ｐａ ｃ ｅ Ｍｏ ｄ ｅ ｌ ｈ ａ ｓ ｂ ｅ ｅ ｎ ｐ ｒ ｏ ｐｏ ｓ ｅ ｄ， ａ ｎ ｄ ａ ｎ ｅ ｗ
（ Ｓ ｈ ｅ ｎ ｙ ａ ｎ ｇ Ａ ｅ ｒ ｏ ｓ ｐ ａ ｃ ｅ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｋ ｎ ｏ ｗ ｌ ｅ ｄ ｇ ｅ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ Ｃ ｅ ｎ ｔ ｅ ｒ ， Ｓ ｈ ｅ ｎ ｙ ａ ｎ ｇ ， Ｌ ｉ ａ ｏ Ｎ ｉ ｎ ｇ ， １ １ ０ １ ３ ６， Ｃ ｈ ｉ ｎ ａ ）
ｈ ａ ｓ ｂ ｅ ｅ ｎ ｐ ｒ ｏ ｖ ｅ ｎ ｉ ｎ ｓ ｅ ｖｅ ｒ ａ ｌ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｉｅ ｆ ｌ ｄ ｓ ｓ ｕ ｃ ｈ ａ ｓ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｉ ｎｄ ｅ ｘ ｉ ｎ ｇ． Ｂｅ ｃ ａ ｕｓ ｅ ｔ ｈｅ ｅ ｆ ｆ ｅ ｃ ｔ ｒ ｅ ｌ ｉ ｅ ｓ ｅ ｎ ｔ ｉ ｒ ｅ ｌ ｙ ｏ ｎ ｈｅ ｔ ｃ ｈ ｒａ ａ ｃ ｔ ｅ ｉｓ ｒ ｔ ｉ ｃ ｄ ｉ ｓ ｔ ｒ ｉ ｂ ｕ ｔ ｉ ｏ ｎ ｏ ｆ ｄ ａ ｔ ａ， ｏ ｐ ｔ ｉ ｍｉ ｚ ｉ ｎ ｇ ｔ ｈ ｅ ｄ ａ ｔ ａ ｃ ａ ｎ ｉ ｍｐ ｒ ｏ ｖ ｅ ｈｅ ｔ ｔ ｅ ｃ ｈ ｎｏ ｌ ｏｇ ｙ Ｓ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｎ ｅ ｓ ｓ ． Ａｎ ｏ ｐ —
基于潜在语义分析的学科知识图谱构建
基于潜在语义分析的学科知识图谱构建近年来，随着知识图谱的迅速发展，其在各领域的应用也越来越广泛。
其中，基于潜在语义分析的学科知识图谱构建是一项前沿而又有实际意义的研究方向。
本文将就该方向进行浅谈。
一、潜在语义分析在讨论基于潜在语义分析的学科知识图谱构建前，先介绍一下潜在语义分析（LSA）。
LSA是一种文本分析技术，其主要目的是通过对文本进行数学建模，捕捉文本中的语义信息。
具体来说，该技术将文本转化为一个向量空间模型，并在这个模型中抽取出文本的主题信息，从而为文本的自动分类、检索、相似度计算等提供支持。
在应用LSA进行文本分析时，需要先对文本进行预处理。
常用的预处理方法包括去除停用词、词干提取、分词等。
处理后，将文本表示为一个矩阵，每行代表一个文档，每列代表文本中的一个词，矩阵中的每个元素代表该文档中该词的频率。
之后，采用奇异值分解（SVD）的方法对矩阵进行降维处理，得到一个新的向量空间模型。
在这个模型中，每个文档和每个词都对应一个向量，这些向量之间的相似度可以反映文本之间的语义相似度。
二、基于LSA的学科知识图谱构建在借助LSA技术对文本进行建模的基础上，可以进一步将不同文本之间的语义关系构建成图谱，形成学科知识图谱。
具体来说，可以从以下几个方面进行构建。
1. 学科词汇抽取学科知识图谱的构建需要从学科文献和相关数据源中抽取出与该学科相关的词汇。
利用LSA技术，可以将这些词汇转化为向量表示，并计算它们之间的相似度。
通过对这些词汇进行聚类分析，可以得到不同概念之间的关系，构建出学科知识图谱的基本框架。
2. 人物关系挖掘在学科知识图谱中，研究人员的贡献和关系也是一个重要的内容。
通过对学科领域内研究人员的论文、研究方向、合作关系等信息进行分析，可以挖掘出研究人员之间的关系，并构建出人物关系网。
利用LSA技术，可以将人物的论文进行表示，并计算它们之间的相似度。
通过对相似度高的论文进行聚类，可以推断出研究领域的热点和趋势。
潜在语义索引理论及其应用
早先信息检索利用正交分解方法 ，但这种方法 已经被奇异值分解
取代 。
５ ． １ ． １跨语言检索 近几年对于基 于潜在语义索 引的跨语言检索有 了快速发展 ，比如 ２ ０ １ ０ 年宁健等发表的 《 基于改进潜在语义分析的跨语言检 索》采用基 于奇异值矩阵分解的改进潜在 语义分析 的方法为生物医学文献双语摘 要进行建模 ［ ２ ］ 。 ５ ． Ｌ ２信 息 过 滤 信息过滤技术结合 了现有的信息检索方法， 对解决网络信息的个性 化 、动态化 以及提高被查询信息对用户 的可用度有很大作用。２ ０ ０ ８ 年 张虹等发表的 《 基于隐式反馈的Ｌ Ｓ １ 个性化信 息过滤方法的研究》提 出 利用隐式反馈技术来解决如何提供给 不同用户 以不 同信息结果这一 问 题［ ３ ］ 。 ５ ． １ ． ３文本聚类 潜在语义索引可用于文本 聚类中，提高文本聚类的准确率。比如 ２ ０ １ １ 年 钟将等发表 的 《 基于成对约束的主动半监督文本聚类》提出一 种 基于 成 对 约束 的主 动 半监 督 文本 聚类 方法 ［ ４ ］ 。
３ ． １向量 空 间模型
向量空间模型的基本思想是 以向量来表示文本，它的优点在于处 理逆辑 简单 、快捷 ，它将非结构化 的文本表示为 向量形式，使得各种
数学处理成 为可能。例如 ：２ ０ ０ ８ 年原媛等发表的 《 基于 向量空间的信
息检 索模型的改进 》中，因词语 的同义和 多义 ，不能满足文档 向量相 互独立方面，提 出潜在语义索 引模型 ［ １ ］ 。
关键 字 ：潜 在 语 义索 引 ；Ｖ Ｓ Ｍ ；Ｓ Ｖ Ｄ过关 键词进 行检索 是最为常 见的做 法 。大量研 究表 明，基 于关键 词的检索 系统存在所 谓 “同义 词 ”和 “ 反义词 ”的固有缺陷 ：前者是指表达同一概念 的词语 可以有 多个 ， 因此 ，用户查询 中所用的词语很可能在相关文档中不存在 ，从而造成 检 出率 下降；后者是指 同一个词语可 以表达多个概念，造 成检 出的文 档 中虽然包含该词语 ，但在上下文语境 中的意思却非用户所期望，从 而导致准确率 下降。潜在语义索 引方法正是为了解决上述问题而提出
一种基于潜在语义结构的文本分类模型
一种基于潜在语义结构的文本分类模型曾雪强王明文陈素芬(江西师范大学计算机信息工程学院江西南昌330027)摘要：潜在语义索引（LSI）模型，是一种已经成功地应用于文本分类等很多领域的算法。
LSI模型能在一定程度上解决一词多义和多词一义问题，并能过滤一部分文档噪音。
然而在LSI模型中，对稀有类别很重要的分类特征，可能因为在整个文档集中不重要而被滤掉。
针对这一问题，本文提出了一种新颖的扩展LSI模型的文本分类模型。
新模型在尽量保留文档信息的同时，增加考虑了文档的类别信息。
这样，新模型将能比LSI模型更好地表示原始文档空间中的潜在语义结构。
在实验中，本分类模型也表现出了非常好的分类性能。
关键词：文本分类潜在语义索引偏最小二乘分析中图分类号：TP18 文献标识码: A1 引言自动文本分类就是在给定的分类体系下，根据文本的内容自动地确定文本关联的类别。
如今，已经有很多基于统计和机器学习的文本分类算法，如：回归模型、K近邻、决策树、朴素贝叶斯和支持向量机等[1]。
其中，很多现有的分类算法都是基于从文本中抽取关键词（经常是单独的词）的方法。
在这种方法中，假定一个关键词唯一地代表一个概念或语义单元；然而实际的情况是：一个词往往有多个不同的含义，多个不同的词也可以表示同一个语义。
这就是所谓的一词多义和多词一义。
比如：“马上”可以有“立刻”的意思，也可以理解为“马的上面”；“感冒”、“伤风”和“着凉”却代表着同一种疾病。
像这样的情况是很难由计算机自动判别的。
一词多义和多词一义，是所有基于语义的算法必须解决的两个主要问题。
潜在语义索引（LSI: Latent Semantic Indexing）[2]，是近年来比较有效的算法之一。
LSI 把原始的向量空间转换成潜在语义空间，文档和查询就在转换后的语义空间上进行表示和比较。
实验表明这种方法可以在一定程度上解决一词多义和多词一义问题：新的语义空间是原始“文档向量矩阵”的线性组合变换得到的，一般认为这个空间能捕捉文档集中的潜在语义结构。
潜在语义索引理论及其应用
潜在语义索引理论及其应用作者：刘健来源：《卷宗》2015年第01期摘要：潜在语义索引（LSI）是一种信息检索代数模型，它使用统计计算的方法对大量的文本集进行分析，从而提取出词与词之间潜在的语义结构，并用这种潜在的语义结构来表示词和文本，达到消除词之间的相关性和简化文本向量实现降维的目的。
文章分析了潜在语义索引的理论基础：向量空间模型和奇异值分解；阐述了潜在语义空间构成的具体步骤；并探讨了潜在语义索引在文本检索和图像检索等方面的应用。
关键字：潜在语义索引；VSM；SVD；信息检索1 引言在现代信息检索系统中，通过关键词进行检索是最为常见的做法。
大量研究表明，基于关键词的检索系统存在所谓“同义词”和“反义词”的固有缺陷：前者是指表达同一概念的词语可以有多个，因此，用户查询中所用的词语很可能在相关文档中不存在，从而造成检出率下降；后者是指同一个词语可以表达多个概念，造成检出的文档中虽然包含该词语，但在上下文语境中的意思却非用户所期望，从而导致准确率下降。
潜在语义索引方法正是为了解决上述问题而提出的。
2 潜在语义索引概述潜在语义索引，也称隐性语义索引或隐含语义索引，用于知识获取和展示的计算理论和方法，它使用统计计算的方法对大量的文本集进行分析，从而提取出词与词之间潜在的语义结构，并用这种潜在的语义结构来表示词和文本，达到消除词之间的相关性和简化文本向量实现降维的目的。
3 潜在语义索引的理论基础3.1 向量空间模型向量空间模型的基本思想是以向量来表示文本，它的优点在于处理逆辑简单、快捷，它将非结构化的文本表示为向量形式，使得各种数学处理成为可能。
例如：2008年原媛等发表的《基于向量空间的信息检索模型的改进》中，因词语的同义和多义，不能满足文档向量相互独立方面，提出潜在语义索引模型[1]。
3.2 矩阵分解方式早先信息检索利用正交分解方法，但这种方法已经被奇异值分解取代。
对词汇一文本矩阵A的奇异值分解可以用以下公式表示：（1）其中U是t×t的正交矩阵，它的每一列是A的左奇异向量，V是d×d正交矩阵，它的每一列是A的右奇异向量，Σ是t×d对角矩阵，对角线元素是A的奇异值，按大小顺序排列，即λ1≥λ2≥……≥λmin（t，d）。
潜在语义分析技术在自然语言处理中的应用研究
潜在语义分析技术在自然语言处理中的应用研究潜在语义分析（Latent Semantic Analysis，简称LSA）是自然语言处理中常用的一种技术。
LSA通过将文本转化为数值表示，并利用线性代数方法对文本进行分析，从而揭示出文本中的潜在语义关系。
下面将介绍潜在语义分析技术在自然语言处理中的应用研究。
首先，潜在语义分析在信息检索领域有着广泛的应用。
传统的基于关键词匹配的检索系统容易受到词语歧义和多义词的困扰，导致检索结果不准确。
而通过潜在语义分析技术，可以将文本转化为数值表示，并计算文本之间的相似度，从而更准确地匹配用户查询与文本库中的文档。
例如，在引擎中，可以利用LSA技术将用户的查询转化为向量表示，再计算查询与文档之间的相似度，最终返回与查询相关度较高的结果。
其次，潜在语义分析在文本聚类和分类任务中也有着重要的应用。
传统的基于词频的聚类和分类方法只考虑了词项的频率信息，忽略了词语之间的语义关系。
而利用LSA技术可以将文本转化为语义向量表示，从而更好地捕捉到文本之间的语义相似度。
在文本聚类任务中，可以通过计算文本之间的相似度，将相似的文本聚类到一起。
在文本分类任务中，可以通过训练一个分类器，将文本分类到指定的类别中。
此外，潜在语义分析还在文本自动摘要和文本生成任务中有着应用。
自动摘要旨在从一篇长文本中提取关键信息生成简洁准确的摘要，而文本生成任务则是生成与给定文本相关的新文本。
利用LSA技术可以将文本转化为语义向量表示，并利用生成模型生成摘要或者新文本。
例如，在新闻摘要任务中，可以使用LSA技术将新闻文章转化为语义向量，再利用摘要生成模型生成相应的摘要。
总的来说，潜在语义分析技术在自然语言处理中具有广泛的应用。
它可以帮助解决信息检索、文本聚类与分类、问答系统、自动摘要和文本生成等任务中的语义理解和匹配问题，从而提升自然语言处理的效果和性能。
但是，潜在语义分析技术也存在一些问题，比如对于大规模文本数据的处理效率较低，对于一些文本不适用于词袋模型表示等，需要继续在这些方面进行研究改进。
结合潜在语义分析与点互信息的同义词抽取
（ Ｃｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｃｏ ｍｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ＆ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｎｏ ｒ ｔ ｈ ｗｅ ｓ ｔ Ｎｏ ｍ ｎ ａ ｌ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｌ ａ ｎ ｚ ｈ ｏ ｕ ７ ３ ０ ０ ７ ０ ， Ｃｈ ｉ ｎ ａ ）
ｏ ｆ Ｌ ａ ｔ ｅ ｎ ｔ Ｓ ｅ ｍａ ｎ ｔ ｉ ｃ Ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ （ Ｌ Ｓ Ａ ）ａ ｎ ｄ ｃ ｏ ｎ ｔ ｅ ｘ ｔ ｍｕ ｔ ｕ ａ ｌ ｉ ｎ ｔ ｂ ｒ ｍａ ｔ ｉ ｏ ｎ ｆ ｒ ｏ ｍ ｌ ａ ｒ ｇ ｅ — ｓ ｃ ａ ｌ ｅ ｃ ｏ ｒ ｐ ｕ ｓ ， ｉ ｎ ｖ ｅ ｓ ｔ ｉ ｇ ａ ｔ ｉ ｎ ｇ ｔ ｈ ｅ ｄ ｉ ｆ ｅ ｒ ｅ ｎ ｔ ｗｉ ｎ ｄ ｏ ｗ—
Ｃ ｏ ｍ ｐ ｕ ￣ｒ Ｋ ｎ ｏ ｗ ｌ ｅ ｄ ｇ ｅ ａ ｎ ｄＴ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ电 脑 知识 与技 靛
・
！ ： ！ ・ ！ ， ！ ！
４
结合潜在语义分析 与点互信息的同义词抽取
马 海 昌 ， 张 志 昌 ， 赵 学 锋， 孙 飞
（ 西北师范大学 Ｈ‘ 算机科学与工程学院 ， ”肃 兰州 ７ ３ ０ ０ ７ ０ ）
摘要 ： 同义词在信息检 索、 自动文摘 、 情 感分析、 机 器翻译等应 用 中都发挥 着重要的作用 。该 文提 出在 大规模语料 中结合
潜在语 义分析与上下 文互信息进行 同叉词挖 掘的方法 ， 分析 了不同的词汇上 下文窗 口选择 、 权值计算 、 潜在语 义分析降 维、 余 弦相似度计算在同义词抽取 中的作用 实验 结果表明， 同义词抽取的效果明显提 高。
潜在语义分析技术在文本分类中的应用研究
潜在语义分析技术在文本分类中的应用研究随着互联网信息的爆炸式增长，大量的文本数据需要进行分类和分析。
文本分类是一种将文本分成若干个互不重叠的类别的技术，用于处理大量的文本信息。
在文本分类中，潜在语义分析技术是一种非常有效的技术。
本文将介绍潜在语义分析技术的基本原理和在文本分类中的应用研究。
一、潜在语义分析技术的基本原理1.1 概述潜在语义分析是一种文本挖掘技术，它可以自动分析文本之间的关联和相关性，捕捉文本之间的潜在语义关系。
这一技术包括两个基本要素：潜在语义和矩阵分解。
1.2 潜在语义潜在语义是指文本之间的语义联系，它存在于文本的隐含层次，不易由人类语言直接表达出来。
例如，文本中的“猫”和“狗”都属于宠物类别，但它们之间不是直接的语义关系。
潜在语义分析技术通过分析大量的文本数据，可以自动捕捉这种潜在语义关系，从而实现文本分类、信息检索等任务。
1.3 矩阵分解矩阵分解是一种数学方法，通过将一个大的矩阵分解为数个较小的矩阵，从而减少矩阵的维度。
在潜在语义分析中，矩阵分解可以将文本集合表示为一个低维度的矩阵，从而更好地描述文本之间的关系。
具体来说，矩阵分解将文本集合表示为一个文档-词频率矩阵（Document-Term Frequency Matrix），然后将其分解为一个文档-潜在语义矩阵和一个潜在语义-词矩阵。
这种分解可以将大量的词汇表示为数个潜在语义，从而减少了文本的冗余信息，同时也可以更有效地捕捉文本之间的潜在语义关系。
二、 2.1 基于潜在语义分析的文本分类方法基于潜在语义分析的文本分类方法主要包括两个步骤：首先，通过潜在语义建模，将文本数据表示为一个文档-潜在语义矩阵；然后将这个矩阵输入到分类器中进行分类。
这种方法可以更好地消除文本中的冗余信息，提高文本分类的准确性。
2.2 实验研究许多学者已经在实验中验证了潜在语义分析技术在文本分类中的应用效果。
例如，Qiu、Liu等人在《Using LSI for Text Classification》一文中，通过使用潜在语义分析技术，成功地将Reuters-21578数据集中的文本分成了20个类别，分类准确率达到了90.36%。
基于潜在语义分析的中药分类技术
基于潜在语义分析的中药分类技术中医理论现代化是中医发展过程中的关键问题，但中医概念过于模糊，缺乏精确定义，以致难以进行技术验证。
迄今，中药分类方法不为西方医学所承认，鉴于中药成分的多样性和复杂性，难以用生物化学方法逐一对中药分子成分进行分离、药效验证并分类。
为验证中药分类的科学性，将药物的分子特性转换到光谱中进行研究，结合互联网搜索引擎采用的潜在语义分析技术结合加权方法，对滋阴、壮阳、补气和补血4类中药共48种药材的近红外光谱数据进行研究，分类结果与中药分类近似。
标签：中药；潜在语义；近红外光谱中医现代化需要采用科学技术手段检验中医的理论，但相关概念缺乏清晰的定义，许多信息无法用语言传递，也无法运用现代实验手段进行验证，因此，中医现代化过程中遇到很多困难。
要将中医的概念清晰化、理论实体化是中医发展过程中需要解决的关键问题。
如滋阴壮阳药物究竟依据何种生理指标进行划分，没有精确说明，无法为实验所验证，因此，这种药物的分类方法不为西方医学所承认。
但随着信息科学和计算机技术的发展，可以采用相应技术手段提取这些类别中药的共同特征，明确分类的客观依据，以说明中药分类的科学性。
1 中药分类相关研究探究中药分类的科学依据是中医药研究的热点之一。
部分研究集中于分析中药药效的物质基础，如蛋白质、糖类、脂类、微量元素等物质与药效的关系，尤以微量元素研究居多。
胡氏等[1]将56味药材分成清热解毒药、辛凉解表药和利水渗湿药3类，应用线性判别方法分析32种微量元素含量和类别的关系，获得了比较高的准确率。
高氏[2]针对20种植物药，使用主成分分析（PCA）结合神经网络，建立了钙、锰、铜、锌等4种微量元素含量与中药材清热解毒类、活血化瘀类和止血类药物之间的关系，并对测试集中的3组数据进行划分。
但微量元素只是中药效用物质中的极少部分，对非微量元素和功效的研究还相对缺乏。
另外，还有一类研究中药的功效描述归类问题。
彭氏等[3]使用神经网络分析中药复方功效，将中药脾胃类药方库对应约700余种药物的相对剂量为输入，输出为专家整理的133种不同功效，采用属性归约算法（SARM），实现了中药方剂功效的分析系统。
基于潜在语义分析的本体空间表示模型研究
第25卷第1期计算机应用与软件Vol125 No. 1 2008年1月Comp uter App lications and Software Jan. 2008基于潜在语义分析的本体空间表示模型研究汤世平樊孝忠朱建勇(北京理工大学计算机科学技术学院北京100081)摘要针对传统的向量空间模型和潜在语义分析方法应用于计算机辅助评估时存在的问题,提出一种将领域本体、一阶逻辑和潜在语义分析方法相结合的本体空间表示模型。
该模型采用一阶逻辑表示从短文问题得到的二元关系并建立索引,使用潜在语义分析来计算关系集合中关系和包含段落的文档的相似度,从而得到段落在关系子集的平均相似度。
实验结果表明,与向量空间模型相比,该模型的表示效果更好。
关键词潜在语义分析本体空间表示模型计算机辅助评估RESEARCH O N L SA 2BASED O NTOLO G ICAL SPACE TEXT REPRESENTAT I O N MOD ELTang Sh i p i ng Fan Xiaozhong Zhu J ianyong( School of Com puter Science and Technology, B eijing Institu te of Technology, B eijing 100081, Chi na)Abstract An onto logical space text rep resentation model com bining d om ain ontology, first order logic and latent semantic analysis is p res2 e nted. First order logic is app lied to exp ress binary relation derived from essay question, and latent sem antic analysis is used to calculate the sim ilarity between relations in subset and the d ocum ents containing paragraphs. Finally, an average sim ilarity value is obtained fo r paragraphs over the num ber of relations in the subset. The experimental result show s that the rep resentation effect of onto logical space model is better than vector space model.Keywords Latent sem a ntic analysis Ontological space Rep resentation model Computer assisted assessm e nt0 引言在计算机辅助评估研究中,文本多为短文,或者是包含两个以上句子的短答案,在进行评分时如果仅仅使用基于“词袋”方法的模型,将丢失其中的语义信息,导致评判结果的准确性下降。
《隐性语义索引》课件
隐性语义索引的局限性
1 词语歧义性
隐性语义索引无法处理词语的歧义性，导致一词多义的情况无法很好地处理。
2 语料库要求
隐性语义索引的效果受限于语料库的质量和规模，需要大量高质量的文本数据。
隐性语义索引的未来发展
1 结合深度学习
《隐性语义索引》PPT课 件
欢迎大家来到本次《隐性语义索引》的PPT课件。在接下来的演讲中，我们将 深入探讨隐性语义索引的概念、原理、应用领域、优势、局限性以及未来发 展。
隐性语义索引的定义
1 什么是隐性语义索引？
隐性语义索引是一种信息检索技术，通过分析文本之间的隐藏语义关系，提高检索结果 的相关性。
隐性语义索引的原理
1 基于语料库的分析
隐性语义索引采用语料库分析技术，通过计 算词语之间的共现频率，建立词语的语义关 联性。
ቤተ መጻሕፍቲ ባይዱ2 奇异值分解
使用奇异值分解算法，将词语与文档映射到 一个低维的隐性空间中，从而实现语义相似 度计算。
隐性语义索引的应用领域
信息检索
隐性语义索引可用于提高搜 索引擎的结果质量，提供更 准确和相关的搜索结果。
隐性语义索引可以与深度学习技术结合，进一步提升语义理解和信息检索的效果。
2 多模态融合
隐性语义索引可以与图像、视频等多媒体数据相结合，实现跨模态的信息检索和语义分 析。
结论和要点
隐性语义索引是一种提 高信息检索相关性的技 术。
它通过语料库分析和奇 异值分解实现语义关联 性计算。
隐性语义索引具有语义 相关性和语义扩展的优 势。
但它面临词语歧义性和语料库要求的 局限性。
未来发展方向包括结合深度学习和多 模态融合。
基于聚类分析的潜在语义文献检索研究生学位论文 精品
国内图书分类号：O229 密级：公开西南交通大学研究生学位论文基于聚类分析的潜在语义文献检索申请学位级别理学硕士专业应用数学Southwest Jiaotong UniversityMaster Degree ThesisLATENT SEMANTIC RETRIEVAL BASED ON DOCUMENT CLUSTERING ANALYSISGrade: 2010Candidate: Chunjiang WuAcademic Degree Applied for : Master’s DegreeSpeciality: Applied MathematicsSupervisor: Hailiang Zhao(Prof.)May.2013西南交通大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。
本人授权西南交通大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复印手段保存和汇编本学位论文。
本学位论文属于1．保密□，在年解密后适用本授权书；2．不保密□，使用本授权书。
（请在以上方框内打“√”）学位论文作者签名：指导老师签名：日期：日期：西南交通大学硕士学位论文主要工作（贡献）声明本人郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所得的成果。
除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。
对本文的研究做出贡献的个人和集体，均已在文中作了明确说明。
本人完全了解违反上述声明所引起的一切法律责任将由本人承担。
本人在学位论文中所做的主要创新点如下：1. 词频矩阵的建立。
利用从查询关键词出发，获取相关文献，同时从相关文献中获取高质量扩展关键词，不断迭代搜索，获得更多的链式文献以及扩展关键词汇，建立词频矩阵。
这步仅解决因数据更新造成词频矩阵更换不便等问题，也能够不借用所有原始数据库进行语义分解，提高检索效率2.在奇异值降维分解中，对截取矩阵Ｋ的选择。
一种改进的基于潜在语义索引的文本聚类算法
一种改进的基于潜在语义索引的文本聚类算法侯泽民;巨筱【期刊名称】《计算机与现代化》【年(卷),期】2014(000)007【摘要】提出一种改进的基于潜在语义索引的文本聚类算法。
算法引入潜在语义索引理论，改进传统的SOM算法。
用潜在语义索引理论表示文本特征向量，挖掘文本中词与词之间隐藏的语义结构关系，从而消除词语之间的相关性，实现特征向量的降维。
改进传统的SOM算法的局限性，准确给出聚类类别数目的值。
实验结果表明，本算法的聚类效果更好，聚类时间更少。
%This paper presents an improved text clustering algorithm based on latent semantic indexing .This algorithm introduces the theory of latent semantic index , improves the traditional SOM algorithm .By using the latent semantic indexing text feature vector representation theory , we mine the semantic structure relationships hidden among the words in text , thereby eliminating the correlation among words , to reduce the feature vector dimension .The limitations of the traditional SOM algorithm are improved to accurately give the number of clustering classes .Experimental results show that the clustering effect of this algorithm is better , and the clustering time is less .【总页数】4页(P24-27)【作者】侯泽民;巨筱【作者单位】郑州科技学院信息工程学院，河南郑州 450064;郑州科技学院信息工程学院，河南郑州 450064【正文语种】中文【中图分类】TP182【相关文献】1.基于潜在语义索引的SVM文本分类模型 [J], 郭武斌;周宽久;张世荣2.一种基于本体论和潜在语义索引的文本语义处理方法 [J], 秦春秀;刘怀亮;赵捧未3.改进的概率潜在语义分析下的文本聚类算法 [J], 张玉芳;朱俊;熊忠阳4.基于潜在语义索引的文本特征词权重计算方法 [J], 李媛媛;马永强5.使用基于SVM的局部潜在语义索引进行文本分类 [J], 张秋余;刘洋因版权原因，仅展示原文概要，查看原文内容请购买。
基于潜在语义索引和句子聚类的中文自动文摘
基于潜在语义索引和句子聚类的中文自动文摘
陈戈;段建勇;陆汝占
【期刊名称】《计算机仿真》
【年(卷),期】2008(025)007
【摘要】自动文摘是自然语言处理领域的一项重要的研究课题.提出一种基于潜在语义索引和句子聚类的中文自动文摘方法.该方法的特色在于：使用潜在语义索引计算句子的相似度,并将层次聚类算法和K-中心聚类算法相结合进行句子聚类,这样提高了句子相似度计算和主题划分的准确性,有利于生成的文摘在全面覆盖文档主题的同时减少自身的冗余.实验结果验证了该文提出的方法的有效性,对比传统的基于聚类的自动文摘方法,该方法生成的文摘质量获得了显著的提高.
【总页数】4页(P82-85)
【作者】陈戈;段建勇;陆汝占
【作者单位】上海交通大学计算机科学与工程系,上海,200240;上海交通大学计算机科学与工程系,上海,200240;上海交通大学计算机科学与工程系,上海,200240【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种基于潜在语义索引的谱聚类方法研究 [J], 冯霞;闫冠男;李娟娟
2.基于潜在语义索引的中文文本聚类的研究 [J], 马国俊;贠卫国
3.一种改进的基于潜在语义索引的文本聚类算法 [J], 侯泽民;巨筱
4.基于潜在语义索引的职位描述聚类研究 [J], 黄鑫溢;周维民;
5.基于潜在语义索引的职位描述聚类研究 [J], 黄鑫溢;周维民
因版权原因，仅展示原文概要，查看原文内容请购买。
基于潜在语义索引和自组织映射网的检索结果聚类方法
基于潜在语义索引和自组织映射网的检索结果聚类方法陈毅恒;秦兵;刘挺;王平;李生【期刊名称】《计算机研究与发展》【年(卷),期】2009(046)007【摘要】随着互联网的不断发展和数据量的不断增加,搜索引擎的作用日益明显,用户更多地依靠搜索引擎来查找需要的信息.利用潜在语义索引(LSI)理论和自组织映射神经网络(SOM)理论.提出了一种文本聚类的新方法——LSOM.该方法应用SOM网络来实现检索结果文本聚类,不必预先给定类别个数,具有聚类灵活和精度高等特点;同时,该方法应用LSI理论来建立向量空间模型.在词条的权重中引入了语义关系.对于高维的文本特征向量,消减原词条矩阵中包含的噪声,提高聚类速度.LSOM使用一种新的类别标签提取方法.并将提取的标签用于解决SOM基本类划分问题,算法在类别标签和聚类效果评价指标上都比已有的算法有所提高.【总页数】8页(P1176-1183)【作者】陈毅恒;秦兵;刘挺;王平;李生【作者单位】哈尔滨工业大学计算机学院信息检索研究室,哈尔滨,150001;哈尔滨工业大学计算机学院信息检索研究室,哈尔滨,150001;哈尔滨工业大学计算机学院信息检索研究室,哈尔滨,150001;哈尔滨工业大学计算机学院信息检索研究室,哈尔滨,150001;哈尔滨工业大学计算机学院信息检索研究室,哈尔滨,150001【正文语种】中文【中图分类】TP391.2【相关文献】1.基于潜在语义分析的中文文本聚类方法研究 [J], 李华云2.一种基于本体论和潜在语义索引的文本语义处理方法 [J], 秦春秀;刘怀亮;赵捧未3.一种基于潜在语义索引的谱聚类方法研究 [J], 冯霞;闫冠男;李娟娟4.基于潜在语义索引的个性化搜索引擎的研究 [J], 刘静5.基于超链接信息的搜索引擎检索结果聚类方法研究 [J], 夏斌;徐彬因版权原因，仅展示原文概要，查看原文内容请购买。
基于潜在语义索引的文本特征词权重计算方法
基于潜在语义索引的文本特征词权重计算方法
李媛媛;马永强
【期刊名称】《计算机应用》
【年(卷),期】2008(28)6
【摘要】潜在语义索引具有可计算性强,需要人参与少等优点.对其中重要的优化过程--权重计算,进行了深入分析.针对目前应用最广泛的TF-IDF方法中,采用线性处理的不合理性以及难以突出对文本内容起关键性作用的特征的缺点,提出了一种基于"Sigmiod函数"和"位置因子"的新权重方案.突出了文本中不同特征词的重要程度,更有利于潜在语义空间的构造.通过实验平台"中文潜在语义索引分析系统"的测试结果表明,该权重方法更利于基于潜在语义的检索性能的提高.
【总页数】4页(P1460-1462,1466)
【作者】李媛媛;马永强
【作者单位】西南交通大学,信息科学与技术学院,成都,610031;西南交通大学,信息科学与技术学院,成都,610031
【正文语种】中文
【中图分类】TP391.1
【相关文献】
1.一种基于本体论和潜在语义索引的文本语义处理方法 [J], 秦春秀;刘怀亮;赵捧未
2.基于潜在特征词的文本相似度计算方法 [J], 杨云;吴亚男;李健
3.基于文本集密度的特征词选择与权重计算方法 [J], 吴卫华;袁宁;周劲;王洪军
4.XML文档聚类中基于语义的特征词权重计算方法 [J], 龙鹏飞;石奇
5.一种基于HowNet语义计算的综合特征词权重计算方法 [J], 孙丽莉;张小刚因版权原因，仅展示原文概要，查看原文内容请购买。
基于潜在语义索引的文本分类及其在科技信息检索中的研究的开题报告
基于潜在语义索引的文本分类及其在科技信息检索
中的研究的开题报告
一、研究背景
随着科技的快速发展，科技信息的数量呈现爆发式增长，如何有效
地对科技信息进行分类成为了迫切需要解决的问题。
目前，机器学习技
术已被广泛应用于文本分类中，如朴素贝叶斯、支持向量机等算法，但
传统的文本分类方法中存在维数灾难，概率偏差等问题，导致分类精度
下降。
因此，本研究基于潜在语义索引（LSI）方法，通过对文本数据进行降维处理，将高维稀疏的文本数据转化为低维密集的特征表示，从而提
高文本分类的精度。
同时，本研究将探索LSI在科技信息检索中的应用，实现对科技文献的自动分类和检索。
二、研究目的
通过研究LSI方法，解决高维稀疏的文本分类问题，提高分类准确率；同时探索LSI在科技信息检索中的应用，提高科技文献的分类和检索效率。
三、研究内容
1.文献综述：对现有的文本分类方法和LSI方法进行分析比较，分析LSI方法的优势和不足。
2.LSI算法研究：对LSI算法进行深入研究，探究其原理和实现方法。
3.基于LSI的文本分类研究：构建基于LSI的文本分类模型，通过实验比较不同方法的分类效果，并对模型的优化进行研究。
4.基于LSI的科技信息检索研究：构建基于LSI的科技信息检索模型，对模型进行实验验证，探索其在文本检索中的应用效果。
四、研究意义
本研究将基于LSI等降维方法，解决文本分类中的高维稀疏问题，提高分类精度；同时探索LSI在科技信息检索领域的应用，为科技文献的自动分类和检索提供了一种新的解决思路和方法。
这将极大地提升科技信息的分类和检索效率，为科学研究和技术创新提供更加便捷和高效的技术支持与服务。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于潜在语义索引及层次聚类特征空间重构方法与
应用
蛋白质序列之间的远程同源检测和蛋白质相互作用预测是计算生物学
中一个中心的问题。
诸如支持向量机(support vector machine, SVM)一类的分类器方法是目前使用最广泛、也是最有效的方法之一。
许多基于SVM的方法都致力于寻找有用的蛋白质序列表示方法,如使用显式的特征向量表示或者核函数等。
这样的表示方法面临着高维度和大量噪音的问题。
另外,远程同源检测问题中的数据集是不平衡数据集,即反例样本远远大于正例样本,目前的方法主要使用ROC(Receiver Operating Characteristic)分数来评价远程同源检测方法的性能。
然而,对不平衡样本集,ROC曲线会过于乐观的估计算法的性能。
基于这
些观察,本文采用了一个新的特征空间重构的方法解决高维度和噪音的问题——基于潜在语义索引(Latent Semantic Index,LSI)和层次聚类的特征空间重构方法LSI-HC;并在远程同源检测问题中采用精确度-召回率(Precision-Recall,PR)曲线来代替ROC曲线来评估算法的性能。
对蛋白质同源检测问题,本文使用SCOP数据库1.53版本数据集作为标准数据集,采用具有生物学意义的N元组以及局部比对核函数(LAK)作为特征。
我们首先分析了原始特征之间的关联,证明了这些特征之间确实存在着很大的相关性,进而又引入了潜在语义索引来分析所有特征之间隐含的语义关系,并据此使用层次聚类重构特征空间,达到降低维数和消除噪音的目的。
模型的建立采用的是SVM模型,最终的评价标准采用的是PR分数,在N元组特征上,我们的结果和Dong et al.2006的方法进行比较,提
高了14个百分点,在LAK特征上,和Saigo et al.2004的方法比较,提高了7个百分点。
对蛋白质相互作用预测问题,本文使用的是HPRD数据库中的标准数据集,使用的是3元组特征,实验结果和Shen et al.2007的结果比较,ROC分数提高了4.5个百分点。
另外,我们对Wnt、IL-2、IL -7、Notch这四个信号通路中的蛋白质相互作用进行了预测,并画出了相互作用网络,较好的实验结果也证明了我们的方法对蛋白质互作网络的预测有着重要的意义。
同主题文章
[1].
朱新宇,沈百荣. 预测蛋白质间相互作用的生物信息学方法' [J]. 生物技术通讯. 2004.(01)
[2].
王丽丽,肖虹,石亚伟. 蛋白质与脂质相互作用的研究技术' [J]. 生命的化学. 2006.(06)
[3].
高宁,胡宝成. 酵母双杂交系统的发展及其衍生系统的比较' [J]. 生物技术通讯. 2006.(03)
[4].
陆林英,魏雅卓,崔颖,孙平平,马雅楠,马志强. 基于支持向量机的蛋白质相互作用识别' [J]. 生物信息学. 2009.(04)
[5].
黎刚果,王正志. 结合蛋白质相互作用数据进行基因表达数据聚类' [J]. 生物信息学. 2009.(04)
[6].
科学出版社新书推介(2008-11)' [J]. 微生物学报. 2009.(01)
[7].
唐巍,罗晓艳,Vanessa ,Samuls. 蛋白质相互作用的分析:利用酵母两性杂交系统探索蛋白质功能(英文)' [J]. Forestry Studies in China. 2002.(01)
[8].
《生物物理学报》第二十五卷2009年总目录' [J]. 生物物理学报. 2009.(06)
[9].
刘潇. 基于膜上的酵母双杂交系统及其在药物开发中的应用' [J]. 生命科学研究. 2006.(S3)
[10].
倪青山,王广云,邱浪波,强波,王正志. 利用蛋白质相互作用关系改善基因芯片缺失数据估计的精度' [J]. 生命科学研究. 2008.(02)
【关键词相关文档搜索】：计算机科学与技术; 特征空间重构; 潜在语义索引; 层次聚类; 蛋白质远程同源; 蛋白质相互作用
【作者相关信息搜索】：哈尔滨工业大学;计算机科学与技术;王亚东;李梅梅;。