计算命题公式的极小模型在人工智能推理系统中是一项必不可少的任务.然而,即使是正CNF(conjunctive normal form)公式,其极小模型的计算和验证都不是易处理的.当前,计算CNF公式极小模型的主要方法之一是将其转换为析取逻辑程序后用回答集程序(answer set programming,ASP)求解器计算其稳定模型回答集.针对计算CNF公式的极小模型的问题,提出一种基于可满足性问题(satisfiability problem,SAT)求解器的计算极小模型的方法MMSAT;然后结合最近基于极小归约的极小模型验证算法CheckMinMR,提出了基于极小模型分解的计算极小模型方法MRSAT;最后对随机生成的大量的3CNF公式和SAT国际竞赛上的部分工业基准测试用例进行测试.实验结果表明:MMSAT和MRSAT对随机3CNF公式和SAT工业测试用例都是有效的,且计算极小模型的速度都明显快于最新版的clingo,并且在SAT工业实例上发现了clingo有计算出错的情况,而MMSAT和MRSAT则更稳定.
为解决传统协同过滤算法中存在的数据稀疏与冷启动问题,社会化信任推荐机制被引入推荐系统,通过加入用户的显式信任信息,可有效地缓解上述问题。但是显式信任较难获取,并且数据较为稀疏,为了更好地提高推荐效率,在基于显式信任的Trust SVD算法的基础上,加入用户的隐式信任信息,提出了一种基于双信任机制的奇异值分解(singular value decomposition,SVD)算法EITrust SVD。在利用显式信任获得可靠推荐的同时,通过隐式信任的影响获得与用户喜好相关的推荐。通过实验证明,该方法可以较好地解决冷启动问题,且能提高推荐的准确率。
为进一步改善短文本关键词抽取的效果,提出一种TTKE(topical translation for keyphrase extraction)主题翻译模型。结合主题模型与统计机器翻译模型的优势,通过长文本辅助短文本进行主题发现,学习特定主题下词语与关键词的对齐概率,为给定短文本进行关键词抽取。在真实数据集上进行实验,实验结果表明,该模型能够有效提高短文本关键词抽取的效果。
