关键词： 情感分类   朴素贝叶斯   最大熵模型   支持向量机  

摘要： Web2.0网站的快速发展提供了大量的用户自产生的数据,这些数据中包含了用户的情感倾向,如对某件产品的喜好程度、对公众人物的评价以及对公众事件的看法等。对这些数据进行情感分类可以为买家提供产品好坏的信息、为卖家提供市场对产品接受程度的信息以及为政府决策提供参考等。 目前情感分类的研究工作主要着重于英文文本的情感分类,国内在汉语语言情感分类方面开展的工作不多。本文主要针对文档级别的汉语评论进行了研究,不仅分析了单源数据的情感分类,还分析了多源数据的情感分类。 对于单源数据的情感分类,本文提出了两种方法:一是以评论为元数据的情感分类,目的是选出最优的分类器和特征集;二是以句子为元数据的情感分类,目的是检测断句对单源数据情感分类的影响。实验结果表明经过断句处理的情感分类准确率比没经过断句处理的情感分类提高了六个百分点,达到91%。 对于多源数据的情感分类,本文提出了三种方法:跨类型的情感分类、忽略类型的情感分类和交叉类型的情感分类。这三种方法的实验结果表明,交叉类型的情感分类方法较好,在该方法中多源数据的平均准确率达到82%。

关键词： 攻击   防范   机器学习   语义   数据流分析   HMM   集成学习  

摘要： 近两年美国因病毒、间谍软件等网络攻击损失近85亿美元,而中国大陆更是有数以亿计的大量主机和网络被恶意攻击、破坏和篡改。一方面,种类繁多功能各异的诸如病毒,蠕虫,rootkit,间谍软件等恶意代码层出不穷,黑客攻击方式、手段与过程不断复杂深化;另一方面,信息系统漏洞不断增长,漏洞越来越多。强大的经济利益的驱动使得恶意代码检测与防范问题仍是信息安全届亟需解决的首要问题。攻击者不断升级并复杂化新的攻击手段,防守者根据攻击提出防护措施,例如修补漏洞,注入防护疫苗等;进一步地,攻击者提出新的反检测和规避技术,防护者也要不断更新防护技术。攻防双方不断博弈,两者在动态平衡中,不断将局部的马鞍点向前推进。 统计机器学习源于统计,长于关系推理和知识的自动学习,已在文本分析,视频分析,图像理解,语音信号识别取得极好的效果。我们把恶意代码检测与攻击比作一场猫捉老鼠的游戏,统计机器学习能不能有效的扮演“猫”的角色,能不能在已有的恶意代码检测与分析的基础上在如虎添翼?该问题的难点在于安全信息系统的一些特征需求与机器学习应用需求不是完全一致。例如信息安全中,对于误报率和漏报率的容忍度达到了苛刻的程度;对机器学习的结果缺少解释,模型的结果与实际的安全保障之间存在语义上的差距,很多结果在实际中不可行或者严重偏离信息系统程序和系统配置的现实;机器学习算法必须考虑攻击和攻击者各种各样的逃避检测策略。几乎信息安全的所有问题都是攻击者和防守者之间的博弈过程,必须站在双方的角度上着想,才有助于问题的解决。 针对代码分析的具体领域,在结合代码分析领域内知识的基础上,我们提出以下问题作为本文的研究对象。a)机器学习能不能在恶意代码或者代码分析中使用?b)在恶意代码检测（扩展到代码分析甚至系统安全中）,能起多大作用,如何使用并使其发挥最大功效?本文将此抽象问题具体化为几个子问题（Q1-Q4）进行细化,并通过具体的案例分析来回答。Q1：如何提取多态蠕虫签名?Q2：如何进行多态shellcode归属性分析?Q3：如何检测迷惑恶意代码?Q4：多线程程序中,如何消除时序相关的不确定性bug?本文关注的恶意代码包含两类,第一类是基于网络包的恶意代码,例如多态蠕虫,通过网络传播的shellcode;第二类是基于文件的恶意代码,例如被攻陷的可执行文件或者动态链接库文件;另外本文还分析了一个多线程程序安全中的案例。 针对上述问题,我们进行了下列研究：结合语义和统计特征,对多态蠕虫提取签名;结合语义和统计特征,对多态shellcode进行归属性分析;结合语义特征和统计特征,检测迷惑恶意代码;结合多线程运行的上下文,来推测时序对不确定性bug的影响。 我们的工作有以下创新点。a)提出了语义分析和统计分析相结合的代码分析新方法,用于检测或者分类恶意代码文件以及恶意代码包;与语义分析方法相比,融合了统计方法定量描述的特长;与统计方法相比,关注了更多的代码语义特性,使得分析更加接近代码语义本质。b)提出了基于数据流分析的状态转移图签名,用于多态蠕虫签名提取,通过数据流分析去除隐含在网络数据包中的噪声数据,较好刻画蠕虫的多态特性。c)提出了一种结合静态污点分析和混合Markov模型的shellcode归属性分析算法;通过静态污点分析保留语义相关字节,混合Markov模型获取数据包的统计结构特征;比单一的统计分析更加健壮,比仅仅的静态污点分析方法更易于定量描述和进行代码相似性比较。d)提出了一种结合控制流和系统调用特征的迷惑恶意代码检测算法,用于检测迷惑后的恶意代码;控制流和系统调用获取了代码的语义特征,而同时结合统计特征,相互补充,尽可能准确的进行迷惑恶意代码的类别检测。e)提出了使用HMM,刻画影响多线程运行的上下文,通过上下文（优先级,系统负载,运行时间等）捕获环境对程序运行的影响,并将这种影响进一步量化,为不确定性bug提供分析的依据。 通过以上研究,我们发现,结合或者体现某种程度语义的机器学习可以较为有效的应用于代码分析和检测中。结合语义的多态shellcode签名提取和归属性分析的相关技术已经出现在DayZeroSystems产品中,提升多维特征的迷惑恶意代码检测方法已开始应用到下一代智能安全检测产品中（例如Damballa,Inc）。我们相信这些技术将会在智能信息安全检测中得到更广泛应用。

关键词： 成分数据:对称对数比转换   非对称对数比转换   成分克里格  

摘要： 地球科学中成分数据(compositional data)非常普通,其在进行空间插值时必须满足4个条件:每一位置各组分之和为常数,每一组分为非负,插值结果无偏最优。本文以土壤连续分类模糊隶属度值为例,数据经对数正态变换、非对称对数比转换、对称对数比转换后进行普通克里格插值结果和成分克里格插值(compositional kriging)结果进行比较。结果表明,对原始数据和经对数正态变换后数据进行插值,每一位置预测结果隶属度之和不能满足常数1。经非对称对数比转换后,插值结果虽然满足各个位置组分之和为1,但是预测结果精度较低,且预测结果空间分布连续性不明显。数据经对称对数比转换后插值结果和成分克里格插值结果,都能满足成分数据空间插值的4个条件,但二者各有优势。相比较而言,对称对数比转换方法得到的预测结果更能体现土壤空间连续渐变特征,而成分克里格插值结果能保证隶属度本身是最优无偏估计。

关键词： 数据挖掘技术   智能推荐   教材管理   分类规则预测  

摘要： 本文主要研究数据挖掘技术在教材管理信息化平台教材选用智能推荐模块中的应用研究。说明了教材选用模块实现的功能,分析了智能推荐在教材选用模块中的重要性,详细阐述了基于属性分类规则预测在教材选用智能推荐实现的过程。

关键词： 遗传算法   机器学习   赋值  

摘要： 主要论述将遗传算子与两个机器学习方法—Michigan法和基于Pitt法的一个演化程序相结合,对某个输入信息通过其预先的属性和属性值,经过分级系统中分级规则,得出有意义的输出结果。并将这一理论应用到归纳推理代数中进行验证。

关键词： 机器学习方法   生物信息学   Markov模型   支持向量机   学习技术   神经网络   图形模型   科学数据  

摘要： 机器学习技术例如Markov模型、支持向量机、神经网络、图形模型等，已经在生命科学数据的分析研究中广泛应用。本书收录了一些近期的机器学习方法，涵盖了生物信息学研究中的大部分问题。

关键词： INTERACTION INHIBITORS   INTERACTION NETWORKS   SMALL MOLECULES   DRUG DISCOVERY   TARGETS   DATABASE   PROGRESS   SKI   EXPLORATION   GENE  

摘要： Background: Protein-protein interactions (PPIs) are challenging but attractive targets of small molecule drugs for therapeutic interventions of human diseases. In this era of rapid accumulation of PPI data, there is great need for a methodology that can efficiently select drug target PPIs by holistically assessing the druggability of PPIs. To address this need, we propose here a novel approach based on a supervised machine-learning method, support vector machine (SVM). Results: To assess the druggability of the PPIs, 69 attributes were selected to cover a wide range of structural, drug and chemical, and functional information on the PPIs. These attributes were used as feature vectors in the SVM-based method. Thirty PPIs known to be druggable were carefully selected from previous studies; these were used as positive instances. Our approach was applied to 1,295 human PPIs with tertiary structures of their protein complexes already solved. The best SVM model constructed discriminated the already-known target PPIs from others at an accuracy of 81% (sensitivity, 82%; specificity, 79%) in cross-validation. Among the attributes, the two with the greatest discriminative power in the best SVM model were the number of interacting proteins and the number of pathways. Conclusion: Using the model, we predicted several promising candidates for druggable PPIs, such as SMAD4/SKI. As more PPI data are accumulated in the near future, our method will have increased ability to accelerate the discovery of druggable PPIs.

关键词： 文本分类   文本倾向性分类   图书评价   机器学习方法  

摘要： 介绍了文本分类技术和文本倾向性分类技术,并基于文本倾向性分类技术分析了图书评论中的信息,研究如何将机器学习方法应用在图书评论的倾向性分类中,提出了一种图书评价模型构建的解决方法.

关键词： 胃癌   基因表达谱   标志基因   特征选择  

摘要： 基于机器学习方法寻找和发现新的胃癌亚型分类的相关基因,可以为探讨胃癌发生的分子机制及其基因水平的诊断和治疗提供标志和依据。试验选用33例中国人的胃癌Oligo基因芯片数据,数据包括13例弥漫型胃癌样本2、0例肠型胃癌样本,基因向量为21 378个。采用基因表达差异显著性分析方法(SAM)、偏最小二乘VIP系数法(PLS)和基于巴氏距离的顺序前向搜索方法(BD-SFS)结合的多步骤降维方法,提取到20个能将弥漫型样本和肠型样本有效分开的特征基因。这些特征基因基于支持向量机(SVM),分类准确率可达到89.43%;基于分层聚类分析,准确率可达到93.94%。同时,基因生物学意义的分析结果显示,所选的大部分标志基因对于人类恶性肿瘤的诊断和分型有很重要的意义。

关键词： Bioinformatics   Cancer Classification   Clinical Outcome   Hierarchical Framework   Generative Topographic Mapping   Microarray Gene Expression   INTERPRETING PATTERNS   CLASS DISCOVERY   MODELS   GTM  

摘要： DNA microarray analysis of gene expression is useful for discriminating between the various subtypes of cancer, which is necessary for the accurate diagnosis and treatment of patients. Particularly, assigning biological samples into subclasses or obtaining detailed phenotypes is an important practical application for microarray gene expression profiles. In the present study, a hierarchical framework of a nonlinear mapping classification was developed for elucidating data and classifying multiclass cancers based on microarray data sets. This classification maps the gene expression profiles of multi-class cancers to the visualized latent space and predicts the clinical output through high-dimensional computational biology. The proposed method was used to interpret and analyze four leukemia subtypes from microarray data. The results demonstrate that, using a high-dimensional nonlinear mapping to extract biological insights from microarray data, the proposed method can identify leukemia subtypes on the basis of molecular-level monitoring and improve the interpretability of leukemia clinical outputs. Furthermore, this nonlinear mapping of cancer subtypes is used to establish a relationship between expression-based subclasses of leukemia tumors and leukemia patient treatment outcomes. The proposed method may be used to guide efficient and effective approaches for the treatment of leukemia subclasses.