关键词： Taxonomies  

摘要： In this article we use well-known machine learning methods to tackle a novel task, namely the classification of non-sentential utterances (NSUs) in dialogue. We introduce a fine-grained taxonomy of NS U classes based on corpus work, and then report on the results of several machine learning experiments. First, we present a pilot study focused on one of the NSU classes in the taxonomy-bare wh-phrases or "sluices"-and explore the task of disambiguating between the different readings that sluices can convey. We then extend the approach to classify the full range of NSU classes, obtaining results of around an 87% weighted F-score. Thus our experiments show that, for the taxonomy adopted, the task of identifying the right NS U class can be successfully learned, and hence provide a very encouraging basis for the more general enterprise of fully processing NS Us.

关键词： PREDICTION   SEQUENCES   ERRORS   PHOSPHATASES   PERCOLATION   DISCOVERY   DATABASE  

摘要： Background: Incorrectly annotated sequence data are becoming more commonplace as databases increasingly rely on automated techniques for annotation. Hence, there is an urgent need for computational methods for checking consistency of such annotations against independent sources of evidence and detecting potential annotation errors. We show how a machine learning approach designed to automatically predict a protein's Gene Ontology ( GO) functional class can be employed to identify potential gene annotation errors. Results: In a set of 211 previously annotated mouse protein kinases, we found that 201 of the GO annotations returned by AmiGO appear to be inconsistent with the UniProt functions assigned to their human counterparts. In contrast, 97% of the predicted annotations generated using a machine learning approach were consistent with the UniProt annotations of the human counterparts, as well as with available annotations for these mouse protein kinases in the Mouse Kinome database. Conclusion: We conjecture that most of our predicted annotations are, therefore, correct and suggest that the machine learning approach developed here could be routinely used to detect potential errors in GO annotations generated by high-throughput gene annotation projects.

关键词： 蛋白质相互作用   结构域   配体相互作用预测   蛋白质序列编码   机器学习   数据库筛选   多肽鉴定   色谱保留时间  

摘要： 很大一部分的蛋白质相互作用是通过多肽结合型的结构域来介导的，这种结构域包括SH2，SH3，PDZ和MHC等等。然而用实验的方法筛选这些结构域结合的配体费时费力，而且，由于高丰度配体的抑制作用，实验方法很难筛选到低丰度的配体。一种理想的研究蛋白质相互作用的方法就是通过计算机高通量的筛选蛋白质序列数据库，然后再用实验的手段验证计算机预测出来的最可能的相互作用。目前的预测系统通常都在有限样本的交叉验证中表现良好，但这并不能保证他们在实际的数据库筛选中仍有好的表现。本文采用了三种新型的蛋白质序列编码方式，使用机器学习的方法建立了一个整合的预测系统，筛选了Swissprot和Genbank蛋白数据库来预测10个SH3和3个PDZ结构域的配体。预测结果中的部分配体蛋白已经被其他研究者的实验证实为阳性，这说明该系统具有良好的预测能力，它的预测结果对后续的验证实验具有一定的指导意义。\n 在应用二级质谱图鉴定多肽时，为了降低鉴定的假阳性率，通常会提高检索软件的阈值设定，这种行为导致了多肽鉴定的假阴性率的提高，大大降低了蛋白质组研究的效率。本文构建了经验的多肽保留时间数据库(Empirical Peptide RetentionTime，EPRT)，在二级质谱鉴定中引入了保留时间作为新的参数。在新的实验中，谱图质量低于一定标准的的多肽鉴定，其保留时间还要和它们在EPRT数据库中的经验保留时间相比较，来进一步决定它们是否为阳性鉴定。在18个标准蛋白混合物和尿蛋白质组的实验中，应用保留时间辅助，使鉴定的阳性谱图数增长了15％-60％，阳性多肽数增长了8％-18％。不考虑谱图的质量，仅使用保留时间新鉴定出的谱图的假阳性率为3.7％；如果加上最低的Xcorr阈值来控制谱图质量，则假阳性率降低为0.

关键词： 计算机应用   中文信息处理   文本分类   情感分析   贝叶斯   最大熵  

摘要： 本文主要研究机器学习方法在新闻文本的情感分类中的应用,判断其是正面还是负面。我们利用朴素贝叶斯和最大熵方法进行新闻及评论语料的情感分类研究。实验表明,机器学习方法在基于情感的文本分类中也能取得不错的分类性能,最高准确率能达到90%。同时我们也发现,对于基于情感的文本分类,选择具有语义倾向的词汇作为特征项、对否定词正确处理和采用二值作为特征项权重能提高分类的准确率。总之,基于情感的文本分类是一个更具挑战性的工作。

关键词： 隐喻识别   优选语义   最大熵   朴素贝叶斯   特征选取  

摘要： 把机器学习方法引入汉语隐喻识别的研究。隐喻识别过程被描述成隐喻义与字面义的分类问题,通过最大熵和朴素贝叶斯两种方法的隐喻建模,在综合上下文词语、词性等多项特征的基础上,最后初步确定了最大熵识别的理想窗口,进而又引入左右位置特征来提高实验效果。在两种模型的比较实验中,最大熵模型在隐喻识别方面有明显的优势。

关键词： low flows   low-flow forecasting model   machine leaming   M5   recession analysis   regression trees   NEURAL-NETWORKS   BASE-FLOW   TREES   RECESSIONS   STORAGE  

摘要： By using the M5 machine learning method and analysis of the recorded recession streamflow data, we modelled the streamflow recession coefficient k as a function of the flow rate at which the 7-day low flow forecast is made and the decrease in the flow rate from the previous day. Low flow forecasting models for seven of the Slovenian tributaries of the Sava River were developed and verification of the results showed improved accuracy of the models compared to when using a single-valued recession coefficient. From the structure of the models, we can also learn that the degree of the flow rate change in the last 24 hours can tell us more about the streamflow recession dynamics in the next seven days than the flow rate at the time when the forecast is made.

关键词： 生物信息学   基因位点   机器学习   模式识别   信息结构   特征提取  

摘要： 生物信息学已经成为整个生物学发展的重要组成部分，用数理和信息理论与技术去分析生物信息，开展生物信息学研究将极大地推动生命科学的进步。随着各种生物数据的快速增加，如何处理生物数据并从这些数据中获得有用的信息，已经成为模式识别和生物信息学研究中非常重要的研究课题之一，真核生物基因的位点识别是生物信息学研究的重要环节。研究基因位点的识别有助于基因组信息结构分析，基因识别及功能预测。利用统计分析、模式识别等方法对基因组进行信息结构分析和特征提取，可以为基因识别和功能研究提供依据。本文利用模式识别方法和计算机技术相结合，对真核生物基因特别是人类基因供体位点和受体位点序列特征及其位点识别问题进行了尝试性的研究，取得了如下主要研究成果：\n (1)收集生物数据并对数据进行预处理。包括4个真实位点数据集和2个虚假位点数据集，对这些数据做了相应的统计分析，得到了一些对基因位点识别有用的统计特征。\n (2)通过将位点附近5个碱基共同考虑，推广了短序列模式识别方法，并将推广的方法应用在供体位点识别上，很大程度上提高了判定虚假位点数据的能力，从而得到了供体位点较好的识别结果。应用在受体位点识别中，对提高受体位点的识别率同样起到了一定的作用。\n (3)推广权重矩阵理论为概率回溯法，将权重矩阵和模拟退火相结合，对受体位点的识别率有较好结果。将推广的短序列模式、权重矩阵和模拟退火相结合，对供体位点进行识别，得到了较好的识别结果。\n (4)将矩阵空间法应用在位点识别问题中。视序列为四维空间中的链，定义了链之间的距离，确定了链截取的长度。这是一种具有明显数学意义的方法。试验中用支持向量机处理矩阵空间法和局部特征法所提取的特征，对受体位点的识别取得了较好结果。

关键词： 机器学习方法   文本分析   文本表示   文本分类   文本聚类  

摘要： 信息的膨胀使得人们获取信息的渠道越来越宽,量也越来越大。但由于信息量的迅速增加,给人们获取有用知识带来了“噪声”,对“减噪”的研究也成为数据挖掘的研究热点。机器学习方法是数据挖掘的一种重要方法,它将计算机科学和人工智能科学结合在一起,本文从文本分析的角度来探讨机器学习方法,论述了在文本表示、文本信息抽取、分类聚类领域的应用。

关键词： 机器学习   人工智能   数据挖掘  

摘要： 随着信息化的普及和数据库的大量建立,如何从数据中提炼出有用的信息已成为亟待解决的问题。机器学习是人工智能研究的核心问题,文章阐述了机器学习的概念、发展和分类及其应用,提出了机器学习的研究目标,指出了机器学习的发展趋势。

关键词： 蛋白酶抑制剂   分子描述符   机器学习方法   变量筛选  

摘要： 为了预测人体免疫缺陷蛋白酶抑制剂的活性,计算了表征分子的组成和拓扑特征的462个分子描述符,用Kennard-Stone方法和随机方法进行了训练集和测试集设计,用Monte Carlo模拟退火方法进行变量筛选,并分别用神经网络,逻辑回归,k-近邻和支持向量学习机方法建立了HIV-1蛋白酶的抑制剂模型.结果表明支持向量学习机优于其余机器学习方法,用SVM方法所建立的最优模型的最后预测正确率达到98.24%.