英语智能通信平台设计和实现基于相似性算法

文摘

智能通信处理英语旨在获取有效信息从非结构化文本数据使用不同的文本处理技术。文本向量表示和文本相似度计算是重要的基本任务在整个自然语言处理领域。针对现有的句子向量表示模型的缺点和奇点的文本相似度算法,改进的模型和算法,提出了基于相关领域技术的深入研究。本文深入和全面的研究了文本向量化表示和文本相似度计算算法在自然语言处理领域。现有的文本向量化表示模型和文本相似度计算算法描述,并总结了他们的缺点提供依据本文的背景和意义,以及提供改进的思想方向。实验证实,句子向量模型提出了实现精度高于SIF句子向量模型的文本分类任务。在文本相似度计算的任务,达到更好的结果在三个评价指标:准确性、回忆,和F1值。算法也提高了模型的计算效率在一定程度上通过删除功能词贡献较低的特性。算法首先提高了缺陷的传统word-shift距离算法通过定义multifeature融合权重,实现基于multifeature加权融合的文本相似度计算算法有更好的相似性计算结果。然后,构造线性加权模型,进一步结合层次汇集IIG-SIF句子的相似度计算结果向量实现multimodel融合文本相似度计算算法。

1。介绍

随着21世纪进入人们的视野,网络通信技术的快速发展,大数据的时代逐渐进入人们的视野,让互联网复杂的数据信息,由互联网的信息量越来越大。这个巨大的信息逐渐成为一个重要的源来回答用户的问题(1- - - - - -5]。大多数传统搜索引擎的信息检索方法仍然搜索关键词。虽然这可以帮助用户搜索信息检索方法,它是在一定程度上,反馈给用户大量的相关和不相关的搜索结果,很难让用户快速找到他们想要的答案(6]。如何准确地获得大量信息源的信息用户最需要的是一个共同的目标追求的研究人员在信息时代。近年来,问答系统已经逐渐的出现引起了学者们的注意(7]。设计系统的层次描述了系统的总体架构,实现管理架构、系统架构和编制,演示了该系统的数据库设计和界面设计。智能问答系统是一个新的研究热点领域的自然语言处理和信息检索,这允许用户在自然语言提问的形式的句子,并自动返回简洁和准确的回答用户使用自然语言处理技术,它的出现也反映了人们的探索和追求快速和准确的信息检索。与传统的搜索引擎相比,智能问答系统不仅符合表达形式的用户的问题,但也有明显的优势在搜索引擎方面的质疑意图的关键字匹配和可以直接提炼用户想要的答案,现在用户在一个结构化的方式8]。这种智能问答方法在回答问题和解决问题中扮演一个重要的角色在遥远的教育。

信息技术的迅速发展已经导致了几何增长的数据量。只有约20%的这个庞大的数据属于结构化数据,剩下的80%属于非结构化数据。文本是最常见的非结构化数据信息的主要载体,重要的信息和知识的来源。如何处理和理解文本数据和获取有用的知识从大量的非结构化文本数据,以便能更好地为人类社会是一个值得考虑的问题,研究[9]。在外部请求处理和外部服务、WEB处理程序是用来定义属性和HTTP处理程序的编译器选项(.ashx)文件。WPF客户端UI采用演示。的复杂性、模糊性和文本信息本身的多样性导致文本信息是容易为人们所理解,但很难被处理由计算机(10]。为了解决这个问题,自然语言处理,在计算机科学领域的一个重要方向,专注于各种理论和方法,可以实现有效的沟通和交流人类自然语言的方式和电脑,这电脑可以更好的处理文本和各种现实场景应用问题提供有效的解决方案。文本相似度计算是最基本的研究内容之一,在自然语言处理领域,广泛用于共同的研究领域和场景,如搜索、推荐、对话、数据挖掘和机器翻译应用程序。在信息检索系统中,核心技术是计算相似性检索文本的内容和数据库中的文本的集合11]。在对话系统中,其主要目的是计算问题的问答数据库与用户的语义信息相一致的问题,然后提取这个问题的答案,并输出给用户完成对话进程。推荐系统,内容与输入文本相似度相关联的数据输出,如图1。

因此,突破文本相似度计算不仅可以促进繁荣的数据处理和自然语言处理领域的发展,而且还推进通用人工智能的进展来支持人类的高效率的工作。文本相似度计算的研究主要包含文本和文本向量化表示距离计算。其中,文本距离通常是衡量vectorizing文本表示,然后使用向量之间的距离(12]。因此,获取文本向量可以充分表达文本信息也是研究的重要元素之一。文本表示非结构化文本语言符号的转换成computer-computable形式,这通常是一个矢量,即。的矢量表示文本。文本向量可以应用不仅对相似度计算,也作为普通文本的基础计算任务(13]。面对包含丰富信息的文本数据,非结构化文本被建模的文本表示成一个向量,它包含文本的语义结构表达的信息,然后使用文本向量作为后续文本处理的基础工作(14]。因此,矢量化的质量表示的文本可以直接影响后续任务的算法的精度和效率。为了获得向量表示,可以充分表达文本信息和提供更好的支持更高级的文本计算任务,研究文本表示模型是非常必要的,在促进研究和发展有直接作用在自然语言处理领域。

本文通过分析国内外研究的文本表示模型和相似度计算算法,单词和句子向量模型和相似度计算算法研究深度。论文的研究工作有两部分:句子的基于特征向量表示模型的贡献程度和文本相似度计算与multimodel加权融合算法。基于现有SIF的研究句子向量模型,一种改进的模型基于特征的句子向量表示的贡献程度。自原始模型只介绍了通用的词频信息功能词的计算重量和运输所有单词在文本中参与计算句子向量生成句子的过程中没有任何差别向量,而不考虑筛选功能词的贡献较低的任务,获得句子向量表示无重点的语义信息和任务相关性差,影响后续文本计算任务的准确性。解决上述缺点,首先,该模型提高了信息增益计算公式引入同类单词频率和组内和组内的分化因素进一步增强文本特征选择的影响。然后,功能贡献因素可以描述特征的贡献相结合的任务是由通用词频率因子。最后,这个因素是用来删除功能词贡献较低的任务,剩下的强大功能词与句子的后续计算向量,可以获得一个句子向量表示的语义信息集中和强大的任务重点,提高模型的计算效率在一定程度上。实验表明,改进的模型达到更好的实验结果在文本分类的两个基本任务和相似度计算。

知识本体的基础是用户的“问答”基地的问题,以及这些问题的答案是存储在数据库中。当用户提出问题,系统通常首先搜索常见问题(FAQ)然后寻找最相似的问题的答案,并返回给用户(15]。如果系统不能找到一个满意的答复在FAQ数据库中,系统将自动切换到知识本体数据库进行检索。其中,相似性算法是智能问答系统中的关键技术,用于实现问题最相似的发现知识本体的数据库。通过计算用户之间的相似性问题和答案存储在数据库的知识本体,相似度最高的答案是选为这个问题的答案问用户,和相应的答案返回给用户的信息(16]。

目前,句子相似度算法已经广泛应用在现实中,和他们的研究现状影响其他相关领域的研究进展。这个句子相似度算法是问答系统的关键技术之一。在此基础上,本文设计并实现了一个智能测试系统通过应用英语句子相似度算法智能测试系统(一个小学英语17]。考试后,答案和录音自动提交。打开监视器来查看报告状态。句子相似度算法不仅提高了英语智能测试系统的运行效率,但也准确地回答英语问题考虑小学生的英语词汇和语义问题的特点,在各个方面。系统还可以满足功能需求的英语智能测验为小学学生学习,更好地帮助他们实现多样化的英语学习。

的矢量表示文本反映了重要功能嵌入到文本语言,如语义、句法和文本结构信息。传统的文本表示模型的研究源于布尔兰卡斯特等人提出的基于模型的文本表示1973年,它使用二进制值0和1来表示文本。原始文本表示,布尔模型简单,容易实现,特别是对于更有效地处理大规模数据的任务(18]。然而,这种二进制表示结构缺乏语义信息的文本。解决信息缺失的问题,在这个模型中,研究者提出了经典的向量空间模型(VSM)。VSM将文本表示为向量,使用特征空间中的向量对应点与相同数量的向量维度特征词汇的数量。尽管这个模型可以表达某些语义信息的文本,它不能描述之间的语义和句法结构信息的文本特性由于每个维度的独立性特征空间,这可能会导致歧义多重含义的单词。此外,语料库的扩张会导致增加的文本向量维数模型,向量用于表示一个文本将是极其稀少的,而不是用于后续处理。传统的文本表示模型解决了文本表示的问题在某种意义上,但表示文本向量只包含文本的浅层语义信息,和表示向量是高维稀疏,这直接影响着计算过程的复杂性和后续任务的准确性19]。系统测试的主要目的是进行最全面的测试软件系统,使该系统项目能满足产品要求,符合总体和详细的系统设计。

提高能力和准确性文本的向量表示,一些研究人员提出了一系列主题生成模型从挖掘文本特征空间的潜在特征。潜在语义索引模型,提出了在1990年,和它的核心思想是利用奇异值分解将文字矩阵分解成三个矩阵:document-topic, topic-word, word-word,实现文本特征降维表示。然而,模型缺乏统计基础,表示结果的模型解释能力较低。在此基础上,提出了潜在狄利克雷分配模型。LDA模型给出了隐藏主题概率分布的每个文本语料库和地图隐藏的文本主题空间。模型使用有限数量的隐藏实现的低维表示文本主题。由于主题模型可以获得一个低维向量表示的文本和一个坚实的理论基础,它受到研究人员的高度重视,提出了许多改进的模型,如分层LDA、分层狄利克雷过程,模型和关联话题。这些模型善于挖掘文本的语义信息的主题空间使用的潜在主题功能,但是仍然存在训练时间长和不满意的问题简短文本的处理。

3所示。英语文本相似度计算和交互

3.1。基于向量空间模型的算法

基于向量空间模型的算法直接作用的序列或组合特性的原始文本和使用功能词的匹配度或距离的两个文本来确定相似。这种类型的模型来表示文本向量,然后衡量文本的相似性之间的空间距离向量。向量之间的距离主要是使用匹配等算法计算系数,余弦相似性和欧氏距离。关键的向量形式主要是一个炎热的向量。这个向量的作用主要是将非结构化文本信息转换成可计算的向量形式,向量本身包含最小的语义信息,和向量是高维稀疏。向量空间模型只考虑表面的文字和没有考虑句子中包含的语义和结构信息,从而导致不良的报道文本功能和精度较低,导致不准确的文本相似度计算结果。由于其局限性,向量空间模型只使用简单的词的词频信息文本将非结构化的文本转换成向量,忽略了文本的语义和语境的关系,导致一个复杂和不准确的文本相似度计算过程。

向量空间模型(VSM)认为文本是由几个独立的单词。这些独立的单词构成文本的特性集。每个功能项不同的权重,通过结合文本的词频信息,和文本的向量空间是由所有特征项的权重作为组件。最后,我们计算基于语义距离的空间向量的两个文本获取文本相似度计算结果。给定一个文本T,t_我表示一个特征项在文本中表示的重量值t_我在文本中T那么,在多维向量空间,在文本中所有特征项的权重T表单文本向量的值向量文本在某个维度。

必要预处理后的文本特征项的权重向量空间模型中是一个关键的一步,和TF-IDF通常是用来计算特征项的权重在现有的研究中。TF-IDF方法考虑单个功能项是否都可以表达单个文本的信息和功能项是否能区分文本与其他文本。计算权重后,文本的向量空间表示。后,可以计算文本之间的相似度。目前,欧氏距离通常被用来计算两个文本之间的相似度。文本的特征向量k_我和k_j如下:

文本相似度

LF-LDA模型中的每个文本是由一些主题概率向量服从狄利克雷分布。自生成的文本表示向量LF-LDA模型隐藏话题向量服从的概率分布,距离函数Jensen-Shannon (JS),这是更适合测量的概率分布,使用。然后,生成的文本主题向量如下:

它可以基于相似度计算

推土机的距离计算之前,需要定义的距离d_ijeigenvolume之间和任何eigenvolumes的问。欧几里得距离时通常使用两个eigenvariables向量,和KL距离时通常使用两个eigenvariables服从一定的概率分布。推土机的经典应用距离是找到运输问题的线性规划的最优解。假设同一批次的相同的货要运输n工厂米仓库。在这个实际问题,是一组多个工厂,来代表n工厂,和工厂有货物重量。问是一组多个仓库,问₁来问_米代表米仓库,仓库问_j的最大容量。的距离和重量ijf从运输货物来问_j被定义为d_ij,那么这个问题。优化目标是最小化代价函数如下:

受

应用推土机距离文本相似度计算收益率word-shift距离算法。word-shift距离度量两个文档之间的区别,在转让所需的最低成本差异是指词从一个文档移到另一个。,距离的最小数量。然后,推土机算法应用到文本相似度计算问题需要解决两个问题:(i)如何表示的非结构化文本向量或服从一定的概率分布和(2)构建一个成本函数为词文本之间的转移。

3.2。句子向量模型特性的贡献程度

虽然平滑逆频率模型可以生成文本的句子向量更好,只有使用常见的词频信息生成的数据集介绍了计算句子中每个单词的权重向量。过程中生成句子向量,所有单词在文本中参与运输句子向量的计算没有任何区别,导致这一事实句子向量模型获得的高维度和无重点的语义信息。此外,功能词不优化面向特定任务时,影响文本计算任务的准确性。本节介绍了上述模型的特征选择方法缺陷来获得一个更好的句子向量表示。

潜变量生成模型是一个模型在2016年提出描述的动态生成过程的句子。模型假设t_th单词是生成的t_th时刻到完整的句子生成,如图2。话语向量是一个潜变量,代表词语在句中生成的方向,所以句子的话语向量表示C_t。随机游走的话语向量C_t驱动整个句子动态生成的过程。每个单词这个句子是一个二维向量。

获得一个单词和句子之间的关系,该模型使用这个词向量的内积的词和话语向量t_c在当前时刻代表的关系。该模型假设词的概率发生在句子t_c在时间t是一种内心的对数线性关系产品:

基于潜变量的概念生成模型,随机游走模型旨在获取句子向量和这个词向量之间的关系的一个句子。为了简化公式,模型代表了话语向量在所有时刻作为一个确定的向量年代_c自t_c在句子的生成变化非常小。因为有些词语料库发生指定的上下文之外和一些词出现(停止词)影响话语向量生成,SIF模型将两个平滑项添加到这个模型。(1)它生成一个累积模型中的术语,α是一个固定的hyperparameter。的概率是单词发生在文本语料库。通过引入这一项,虽然一个字和话语向量的内积很小,这个词也有一定概率参与随后的计算,这在一定程度上解决了未注册的问题的话。(2)常见的话语向量cd,一个平滑的术语代表的“中心思想”的句子,句子是最重要的组成部分。模型发现,长词的投影沿着c₀向量,平滑项的概率会增加。

添加平滑项之后,基于一个固定的话语向量c_年代,某一词的概率发生在句子年代是

获取句子向量表示,该模型假定这个词向量表示每个单词的语料库文本向量空间遵循近似均匀分布。因此,对于任何c_年代,z值是相同的。在这种假设下,c_年代向量是使用最大似然估计方法,该收益率以下似然函数:

句子之间的关系向量和向量从而获得这个词,和句子向量的表示可以通过使用这个词向量的加权平均。最后,减去向量的优化模型c₀句子的第一主成分的方向向量。最后一句向量表示结果。平滑逆频率模型,更好的描绘下的句子生成模型通用语料库的统计规律。然而,它只考虑句子的词频信息,不进一步考虑的影响,不同类型的文本语料库句子向量生成特定的任务。保持平滑逆频率模型的通用性,同时提高下游任务的准确性,本节提出了一个句子基于特征向量表示模型的贡献程度。改进信息增益方法用于预先消除之前的功能较低的贡献模型计算句子向量,从而提高句子向量在不同类别的分化,从而获得更高的精度计算任务。

4所示。英语智能通信的实现

4.1。系统模型

基于上述相似性计算,我们设计了一个英语智能测试系统,如图3。英国智能测试系统是一种更先进的信息检索技术领域的性质,旨在使小学生问基本的英语句子在日常生活中,然后利用该系统得到一个准确的答案。简而言之,英语智能测试系统设计分析英语学生问的问题和理解问题的含义,然后返回学生的答案。第一个模块是问题分析模块,它由五部分组成:减少,词汇注释、问题类型分析,提问类型分析和关键字提取。第二个模块是相似度计算模块,它的核心内容是问答系统,这部分主要包括单词和句子相似度计算相似度的计算。第三个模块是答案提取,主要侧重于相似性排序、过滤的答案和输出答案。最后一个模块的知识推动;这部分主要展示回答用户在多种形式通过了解不同用户的知识水平的水平,相关知识的困难,和用户对资源类型的偏好。

分析模块的问题是不可或缺的智能问答系统的一部分。它的目标是使计算机理解用户的查询的语义和准备后续的工作在答案抽取模块。准确的问题分析可以帮助系统使用适当的答案抽取方法和策略为不同类别的问题在答案抽取模块。当用户输入一个英文问题,问题分析模块分析和过程,和处理程序包括以下:(1)减词变化单词问答的句子回到他们的原型。例如,动词“曾经”和“已经“成为复数词“运动”成为运动,动词“变得”和“是”成为。(2)每个词的词汇注释完成后减少。这些包括词与动词,词与名词、副词与形容词单词,单词。(3)问题类型,分析了一些常见的英语问题类型提出的用户进行了分析,如“什么”……你喜欢”,“这是……”等等。(4)提问类型分析决定哪种类型的用户所属的问题。有各种类型的问题的答案,答案和上下文等对话。每种类型包含四种类型的媒体表示:音频、视频、照片书,和图片。有三个层次:困难、中型和容易。此外,用户可以输入一个词单独查询结果。

词的类型的答案包括答案,原来的课文里的句子,情境的段落,并扩大了例句。单词的部门和决心,以及问答类型,不仅丰富英语知识表示的形式,也是提高小学生的动机和兴趣学习英语在某种程度上。

4.2。相似度计算模块

句子相似度计算方法主要是用于选择一个合适的句子通过计算两个话语之间的相似性。相似的话语主要包括单词形式,语法和语义。相似性越大价值来自计算结果,越接近两个句子的词的信息形式,语法和语义。在这项研究中,基于距离的相似性算法用来计算英语疑问句的相似性,基于净conceptual-semantic分类词典,这个词和概念词相似度计算方法用于计算英语单词之间的相似度,然后根据获得的英语话语之间的语义相似度的计算方法的余弦相似性。

答案抽取模块来分析另一种回答疑问词从信息检索模块获得的词汇,句法,语义方面,答案需要排序。此外,该系统还需要设置一个阈值,只有当语句相似度大于设定阈值,检索结果输出,并通过强制性的关键字检索结果过滤表删除无关的内容检索结果,然后答案是精制根据查询问题句子所属类别,和最合适的问题的答案返回给用户的方式与他们的知识水平是一致的。模块主要是获得最相似的备选答案从数据库知识本体通过question-sentence相似性计算,然后进行答案抽取,各种备选答案相似值大于0.8根据相似度值,并将备选答案知识推送模块根据问题类型分析模块获得的问题。

知识推送模块是系统的重要组成部分,是独一无二的,因为它考虑了个体用户的利益,每个人都有他或她自己的独特的学习方式,能够把不同的知识基于用户的浏览信息。智能问答系统用户提供了各种答案基于先验知识水平,兴趣,和学习风格,不同的用户会得到问题的答案匹配他们的知识水平。在推动知识模块中,问答的演讲内容根据难度分为三个层次:简单,中等,困难。问题的答案有不同的难度水平推荐的背景不同的用户的知识水平(如图4)。

系统的知识本体库分为三个部分:知识本体,教科书组织本体,图书馆和资源。知识本体包括与不同属性词本体和句子本体;每个属性包含资源,如图片、音频、视频和图片书籍来满足不同学习者的个人需求。自相似性的算法计算模块是找到这个句子之间的相似度最高的同样的问题的话,将小姐的句子之间的语义相似度高的不同的问题的话,一个特殊的句子本体库建立链接这样的句子来提高准确性。教科书组织本体这个词和句子教科书中组织本体继承组织本体和包含所有课本的属性特征。基于距离的相似度计算是最常用的算法之一,和它的基本思想是将测量两个概念之间的语义距离词汇语义字典树,获得他们的路径长度,和一个负相关显示之间的语义相似度和语义距离。如果两个词之间的语义距离较大,那么相似度较低;相反,如果两个词之间的语义距离越小,相似度较高,如图5。

(一)

(b)

(c)

(d)

5。结果与讨论

在本文中,我们使用向量空间模型来表示英语话语在测量话语之间的相似性,以及向量空间模型是一个更好的方法来表示文本。的基本概念向量空间模型(VSM)分区包含语义的最小单位,如单词和短语在文本,然后使用相应的相似度值作为一个向量的元素。这个向量空间模型能够准确地、客观地代表英语文本的语义信息。矢量化的表示两个英语问答的句子后,英语话语之间的语义相似度是获得使用向量相似度测量,角度余弦。自从multifeature fusion-based word-shift距离算法(MMF)涉及文本功能词的选择,即。这个词,选择步骤,不同的选择比率对相似度计算结果有很大的影响。如果选中的文本功能词的比例太小,该模型对文本不包含足够的信息,从而导致算法不令人满意的结果。如果太大,比例模型包含太多的冗余信息,这可能影响算法的精度,算法的计算复杂度将会增加。

聚类是最常见的类型的信息挖掘模型,这需要训练和prelabeled文档类别。实验1使用两种聚类算法、K-mean和DBSCAN,确定在什么比例的文本选择功能词更好地表示文本信息。由于数据集二世也是一个常见的集群文本数据集,它有一个高识别相关的研究。因此,在这个实验中,数据集二世被选中作为实验数据集,和归一化互信息指数(敝中断)选择评价聚类结果。敝中断值越大,越相似集群的集群结构算法获得的真正的集群的集群结构,和文本包含更多的信息。在本节中,下的k - means聚类算法运行scikit-learn包,和DBSCAN算法实现的源代码。实验结果如图所示6展示的效果不同百分比的文本功能词聚类的效果。

从图可以看出7,良好的聚类结果能取得60%的关键目标文本的文本特征项选择。如果低于这个百分比,关键特征项的数量很小,不能表达文本中包含的信息,导致不准确的结果。相反,它将增加过多的冗余信息,减少文本之间的独立性,导致不满意的结果。从实验结果知道,增加的体重值与multifeature word-shift距离算法融合召回率显著增加,这首先肯定了这个距离计算算法的有效性文本相似度计算的任务,其次融合多个关键的文本特性是非常必要和可行的想法。的重量值IIGSIF-hire Sim算法对召回率不敏感,主要是因为层次池IIGSIF模型保留了一定程度的词序和空间信息,但它仍然缺乏更多的关键词汇和文本中的位置信息;另一方面,也因为IIGSIF模型消除了文本。这也会影响文本相似度计算的结果。

从数据的比较实验结果5算法四种类型的数据集,计算文本相似度算法的实验结果与multimodel加权融合(MMFSim)提出了在这一节中比其它控制算法的三个评价指标的准确性,回忆,和F1价值,更普遍。这是由于这一事实MMFSim算法不仅利用中的词频信息文本,还融合了词法、语义、句子的位置,和文本结构信息的文本和构造multifeature融合权重,充分利用的关键信息中包含的文本和单词之间的传输距离计算更加准确、合理。此外,使用分层的文本结构信息也被认为是池句子向量的操作。因此,在这个实验中四个数据集上的实验结构比其他文本相似度计算算法,具有较高的计算精度和更好的模型性能对整个数据集。由于算法关键的文本特征项集最优率提高算法运行的效率,同时尽可能多的文本信息。

6。结论

最直接的表现一个英语测试系统能否实现智力是否能准确回答问题问用户。介绍英语智能测试系统的模型和每个模块的功能和角色的模型通过研究英语句子相似度算法,并给出了具体的系统设计和开发过程,并在此基础上,我们进行编码,实现小学英语智能测试系统的基于相似度的算法。实践经验和使用后,该系统不仅能聪明地回答用户提出的问题和准确,但也提供一些相关知识回答用户提出的问题和系统快速发现,基于距离的相似性算法提高了检测效率的英语智能测试系统。后续研究将提高相似度算法为了更准确和快速查询用户所需的内容,进一步提高系统的效率。与此同时,在系统的实际使用的过程中,我们将继续收集的次数用户点击页面资源,浏览时间和其他内容获得用户的偏好信息,并自适应地学习资源推荐给用户实现个性化学习。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者声明没有竞争的经济利益或个人关系可能出现影响工作报告。

引用

n . d . Nath s Jha j . m .之一Meena和s . p . Syedibrahim“弹性搜索调查论文相似度算法,”亚洲制药和临床研究杂志》上,10卷,不。13日,361 - 364年,2017页。视图:出版商的网站|谷歌学术搜索
y . M。,K. Liu, Y. Ma, Z. Gao, Y. Zang, and J. Teng, “Similarity analysis-based indoor localization algorithm with backscatter information of passive UHF RFID tags,”IEEE传感器杂志,17卷,不。1,第193 - 185页,2017。视图:出版商的网站|谷歌学术搜索
沉思,“相似性尺度不变域机和稀疏的形状建模、”IEEE图像处理,28卷,不。2、534 - 545年,2019页。视图:出版商的网站|谷歌学术搜索
b . a .莫泽“相似性康复基于阈值的采样在一般情况下,“IEEE信号处理,卷65,不。17日,第4654 - 4645页,2017年。视图:出版商的网站|谷歌学术搜索
h . p . Wang Cai, l·王,“智能英语翻译算法设计基于模糊语义网络,”智能自动化&软计算,26卷,不。3、519 - 529年,2020页。视图:出版商的网站|谷歌学术搜索
t . Kouchi y田边,e . j . Smit et al .,“临床应用四维降噪滤波相似度算法在动态心肌ct灌注成像,”国际心血管成像杂志》上,36卷,不。9日,第1789 - 1781页,2020年。视图:出版商的网站|谷歌学术搜索
c·李,“智能系统为大学英语听力和写作训练,”国际期刊的新兴技术在学习(iJET),13卷,不。10日,121 - 133年,2018页。视图:出版商的网站|谷歌学术搜索
李x”,建设基于人工智能,智能英语教学模型”国际期刊的新兴技术在学习(iJET),12卷,不。12日,35-44,2017页。视图:出版商的网站|谷歌学术搜索
b . Yushau”观念,挑战和学习数学英语的资源“数学智能”双语阿拉伯大学生tith弱英语背景,“国际数学趋势和技术杂志》上,53卷,不。6,453 - 463年,2018页。视图:出版商的网站|谷歌学术搜索
刘j . Cai和y”,研究基于智能语音识别英语发音训练,”国际语音识别技术杂志》上,21卷,不。3、633 - 640年,2018页。视图:出版商的网站|谷歌学术搜索
美国Bi,“智能系统英文翻译使用自动化的知识基础,”《智能与模糊系统,39卷,不。4、5057 - 5066年,2020页。视图:出版商的网站|谷歌学术搜索
盾,“智能英语教学基于SVM的预测系统和异构多通道目标识别,”《智能与模糊系统,38卷,不。6,7145 - 7154年,2020页。视图:出版商的网站|谷歌学术搜索
w·高,l·朱、郭y和k . Wang”本体学习算法的相似性度量和本体映射使用线性规划,“《智能与模糊系统,33卷,不。5,3153 - 3163年,2017页。视图:出版商的网站|谷歌学术搜索
y海”,计算机辅助教学模式基于语音识别的智能学习英语口语和网络援助,”《智能与模糊系统,39卷,不。4、5749 - 5760年,2020页。视图:出版商的网站|谷歌学术搜索
h·温,“智能英语翻译移动平台和基于支持向量机的识别系统,”《智能与模糊系统,38卷,不。6,7095 - 7106年,2020页。视图:出版商的网站|谷歌学术搜索
m .阴”,研究和分析基于改进神经网络智能英语学习系统,”智能和模糊系统杂志》上,39卷,不。2、1721 - 1731年,2020页。视图:谷歌学术搜索
朱j . b . Wang, e·皮尔森,d . Ramazzotti和s . Batzoglou“可视化和分析单细胞RNA-seq数据基于相似性学习,”自然方法,14卷,不。4、414 - 416年,2017页。视图:出版商的网站|谷歌学术搜索
w·歌,y, p .阴,j .杜”研究的发展和应用英语智能翻译人机界面系统,”固态技术,卷63,不。1,第2208 - 2204页,2020。视图:谷歌学术搜索
江赵c和d,“研究图式理论应用到大学英语esp课程基于智能优化算法,”固态技术,卷63,不。1,第1956 - 1950页,2020。视图:谷歌学术搜索

复杂性