基于語(yǔ)義依存的漢語(yǔ)句子相似度改進(jìn)算法

黃 洪，陳德銳

(浙江工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，浙江 杭州 310023)

基于語(yǔ)義依存的漢語(yǔ)句子相似度改進(jìn)算法

黃 洪，陳德銳

(浙江工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，浙江 杭州 310023)

現(xiàn)有的基于語(yǔ)義依存的漢語(yǔ)句子相似度算法僅考慮了基于核心詞的有效搭配對(duì)，根據(jù)兩個(gè)句子有效搭配對(duì)的對(duì)應(yīng)詞是否是相同詞和同義詞將匹配權(quán)重簡(jiǎn)單地處理為0，0.5和1，而且未考慮不直接依存于核心詞的其他詞語(yǔ)，導(dǎo)致在計(jì)算句子相似度時(shí)區(qū)分度較低.改進(jìn)算法通過(guò)綜合計(jì)算核心詞、關(guān)鍵詞的語(yǔ)義相似度來(lái)確定更為精確的匹配權(quán)重，并且將不直接依存于核心詞的其他詞語(yǔ)對(duì)句子的影響也納入句子相似度計(jì)算，以期達(dá)到全面刻畫(huà)句子語(yǔ)義、提高算法的準(zhǔn)確率和區(qū)分度的目的.實(shí)驗(yàn)結(jié)果表明改進(jìn)算法比原算法具有更高的準(zhǔn)確率以及更好的對(duì)句子的區(qū)分能力.

相似度；語(yǔ)義依存；詞語(yǔ)語(yǔ)義；知網(wǎng)

相似度計(jì)算一直是人工智能領(lǐng)域的研究熱點(diǎn)[1].句子相似度計(jì)算有著非常廣泛的應(yīng)用，例如在基于實(shí)例的機(jī)器翻譯系統(tǒng)中，通過(guò)相似度計(jì)算匹配需要的譯文；在自動(dòng)問(wèn)答系統(tǒng)[2]中，通過(guò)相似度計(jì)算進(jìn)行問(wèn)句檢索；在信息檢索系統(tǒng)中，通過(guò)相似度計(jì)算匹配用戶所查找的內(nèi)容.一般將句子相似度計(jì)算分為3個(gè)等級(jí)[3]：語(yǔ)法相似度、語(yǔ)義相似度和語(yǔ)用相似度，不過(guò)現(xiàn)階段還難以有效地計(jì)算句子的語(yǔ)用相似度，通常只需要計(jì)算句子的語(yǔ)義相似度就能夠滿足現(xiàn)有大多數(shù)應(yīng)用的實(shí)際需求.根據(jù)對(duì)句子的分析層次，句子相似度算法分為基于詞語(yǔ)的方法和基于句法語(yǔ)義分析的方法.基于詞語(yǔ)的方法簡(jiǎn)單易行，但是沒(méi)有對(duì)句子進(jìn)行句法結(jié)構(gòu)分析，只利用句子的表層信息如句中詞語(yǔ)的詞頻、詞性等，而未考慮句子結(jié)構(gòu)因素，主要有基于相同詞的方法[4]、基于向量空間的方法[5]、基于語(yǔ)義詞典的方法[6]、基于編輯距離的方法[7]等.基于句法語(yǔ)義分析的方法對(duì)句子進(jìn)行全面的句法語(yǔ)義分析，找出句中詞語(yǔ)的依存關(guān)系，并以此為基礎(chǔ)計(jì)算相似度，主要有基于語(yǔ)義依存的方法[8].

李彬等[8]對(duì)句子進(jìn)行句法分析，通過(guò)構(gòu)建依存樹(shù)，比較有效搭配對(duì)來(lái)計(jì)算相似度.該方法在比較兩個(gè)句子的搭配對(duì)時(shí)只是簡(jiǎn)單地判斷兩個(gè)詞語(yǔ)是否相同，或者是否是同義詞，而且未考慮不直接依存于核心詞的其他詞語(yǔ).針對(duì)這些問(wèn)題提出一種改進(jìn)算法，通過(guò)計(jì)算詞語(yǔ)相似度來(lái)匹配不同詞語(yǔ)，使其更好地體現(xiàn)句子的語(yǔ)義信息，并將不直接依存于核心詞的詞語(yǔ)納入相似度計(jì)算中，從而更加全面地比較兩個(gè)句子.

1 句子相似度計(jì)算

1.1 基于語(yǔ)義依存的句子相似度計(jì)算

基于語(yǔ)義依存的相似度算法首先要對(duì)句子進(jìn)行全面的句法語(yǔ)義分析，選用哈工大社會(huì)計(jì)算與信息檢索研究中心研制的語(yǔ)言技術(shù)平臺(tái)(LTP)[9]對(duì)句子進(jìn)行依存句法分析，該平臺(tái)可以同時(shí)對(duì)一個(gè)句子進(jìn)行分詞、詞性標(biāo)注、依存句法分析等操作，將其轉(zhuǎn)化為一棵結(jié)構(gòu)化的依存句法分析樹(shù).例如“請(qǐng)大家再檢查一遍是否已經(jīng)填上自己的名字.”，經(jīng)過(guò)依存句法分析后，句中各成分之間的關(guān)系如圖1所示.

圖1 依存句法分析Fig.1 The dependency parsing

李彬等[8]在基于語(yǔ)義依存進(jìn)行句子相似度計(jì)算時(shí)，只考慮句子的有效搭配對(duì)，其中有效搭配對(duì)是由句子的核心詞以及直接依存于核心詞的名詞、動(dòng)詞或形容詞組成的詞語(yǔ)對(duì).以圖1為例，該句的核心詞是“請(qǐng)”，而直接依存于核心詞的詞語(yǔ)是“大家”和“檢查”，其中“大家”是代詞，“檢查”是動(dòng)詞，所以該句的有效搭配對(duì)是“請(qǐng)_檢查”.相似度計(jì)算公式為

(1)

目前，一些學(xué)者提出了基于語(yǔ)義依存的相似度算法的改進(jìn)算法，如劉寶艷等[10]提出了基于改進(jìn)編輯距離和依存文法的相似度算法，先進(jìn)行句法依存分析，再利用編輯距離計(jì)算相似度.王品等[11]在詞形相似度的基礎(chǔ)上融入語(yǔ)義依存相似度，分別用這兩種方法計(jì)算相似度，再進(jìn)行加權(quán)求和.王宏生等[12]把語(yǔ)義網(wǎng)和詞形、語(yǔ)義依存相似度算法相結(jié)合，在語(yǔ)義網(wǎng)的基礎(chǔ)上進(jìn)行相似度計(jì)算.侯麗敏等[13]提出了融合語(yǔ)義詞典和句法依存關(guān)系的相似度算法，也采用加權(quán)求和的方式計(jì)算相似度.考慮到劉寶艷、侯麗敏的算法沒(méi)有明確給出權(quán)重的取值，王宏生的算法需要人工構(gòu)建語(yǔ)義網(wǎng)，實(shí)用性較差，實(shí)驗(yàn)選用王品的算法作為對(duì)比.

1.2 基于知網(wǎng)的詞語(yǔ)相似度計(jì)算

詞語(yǔ)相似度[14]指出現(xiàn)在文章不同位置的兩個(gè)詞語(yǔ)可以互相替換而不改變文章句法語(yǔ)義結(jié)構(gòu)的程度，詞語(yǔ)相似度計(jì)算通常需要使用諸如知網(wǎng)等特定的語(yǔ)義資源.知網(wǎng)是一個(gè)描述概念與概念之間以及概念所具有的屬性之間的關(guān)系的知識(shí)系統(tǒng).知網(wǎng)使用概念來(lái)描述詞語(yǔ)，一個(gè)詞語(yǔ)可以描述為多個(gè)概念，每個(gè)概念都用義原來(lái)描述，義原是知網(wǎng)中最小的意義單位.

義原之間一共有8種關(guān)系：上下位關(guān)系、同義關(guān)系、對(duì)義關(guān)系、反義關(guān)系、部件整體關(guān)系、材料成品關(guān)系、屬性宿主關(guān)系以及事件角色關(guān)系.其中上下位關(guān)系最為重要，義原按照上下位關(guān)系組成一個(gè)樹(shù)狀的層次體系，也是目前大多數(shù)基于知網(wǎng)的詞語(yǔ)相似度計(jì)算方法[15-17]的基礎(chǔ).實(shí)驗(yàn)選用劉群的方法進(jìn)行詞語(yǔ)相似度計(jì)算，公式為

(2)

其中：W1和W2分別為兩個(gè)詞語(yǔ)；C1i和C2j分別為W1和W2中的概念，兩個(gè)詞語(yǔ)的相似度是各個(gè)概念的相似度的最大值.

1.3 對(duì)基于語(yǔ)義依存的相似度算法的改進(jìn)

基于語(yǔ)義依存的相似度算法[8]體現(xiàn)了句中詞語(yǔ)之間的相互關(guān)系，但在匹配有效搭配對(duì)時(shí)只是簡(jiǎn)單地判斷兩個(gè)詞語(yǔ)是否相同，或者是否是同義詞，然后取0，0.5或1的匹配權(quán)重，對(duì)不同搭配對(duì)的區(qū)分程度較低.當(dāng)句子比較短的時(shí)候，搭配對(duì)的數(shù)量也相應(yīng)較少，由于匹配權(quán)重只有3個(gè)可能取值，根據(jù)式(1)可以看出句子相似度的可能取值也比較少，即該方法對(duì)不同短句子的區(qū)分能力較差.另外，只是區(qū)分相同詞、同義詞和不同詞也丟掉了詞語(yǔ)的語(yǔ)義信息，從而影響計(jì)算結(jié)果的準(zhǔn)確率.在匹配不同詞語(yǔ)或搭配對(duì)時(shí)，可以深入挖掘詞語(yǔ)的語(yǔ)義信息，即通過(guò)計(jì)算兩個(gè)詞語(yǔ)的相似度并將其作為它們的匹配權(quán)重.當(dāng)兩個(gè)詞語(yǔ)的相似度越大，它們的匹配權(quán)重也就越大，基于此得到的句子相似度也相應(yīng)越大，即兩個(gè)句子所含詞語(yǔ)的相似度越大，它們之間的相似度也就越大.考慮到詞語(yǔ)相似度可以取0～1之間的任何值，這樣既能加大不同詞語(yǔ)或搭配對(duì)的區(qū)分度，又能充分利用詞語(yǔ)的語(yǔ)義信息以提高句子相似度計(jì)算的準(zhǔn)確性.

此外，基于語(yǔ)義依存的相似度算法未考慮不直接依存于核心詞的詞語(yǔ)的相似度，丟失了一部分句子信息，實(shí)際上這些詞語(yǔ)對(duì)句子也有一定的影響，如果忽略它們，將無(wú)法區(qū)分那些搭配對(duì)相同但其他詞語(yǔ)不同的句子.例如句子“他常常懷念從前在家鄉(xiāng)的日子.”和“我很懷念大家一起奮斗的日子.”，它們的有效搭配對(duì)均為“懷念_日子”，如果不考慮其他詞語(yǔ)，它們的相似度就是1，明顯與實(shí)際情況不符.改進(jìn)算法將會(huì)把這些詞語(yǔ)也納入句子相似度計(jì)算中，使得句子的信息更加完整.

將經(jīng)過(guò)依存句法分析后的句中詞語(yǔ)分為3類：核心詞、關(guān)鍵詞和其他詞，其中核心詞定義為依存句法分析后句子的核心詞，關(guān)鍵詞定義為直接依存于核心詞的名詞、動(dòng)詞和形容詞，余下的其他詞語(yǔ)定義為其他詞.繼續(xù)以圖1為例，該句的核心詞是“請(qǐng)”，關(guān)鍵詞是“檢查”，其他詞是“大家”“再”“一”“遍”“是否”“已經(jīng)”“填”“上”“自己”“的”“名字”.計(jì)算句子相似度時(shí)分為兩部分：核心詞和關(guān)鍵詞的相似度、其他詞的相似度，然后再對(duì)兩部分進(jìn)行加權(quán)求和.

假設(shè)句子S1，S2經(jīng)過(guò)依存句法分析后得到句中詞語(yǔ)集合{Wcore1,Wkey11,Wkey12,…,Wkey1m,Wother11,Wother12,…,Wother1p}，{Wcore2,Wkey21,Wkey22,…,Wkey2n,Wother21,Wother22,…,Wother2q}，核心詞和關(guān)鍵詞的相似度Spart1的計(jì)算公式為

Spart1=Sword(Wcore1,Wcore2)·Skeyword

(3)

其中Skeyword為兩個(gè)句子關(guān)鍵詞的相似度，計(jì)算公式為

(4)

其中ki為第i次計(jì)算時(shí)關(guān)鍵詞相似矩陣的最大值.關(guān)鍵詞相似矩陣分別以兩個(gè)句子的關(guān)鍵詞為行和列，矩陣元素為該行和該列對(duì)應(yīng)的兩個(gè)詞語(yǔ)的相似度值，每次計(jì)算遍歷整個(gè)矩陣，取出相似度最大值，再將其所在的行和列刪除，繼續(xù)下一次計(jì)算直到矩陣為空.類似的，其他詞的相似度Spart2的計(jì)算公式為

(5)

其中oi為第i次計(jì)算時(shí)其他詞相似矩陣的最大值.綜上，整個(gè)句子的相似度計(jì)算公式為

Ssen(S1,S2)=αSpart1+βSpart2

α+β=1，0<β<α<1

(6)

改進(jìn)算法在依存句法分析的基礎(chǔ)上融入了詞語(yǔ)語(yǔ)義相似度計(jì)算，能夠從語(yǔ)義層面更加深入地比較兩個(gè)句子，而且還考慮到了不直接依存于核心詞的詞語(yǔ)的相似度，對(duì)句子的理解更加充分.但是在時(shí)間復(fù)雜度方面，因?yàn)楦倪M(jìn)算法考慮了句子中的所有詞語(yǔ)，所以它的時(shí)間復(fù)雜度O(mn+pq)要高于原算法的時(shí)間復(fù)雜度O(mn).

2 實(shí) 驗(yàn)

2.1 確定權(quán)重

改進(jìn)算法的句子相似度由兩部分組成，為了確定每部分的權(quán)重，針對(duì)性地構(gòu)建了40對(duì)句子進(jìn)行測(cè)試.這些句子分為4種類型：A類中每對(duì)句子的核心詞和關(guān)鍵詞基本相同，而且其他詞也基本相同；B類中每對(duì)句子的核心詞和關(guān)鍵詞基本相同，但是其他詞基本不同；C類中每對(duì)句子的核心詞和關(guān)鍵詞基本不同，但是其他詞基本相同；D類中每對(duì)句子的核心詞和關(guān)鍵詞基本不同，而且其他詞也基本不同.

由式(6)中的條件α+β=1，0<β<α<1可得α=1-β，0<β<0.5，然后聯(lián)合式(3)和式(5)，得出的結(jié)果代入式(6)中，就可以得到Ssen關(guān)于β的形如Ssen=aβ+b的一元二次方程.因?yàn)槊恳活惥渥佣及?0對(duì)測(cè)試句，所以利用它們的平均值求解β，測(cè)試結(jié)果如圖2所示.

圖2 β取值對(duì)句子相似度的影響Fig.2 The influence of β values on sentence similarity

根據(jù)測(cè)試句的構(gòu)建規(guī)則，4類句子的相似度應(yīng)滿足SA>SB>SC>SD.假設(shè)直線A和直線B的交點(diǎn)為O，O點(diǎn)對(duì)應(yīng)的β=0.12，那么β應(yīng)滿足0.12<β<0.5.再在該區(qū)間內(nèi)以0.05為步長(zhǎng)取值，并使用下一節(jié)的方法依次進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，β=0.5時(shí)，準(zhǔn)確率達(dá)到最高，所以最終的權(quán)重取值為α=0.5，β=0.5.

2.2 實(shí)驗(yàn)方法

現(xiàn)階段漢語(yǔ)句子相似度計(jì)算還沒(méi)有可用的公共測(cè)試集，一般需要人工構(gòu)建測(cè)試語(yǔ)料.實(shí)驗(yàn)所用語(yǔ)料主要來(lái)自《漢語(yǔ)動(dòng)詞用法詞典》和互聯(lián)網(wǎng)，經(jīng)過(guò)人工篩選后獲得.最終構(gòu)建的實(shí)驗(yàn)語(yǔ)料包含330條句子，這些句子分為標(biāo)準(zhǔn)集和測(cè)試集[18]：標(biāo)準(zhǔn)集含33條句子，測(cè)試集包括含99條句子的匹配集和含198條句子的噪聲集.其中，匹配集含33×3條與標(biāo)準(zhǔn)集中對(duì)應(yīng)句子相似的句子，噪聲集中的所有句子均包含標(biāo)準(zhǔn)集中句子的關(guān)鍵詞語(yǔ)，以起到噪聲作用.

具體實(shí)驗(yàn)方法為：從標(biāo)準(zhǔn)集中依次抽取第i(1≤i≤33)條句子，與測(cè)試集中的所有句子計(jì)算相似度，選取相似度最大的3條句子，記這3條句子和匹配集中對(duì)應(yīng)的3條句子相同的句子數(shù)量為ri，即找到的正確句子數(shù)量.因此，準(zhǔn)確率P的計(jì)算公式為

(7)

2.3 實(shí)驗(yàn)結(jié)果

分別用3種不同的句子相似度算法對(duì)實(shí)驗(yàn)語(yǔ)料進(jìn)行了5次實(shí)驗(yàn)，每次實(shí)驗(yàn)都將匹配句和噪聲句隨機(jī)打亂以測(cè)試算法對(duì)不同句子的區(qū)分能力，其他設(shè)置保持不變.實(shí)驗(yàn)結(jié)果如表1所示，其中方法1是李彬等的算法[8]，方法2是王品等的算法[11]，方法3是筆者的算法.從表1中可以看出：方法2和方法3都優(yōu)于方法1，主要是因?yàn)樗鼈冊(cè)谡Z(yǔ)義依存的基礎(chǔ)上考慮了其他因素，而且方法3的準(zhǔn)確率更高，說(shuō)明句中詞語(yǔ)的語(yǔ)義比詞頻(詞形)包含更多的句子信息.

表1 實(shí)驗(yàn)結(jié)果

另外，方法1的實(shí)驗(yàn)結(jié)果略有波動(dòng)，原因是該方法對(duì)不同句子的區(qū)分能力較差，可能會(huì)出現(xiàn)標(biāo)準(zhǔn)句、匹配句的相似度與標(biāo)準(zhǔn)句、噪聲句的相似度相同的情況，因?yàn)槊看螌?shí)驗(yàn)都將匹配句和噪聲句隨機(jī)打亂，所以在選取相似度最大的3條句子時(shí)(相似度相同時(shí)取靠前的句子)匹配句和噪聲句都有可能被選中.

3 結(jié) 論

對(duì)基于語(yǔ)義依存的句子相似度算法進(jìn)行改進(jìn)，通過(guò)對(duì)兩個(gè)句子的核心詞和關(guān)鍵詞進(jìn)行語(yǔ)義相似度計(jì)算來(lái)確定更加精確的匹配權(quán)重，而不是簡(jiǎn)單地根據(jù)是否是相同詞或同義詞而取0，0.5或1，并將不直接依存于核心詞的其他詞語(yǔ)也納入相似度計(jì)算，從而更加完整地反映句子的含義.實(shí)驗(yàn)結(jié)果表明：改進(jìn)算法在計(jì)算句子相似度時(shí)比原算法具有更高的準(zhǔn)確率，而且正確句子的數(shù)量并未像原算法一樣出現(xiàn)波動(dòng)，即改進(jìn)算法對(duì)不同句子的區(qū)分能力更強(qiáng).

[1] 徐彩虹,劉志,潘翔,等.一種基于實(shí)例學(xué)習(xí)的三維模型檢索匹配方法[J].浙江工業(yè)大學(xué)學(xué)報(bào),2012,40(3):326-330.

[2] 周永梅,陶紅,陳姣姣,等.自動(dòng)問(wèn)答系統(tǒng)中的句子相似度算法的研究[J].計(jì)算機(jī)技術(shù)與發(fā)展,2012,40(5):75-78.

[3] CHATTERJEE N. A statistical approach for similarity measurement between sentences for EBMT[C]//Proceedings of Symposium on Translation Support Systems STRANS. Kanpur: Indian Institute of Technology,2001:122-131.

[4] 秦元巧,孫國(guó)強(qiáng).改進(jìn)的句子相似度計(jì)算在問(wèn)答系統(tǒng)中的應(yīng)用[J].微計(jì)算機(jī)信息,2011,27(8):206-208.

[5] 鄭誠(chéng),李清,劉福君.改進(jìn)的VSM算法及其在FAQ中的應(yīng)用[J].計(jì)算機(jī)工程,2012,38(17):201-204.

[6] 程傳鵬,吳志剛.一種基于知網(wǎng)的句子相似度計(jì)算方法[J].計(jì)算機(jī)工程與科學(xué),2012,34(2):172-175.

[7] 葉煥倬,吳迪.基于改進(jìn)編輯距離的相似重復(fù)記錄清理算法[J].現(xiàn)代圖書(shū)情報(bào)技術(shù),2011,7(8):82-90.

[8] 李彬,劉挺,秦兵,等.基于語(yǔ)義依存的漢語(yǔ)句子相似度計(jì)算[J].計(jì)算機(jī)應(yīng)用研究,2003,20(12):15-17.

[9] CHE Wanxiang, LI Zhenghua, LIU Ting. LTP: a Chinese language technology platform[C]//23rd International Conference on Computational Linguistics. Beijing: Tsinghua University Press,2010:13-16.

[10] 劉寶艷,林鴻飛,趙晶.基于改進(jìn)編輯距離和依存文法的漢語(yǔ)句子相似度計(jì)算[J].計(jì)算機(jī)應(yīng)用與軟件,2008,25(7):33-34.

[11] 王品,黃廣君.信息檢索中的句子相似度計(jì)算[J].計(jì)算機(jī)工程,2011,37(12):38-40.

[12] 王宏生,張敏.一種基于語(yǔ)義網(wǎng)的相似度計(jì)算模型[J].微計(jì)算機(jī)信息,2011,27(7):227-228.

[13] 侯麗敏,張永強(qiáng).面向課程的中文FAQ自動(dòng)問(wèn)答系統(tǒng)模型[J].計(jì)算機(jī)與現(xiàn)代化,2014(10):20-24.

[14] 劉端陽(yáng),王良芳.基于語(yǔ)義詞典和詞匯鏈的關(guān)鍵詞提取算法[J].浙江工業(yè)大學(xué)學(xué)報(bào),2013,41(5):545-551.

[15] 劉群,李素建.基于《知網(wǎng)》的詞匯語(yǔ)義相似度計(jì)算[J].中文計(jì)算語(yǔ)言學(xué),2002,7(2):59-76.

[16] 黃洪,豐旭.涉及地名的句子相似度計(jì)算方法的改進(jìn)[J].浙江工業(yè)大學(xué)學(xué)報(bào),2015,43(6):624-629.

[17] 劉杰,郭宇,湯世平,等.基于《知網(wǎng)》2008的詞語(yǔ)相似度計(jì)算[J].小型微型計(jì)算機(jī)系統(tǒng),2015,36(8):1728-1733.

[18] 李茹,王智強(qiáng),李雙紅,等.基于框架語(yǔ)義分析的漢語(yǔ)句子相似度計(jì)算[J].計(jì)算機(jī)研究與發(fā)展,2013,50(8):1728-1736.

An improved Chinese sentence similarity algorithm based on semantic dependency

HUANG Hong, CHEN Derui

(College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310023, China)

The existing Chinese sentence similarity algorithms based on semantic dependency only consider the effective word pairs based on the core word. Depending on whether or not the words in the effective word pairs of two sentences are same words or synonyms, it simply sets the matching weight to 0, 0.5 or 1. Those words which are not depended on the core word directly are not considered. This results in a bad discrimination in sentence similarity computing. In order to get a comprehensive characterization of sentence semantics and improve the accuracy and discrimination of the algorithm, the improved algorithm sets a more precise matching weight by computing the similarity of the core words and the key words, those words which are not depended on the core word directly are taken into the sentence similarity computation as well. The experimental results show that the improved algorithm has better accuracy and better discrimination than the original algorithms.

similarity; semantic dependency; word semantics; HowNet

(責(zé)任編輯：劉 巖)

2016-03-23

國(guó)家自然科學(xué)基金資助項(xiàng)目(61202202)；浙江省人社廳錢(qián)江人才項(xiàng)目(QJ01302010)

黃 洪(1964—)，男，江西豐城人，教授，研究方向?yàn)檐浖_(kāi)發(fā)方法、智能電子商務(wù)和自然語(yǔ)言處理，E-mail：huanghong@zjut.edu.cn.

TP391

A

1006-4303(2017)01-0006-04