陳志云　商　月　錢冬明

(華東師范大學(xué)　上海 200062)

0　引　言

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，自然語言處理領(lǐng)域的深入，語義Web技術(shù)的不斷完善，答疑系統(tǒng)已經(jīng)成為MOOC系統(tǒng)的研究熱點(diǎn)。目前廣泛應(yīng)用的答疑系統(tǒng)一般通過Email、BBS或借助聊天工具等方式在線答疑，促進(jìn)了師生之間的互動，學(xué)生的疑問得到反饋，教師的工作壓力得以減輕。但缺乏對以往問題答案的自動歸納總結(jié)和課程知識的智能表示，在自動答疑等智能化方面還有所欠缺。

智能答疑系統(tǒng)支持用戶以自然語言進(jìn)行提問，語義分析后在知識數(shù)據(jù)庫中檢索出相關(guān)準(zhǔn)確答案，因此，智能答疑系統(tǒng)可以不受時間、空間限制，直接為學(xué)生服務(wù)。

(1) 智能答疑系統(tǒng)研究發(fā)展現(xiàn)狀目前國際上研究比較成熟的答疑系統(tǒng)有美國著名搜索引擎AskJeeves，智能答疑系統(tǒng)AnswerBus，麻省理工學(xué)院開發(fā)的Start問答系統(tǒng)，美國芝加哥大學(xué)AI實(shí)驗(yàn)室開發(fā)的FAQFinder系統(tǒng)[1]，Google開發(fā)的智能語音助手服務(wù)Google Now等[2]。這些系統(tǒng)有強(qiáng)大的搜索引擎技術(shù)支持，資源檢索庫豐富，智能化程度較高。但是由于中文的語法語義、句子結(jié)構(gòu)等語言特點(diǎn)和英文大不相同，因此國外的研究成果往往難以運(yùn)用到中文的答疑系統(tǒng)中。

近年來，國內(nèi)也陸續(xù)出現(xiàn)一些中文智能答疑系統(tǒng)，它們結(jié)合了數(shù)據(jù)挖掘技術(shù)、卷積神經(jīng)網(wǎng)絡(luò)、詞向量技術(shù)[3]、文本分類算法[4]等，利用Flex[5]、Lucene[3]等開源工具，使得知識庫中的知識量不斷擴(kuò)大，答疑效率和準(zhǔn)確度得到提高。比如哈爾濱工業(yè)大學(xué)開發(fā)的HIT相關(guān)自然語言處理工具[6]實(shí)現(xiàn)了分詞、語義標(biāo)注、句法依賴、實(shí)體識別等功能。臺灣“國防大學(xué)”研發(fā)的中文問答系統(tǒng)CQAS從命名實(shí)體及其關(guān)系的處理入手，來搜尋和返回答案[2]。這些相對成熟的技術(shù)為中文問答系統(tǒng)的研發(fā)奠定了基礎(chǔ)。另外比較熱門的聊天機(jī)器人，如百度研發(fā)的小度機(jī)器人，實(shí)際上也是一個“Q&A”數(shù)據(jù)庫，其作用相當(dāng)于答疑檢索，基于定義好的規(guī)則庫和知識庫針對輸入搜索回答，或者加上學(xué)習(xí)功能，在個人生活、公司客服、政府服務(wù)方面都有很好的應(yīng)用。但是與國外的答疑系統(tǒng)相比，國內(nèi)答疑系統(tǒng)的答疑呈現(xiàn)方式單一，智能性依然不夠。

(2) 智能答疑系統(tǒng)目前存在的問題一些在線答疑系統(tǒng)，如愛課程網(wǎng)的“中國大學(xué)MOOC”“學(xué)堂在線”、軍隊的“夢課平臺”等，這些平臺對于學(xué)生提出的問題，多采用BBS或者Email的答疑方式；另外如香港中文大學(xué)參考AskJeeves開發(fā)的中文提問式搜索引擎Weniwen、上海理工大學(xué)的遠(yuǎn)程智能答疑系統(tǒng)、華南理工大學(xué)開發(fā)的智能答疑系統(tǒng)則采用關(guān)鍵字匹配技術(shù)，基本實(shí)現(xiàn)了智能答疑[7]。一般的智能答疑系統(tǒng)首先應(yīng)該具備對用戶提問的語義理解能力，其次需要智能表示課程知識，在答疑方式上實(shí)現(xiàn)多樣化[8]。這些答疑系統(tǒng)具備高校師生問題交流的語義理解能力，但依然缺乏對以往問題答案的自動歸納總結(jié)和課程知識的智能表示。本文以華東師范大學(xué)的公共計算機(jī)課教學(xué)答疑系統(tǒng)作為研究實(shí)例，進(jìn)行智能答疑系統(tǒng)的探索。

1　智能答疑系統(tǒng)的研究目的

華東師范大學(xué)公共計算機(jī)課的教學(xué)答疑系統(tǒng)已經(jīng)運(yùn)行有幾年了，每年都有幾千學(xué)生在使用，是集成了學(xué)校每學(xué)期課程答疑工作的網(wǎng)絡(luò)系統(tǒng)。系統(tǒng)要求實(shí)現(xiàn)的基本功能如下：學(xué)生對已有問題進(jìn)行更新或提出新問題，教師和其他學(xué)生均可以選擇某課程查看所有問題，也可以根據(jù)關(guān)鍵字檢索某個問題，并進(jìn)行回答討論，討論后根據(jù)回答情況，教師進(jìn)行結(jié)題。同時系統(tǒng)為促使學(xué)生互動以及學(xué)生解答的積極性，還設(shè)置有提問扣除積分，解答賺取積分的任務(wù)制，積分由提問人自主設(shè)置，教師可根據(jù)積分考量學(xué)生的平時成績。

通過分析，可以發(fā)現(xiàn)現(xiàn)有的答疑系統(tǒng)在智能化實(shí)現(xiàn)上存在兩個主要方面的問題：

智能答疑方面：目前師生一般檢索課程后，只能根據(jù)問題時間或檢索關(guān)鍵字查看問題。按時間順序?yàn)g覽問題會出現(xiàn)雜亂或者冗余的信息，檢索問題關(guān)鍵字容易出現(xiàn)描述不準(zhǔn)確而檢索不到的情況，不能系統(tǒng)查看某課程某個知識點(diǎn)的所有相關(guān)問題。

知識點(diǎn)抓取方面：當(dāng)學(xué)生查看某個問題的詳細(xì)解答時，需要翻看查找書本資料、隨堂筆記或相關(guān)教學(xué)課件，耗費(fèi)時間和精力。學(xué)生在提問問題時，對問題關(guān)鍵字描述不準(zhǔn)確容易導(dǎo)致無法檢索相關(guān)問題。同時，教師也無法通過學(xué)生的提問了解學(xué)生學(xué)習(xí)的情況。

針對以上教學(xué)答疑系統(tǒng)存在的問題，本文設(shè)計了以下解決方法：

(1) 針對智能答疑方面，運(yùn)用知識圖譜顯示知識點(diǎn)樹，將問題關(guān)鍵字按照知識點(diǎn)樹中的知識點(diǎn)進(jìn)行歸類，一層層展現(xiàn)與該課程某個知識點(diǎn)相匹配的全部提問。

(2) 針對知識抓取方面，本文將問題關(guān)鍵字與智能教學(xué)案例課件系統(tǒng)的課件進(jìn)行分類匹配，在問題頁面添加指向相關(guān)課件的超鏈接，學(xué)生通過點(diǎn)擊超鏈接進(jìn)入該問題相關(guān)知識點(diǎn)的演示課件頁面，便于對知識的查漏補(bǔ)缺，消化吸收。

2　智能答疑系統(tǒng)主要要素分析

2.1　知識圖譜

針對智能答疑方面的問題，借助知識圖譜可以實(shí)現(xiàn)Web從網(wǎng)頁鏈接向概念鏈接轉(zhuǎn)變[9]，以知識點(diǎn)樹的形式向用戶反饋結(jié)構(gòu)化的知識點(diǎn)及相關(guān)問題，方便用戶準(zhǔn)確定位和深度獲取答疑知識。

2.1.1知識圖譜的概念

知識圖譜本質(zhì)上是語義網(wǎng)絡(luò)，即一種基于圖的數(shù)據(jù)結(jié)構(gòu)。最早谷歌用于增強(qiáng)其搜索引擎功能，隨業(yè)界發(fā)展，目前可以將其理解為顯示知識結(jié)構(gòu)關(guān)系的可視化技術(shù)。

2.1.2知識圖譜的研究現(xiàn)狀

知識圖譜對語義識別技術(shù)要求較高，需要依賴大量用戶的行為數(shù)據(jù)庫，對社會化開源內(nèi)容有很強(qiáng)的支撐需求，因此目前知識圖譜在搜索引擎中的應(yīng)用更為普遍，像谷歌的Knowledge Graph、百度知心和搜狗知立方等。

現(xiàn)階段國外構(gòu)建知識圖譜的方法較為成熟，國內(nèi)對知識圖譜的研究手段和方法相對滯后。如尋徑網(wǎng)絡(luò)、自組織特征映射、力矢量布局算法、潛在語義算法、最小生成樹算法、三角測量等較為先進(jìn)的映射技術(shù)在國外已有實(shí)驗(yàn)報道，但在國內(nèi)除尋徑網(wǎng)絡(luò)的方法外僅有簡單評介[10]。知識圖譜的應(yīng)用工具也多為國外開發(fā)，數(shù)據(jù)格式與國內(nèi)主要數(shù)據(jù)庫有所差別，因此很難應(yīng)用在國內(nèi)的中文知識圖譜研究上。目前國內(nèi)的代表性研究成果主要有：清華大學(xué)的跨語言知識圖譜Xlore是國內(nèi)第一個大規(guī)模雙語知識圖譜，上海交通大學(xué)構(gòu)建了中文知識圖譜研究平臺zhishi.me[9]，復(fù)旦大學(xué)GDM實(shí)驗(yàn)室推出的中文知識圖譜展示平臺項(xiàng)目[11]，中國科學(xué)院計算技術(shù)研究所基于OpenKN(開放知識網(wǎng)絡(luò))建立了“人立方、事立方、知立方系統(tǒng)”，中國科學(xué)院數(shù)學(xué)與系統(tǒng)科學(xué)研究院陸汝鈐院士提出知件(Knowware)的概念[12]等。

2.2　文本分類算法

文本分類算法主要用來進(jìn)行知識點(diǎn)與學(xué)生提問問題關(guān)鍵字的匹配，以及課件案例中抓取的關(guān)鍵字與問題關(guān)鍵字之間的匹配。

文本分類可以被稱之為機(jī)器學(xué)習(xí)領(lǐng)域的一種學(xué)習(xí)方法，也可以被稱之為數(shù)據(jù)挖掘領(lǐng)域的一種算法。目前常用的文本分類算法有樸素貝葉斯算法、支持向量機(jī)(SVM)、K最鄰近分類算法、決策樹算法等。其中支持向量機(jī)是建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上的一種小樣本機(jī)器學(xué)習(xí)方法，用于解決二分類問題[13]，但在解決實(shí)際問題中遇到的多分類問題時并不適用。K最鄰近分類算法K值的確定目前沒有很好的方法，決策樹算法處理缺失數(shù)據(jù)比較困難[14]，而樸素貝葉斯算法對缺失數(shù)據(jù)不太敏感，更適用于智能教學(xué)答疑系統(tǒng)學(xué)生漏填問題知識點(diǎn)導(dǎo)致的數(shù)據(jù)缺失情況，同時方法簡單、準(zhǔn)確率高[15-16]，在處理不確定性信息的智能化系統(tǒng)中被廣泛使用，本文選用樸素貝葉斯算法。

3　智能答疑系統(tǒng)的關(guān)鍵實(shí)現(xiàn)

3.1　知識圖譜在智能教學(xué)答疑系統(tǒng)的應(yīng)用

在瀏覽學(xué)生問題時使用知識圖譜，可以從語義層面理解學(xué)生或教師的查找意圖，改進(jìn)瀏覽問題質(zhì)量，從而真正實(shí)現(xiàn)語義檢索。目前知識圖譜作為知識表示的最新方法，在智能答疑中的開發(fā)和應(yīng)用還處在前沿發(fā)展階段。本文將知識圖譜技術(shù)應(yīng)用到智能教學(xué)答疑平臺中，對知識點(diǎn)數(shù)據(jù)構(gòu)建本體和推理，將其整合為計算機(jī)可以處理的結(jié)構(gòu)化數(shù)據(jù)。知識圖譜知識點(diǎn)的可視化呈現(xiàn)，能夠清晰地展示知識點(diǎn)的覆蓋廣度和知識點(diǎn)相關(guān)問題之間的關(guān)系[17]。

智能教學(xué)答疑系統(tǒng)中知識圖譜構(gòu)建過程如下：

(1) 知識圖譜的數(shù)據(jù)來源：一般數(shù)據(jù)來源于合作網(wǎng)站API和網(wǎng)站抓取，包括百科知識站點(diǎn)和垂直站點(diǎn)的結(jié)構(gòu)化數(shù)據(jù)，以及半結(jié)構(gòu)化數(shù)據(jù)和搜索日志挖掘[18]。本系統(tǒng)的知識圖譜目前針對教學(xué)課程，因此選用教學(xué)平臺中知識點(diǎn)庫的知識點(diǎn)數(shù)據(jù)。圖1為數(shù)據(jù)處理與管理學(xué)科知識圖譜。

圖1　數(shù)據(jù)處理與管理學(xué)科知識圖譜

(2) 知識圖譜的數(shù)據(jù)整合：即數(shù)據(jù)規(guī)范化的過程，主要指實(shí)體對齊和知識圖譜Schema的構(gòu)建。實(shí)體對齊是指對于異構(gòu)數(shù)據(jù)源知識庫中的各個實(shí)體，找出屬于現(xiàn)實(shí)世界中的同一實(shí)體。不同知識源的描述不同，一個統(tǒng)一的Schema也不容易得出[19]。由于本系統(tǒng)的知識庫相對單一，所以只需要構(gòu)建本體即可。本體的形式化表示為：本體：{抽象概念(以及對應(yīng)的實(shí)例)、關(guān)系和屬性}。三元組是比較常見的做法。對于“字處理軟件的子知識點(diǎn)是基本操作”，就可以轉(zhuǎn)化成為{字處理軟件, 子知識點(diǎn), 基本操作}這樣一個結(jié)構(gòu)，其中第一項(xiàng)和第三項(xiàng)是抽象概念的實(shí)例，第二項(xiàng)是兩者之間的關(guān)系[20]。

(3) 知識圖譜的挖掘：包括推理，實(shí)體重要性排序和相關(guān)實(shí)體挖掘。本文主要進(jìn)行推理工作，即把知識點(diǎn)的字符串描述轉(zhuǎn)化成結(jié)構(gòu)化的語義描述之后，進(jìn)行低階推理。比如A是B的父知識點(diǎn)，B是C的父知識點(diǎn)，自動推理出A是C的父知識點(diǎn)。常用的推理算法包括基于邏輯推理和基于分布式表示方法的推理。

(4) 知識圖譜的更新和維護(hù)：目前知識圖譜的更新和維護(hù)一般由專業(yè)團(tuán)隊操作，通過自動化算法在數(shù)據(jù)源中抽取新的類型信息，若能被長期保留則由專業(yè)人員進(jìn)行決策和命名為新的類型，若不能保留則被刪除。還可以依賴用戶反饋來改善圖譜[21]。 在系統(tǒng)實(shí)際應(yīng)用過程中，隨著教學(xué)大綱和課程結(jié)構(gòu)的調(diào)整，知識圖譜的更新和維護(hù)是由教師來操作的。

3.2　樸素貝葉斯在智能教學(xué)答疑系統(tǒng)的應(yīng)用

一般系統(tǒng)采取在頁面搜索框檢索關(guān)鍵字的方式，簡單查找包含指定關(guān)鍵字的問題。本文將樸素貝葉斯算法應(yīng)用于智能教學(xué)答疑系統(tǒng)，進(jìn)行知識點(diǎn)與學(xué)生提問問題關(guān)鍵字的匹配，以及課件案例中抓取的關(guān)鍵字與問題關(guān)鍵字之間的匹配。

樸素貝葉斯算法的基本思路是計算文本屬于類別的概率，對于給出的待分類項(xiàng)，求解在此項(xiàng)出現(xiàn)的條件下各個類別出現(xiàn)的概率，將此待分類項(xiàng)歸類于概率最大者。該算法在智能教學(xué)答疑系統(tǒng)的應(yīng)用分為三個階段：

第一階段為準(zhǔn)備階段。分類器的質(zhì)量主要由特征屬性、特征屬性的劃分以及訓(xùn)練樣本質(zhì)量決定[22]，所以該階段尤為重要。首先根據(jù)一部分待分類的問題關(guān)鍵字確定其特征屬性，對每個特征屬性進(jìn)行人工劃分后，形成訓(xùn)練樣本集合。

第二階段為訓(xùn)練階段，即生成分類器。由經(jīng)過預(yù)處理與特征提取后的特征詞集合計算每個特征詞的先驗(yàn)概率和條件概率，構(gòu)成分類器的參數(shù)。對每個特征詞的每個屬性構(gòu)造頻率表，將頻率表(以天氣對高爾夫運(yùn)動的影響為例，見表1)轉(zhuǎn)換為似然表(以天氣對高爾夫運(yùn)動的影響為例，見表2)，最后用樸素貝葉斯公式計算相應(yīng)文本的后驗(yàn)概率，后驗(yàn)概率最高的類別即為該文本的類別[23]。

表1　不同天氣下高爾夫運(yùn)動頻率表

表2　不同天氣下高爾夫運(yùn)動似然表

這一階段根據(jù)貝葉斯定理公式由程序自動計算完成：

(1)

式(1)中：Xi為待分類文本，p(Cj)為在問題數(shù)據(jù)庫中隨機(jī)抽取一個問題，它的類別是Cj的概率[24]。

第三階段為應(yīng)用階段。使用分類器對待分類項(xiàng)進(jìn)行分類，最后得到待分類項(xiàng)與類別的映射關(guān)系。這一階段也由程序完成。

本文用樸素貝葉斯算法對提取到的問題關(guān)鍵字進(jìn)行分類匹配，匹配到問題相關(guān)知識點(diǎn)或相關(guān)的案例課件，使教學(xué)專有領(lǐng)域的問題解答和問題查看更加清晰明確。

4　智能答疑系統(tǒng)的運(yùn)行測試

智能教學(xué)答疑系統(tǒng)改進(jìn)前學(xué)生問題頁面只可查看問題詳情及回復(fù)，改進(jìn)后可跳轉(zhuǎn)到與該條提問相關(guān)的案例課件頁面，方便學(xué)生及時復(fù)習(xí)，溫故知新；改進(jìn)前查看問題頁面僅按照時間順序顯示問題，查看起來雜亂沒有條理，如圖2所示。改進(jìn)后查看問題頁面為知識點(diǎn)樹，點(diǎn)擊某知識點(diǎn)可查看全部相關(guān)問題，如圖3所示。

圖2　系統(tǒng)改進(jìn)前查看問題頁面局部細(xì)節(jié)

圖3　系統(tǒng)改進(jìn)后查看問題頁面局部細(xì)節(jié)

為了驗(yàn)證系統(tǒng)的問題表示和分類效果，文中測試了智能教學(xué)答疑系統(tǒng)中“數(shù)據(jù)處理與管理”這門學(xué)科全部章節(jié)的問題表示和分類情況，測試期間四個專業(yè)學(xué)生共提出287條有效問題，具體測試結(jié)果如表3所示。

表3　學(xué)生提問問題的分類結(jié)果

5　結(jié)　語

本次研究以知識圖譜的形式將學(xué)生提問問題以課程知識點(diǎn)分類，并與教學(xué)案例課件匹配，方便師生查詢?yōu)g覽問題，使教學(xué)答疑系統(tǒng)初步具備智能性。目前小規(guī)模實(shí)驗(yàn)證明，改進(jìn)后的智能答疑系統(tǒng)，有效提高了答疑的效率。當(dāng)然，由于本系統(tǒng)的知識圖譜數(shù)據(jù)來源還比較單一，采用的樸素貝葉斯算法在語義模糊條件下分類效率也還不是太理想，使用的學(xué)生還不是很多，系統(tǒng)還有待于進(jìn)一步實(shí)踐和完善。但是，上述實(shí)踐，已經(jīng)證明了通過知識圖譜和利用樸素貝葉斯算法來進(jìn)行分類這兩項(xiàng)技術(shù)，可以促使答疑系統(tǒng)實(shí)現(xiàn)智能化。

[1] 郭文儉.基于課程教學(xué)網(wǎng)站的智能答疑系統(tǒng)的設(shè)計與實(shí)現(xiàn)[D].長春:吉林大學(xué),2015.

[2] 馮升.聊天機(jī)器人問答系統(tǒng)現(xiàn)狀與發(fā)展[J].機(jī)器人技術(shù)與應(yīng)用,2016(4):34-36.

[3] 邢超.智能問答系統(tǒng)的設(shè)計與實(shí)現(xiàn)[D].北京:北京交通大學(xué),2015.

[4] 楊敬妹.文本分類算法分析及其在智能答疑系統(tǒng)中的應(yīng)用研究[D].石家莊:石家莊鐵道大學(xué),2014.

[5] 薛凌鴻.基于Flex的多媒體智能答疑系統(tǒng)的設(shè)計與實(shí)現(xiàn)[D].北京:北京郵電大學(xué),2012.

[6] 趙紅艷.基于語義知識的動詞隱喻識別與應(yīng)用[D].南京:南京師范大學(xué),2012.

[7] 李攀飛,敖永紅,葉昭暉,等.基于大規(guī)模在線學(xué)習(xí)平臺的智能答疑系統(tǒng)研究與設(shè)計——以"教育技術(shù)"MOOC為例[J].工業(yè)和信息化教育,2015(11):33-37.

[8] 劉漢興,林旭東,田緒紅.基于本體的自動答疑系統(tǒng)的研究與實(shí)現(xiàn)[J].計算機(jī)應(yīng)用,2010,30(2):415-418.

[9] 劉嶠,李楊,段宏,等.知識圖譜構(gòu)建技術(shù)綜述[J].計算機(jī)研究與發(fā)展,2016,53(3):582-600.

[10] 秦長江,侯漢清.知識圖譜——信息管理與知識管理的新領(lǐng)域[J].大學(xué)圖書館學(xué)報,2009,27(1):30-37.

[11] 程學(xué)旗,靳小龍,王元卓,等.大數(shù)據(jù)系統(tǒng)和分析技術(shù)綜述[J].軟件學(xué)報,2014(9):1889-1908.

[12] 潘明鋼,張楚才,鐘維.知件可插拔機(jī)制的設(shè)計與實(shí)現(xiàn)[J].計算機(jī)技術(shù)與發(fā)展,2015(5):91-94.

[13] 鄭勇濤,劉玉樹.支持向量機(jī)解決多分類問題研究[J].計算機(jī)工程與應(yīng)用,2005,41(23):190-192.

[14] 鞏固,張虹.決策樹算法中屬性缺失值的研究[J].計算機(jī)應(yīng)用與軟件,2008,25(9):242-244.

[15] Jiang L,Li C,Wang S,et al.Deep feature weighting for naive Bayes and its application to text classification[J].Engineering Applications of Artificial Intelligence,2016,52:26-39.

[16] Taheri S,Yearwood J,Mammadov M,et al.Attribute weighted naive Bayes classifier using a local optimization[J].Neural Computing and Applications,2014,24(5):995-1002.

[17] 陸星兒,曾嘉靈,章夢瑤,等.知識圖譜視角下的MOOC教學(xué)優(yōu)化研究[J].中國遠(yuǎn)程教育,2016(7):5-9.

[18] 柏玉.面向網(wǎng)絡(luò)數(shù)據(jù)的信息抽取研究與應(yīng)用[D].成都:西南交通大學(xué),2015.

[19] 胡芳槐.基于多種數(shù)據(jù)源的中文知識圖譜構(gòu)建方法研究[D].上海:華東理工大學(xué),2015.

[20] 王秋月,覃雄派,曹巍,等.擴(kuò)展知識圖譜上的實(shí)體關(guān)系檢索[J].計算機(jī)應(yīng)用,2016,36(4):985-991.

[21] 趙鑫.芻議搜索引擎中知識圖譜技術(shù)[J].遼寧行政學(xué)院學(xué)報,2014,16(10):150-151.

[22] 李湘東,曹環(huán),黃莉.文本分類中訓(xùn)練集相關(guān)數(shù)量指標(biāo)的影響研究[J].計算機(jī)應(yīng)用研究,2014,31(11):3324-3332.

[23] 姜利群.基于樸素貝葉斯分類的Java課程網(wǎng)絡(luò)答疑反饋系統(tǒng)[J].電腦知識與技術(shù),2016,12(23):206-208.

[24] 姚宇,董本志,陳廣勝.一種改進(jìn)的樸素貝葉斯不平衡數(shù)據(jù)集分類算法[J].黑龍江大學(xué)自然科學(xué)學(xué)報,2015,32(5):681-686.