数据挖掘在英语语言学话题跟踪评价体系中的应用王雪

　　针对语言评价资源的特点， 基于启发式约简算法的原理与运算过程， 可以更好的把数据挖掘技术应用于英语语言学话题跟踪评价体系中，从而解决英语语言学中的发掘问题。为了更好的分析以上算法在其中的应用， 我们用一个话题资源表来具体分析。通过分析计算，得出相应的结果，看能否达到语言学话题跟踪评价技术的要求。传统上进行评价时， 话题作者不但要对书中的闪光点进行肯定，同时也会针对书中存在的问题中肯的提出意见和建议，因此，积极的和消极的态度共同作用实现评价功能。总体上看，话题中，英语使用者相对来说更倾向于表现肯定的态度，肯定资源占语篇中评价资源总比例的 69.46%。从语用学角度分析，这是一种礼貌策略，是对话题者积极面子的维护，是积极的。再从情感、判断和鉴赏三个子系统进一步分析，表 1 说明了三者在本文所追踪的语料中的使用频率。

　　为了提高神经网络集成算法的泛化能力，很多研究者在构建神经网络集成模型过程中引入了特征选择技术，并取得了不错的效果。本文基于以前研究者的思想，在神经网络集成的个体网络生成阶段引入了该技术。本文首先简单介绍了特征选择的的定义，并对过滤式特征选择算法 ReliefF 进行简单描述，提出了一种基于交叉验证和 ReliefF 的神经网络集成算法，通过在 UCI 数据集上做仿真实验， 与单个 RBF 神经网络在分类准确率上进行比较分析，证明平均分类正确率比单网络分类器高，从而证明了该算法的有效性。本文无抄袭，作者全权负责版权事宜。参考文献 ［1］Guyon I， Elissee A. An introduction to variable and feature selection. Journal of machine learning research， 2003， 3： 1157 ~ 1182. ［2］Dash M， Liu H. Feature selection for classi？cations. Intelligent Data Analysis： An International Journal， 1997： 131~156. ［3］Koller D， Sahami M. Toward optimal feature selection. In： Proceedings of International Conference on Machine Learning， 1996. 284~292. ［4］Blake C， Keogh E， Merz C J. UCI repository of machine learning databases ［EB/OL］。 Http://www.ics.uci.edu/mlearn/M L Repository. htm， 2003-12-12.