面向学术资源集成的真值发现算法

合集下载

基于集成学习的推荐算法及优化研究

密级 1硕士学位论文（全日制专业学位硕士）题目基于集成学习的推荐算法及优化研究1（英文）Recommendation Algorithm and Optimization 1Based on Ensemble Learning 1研究生学号:1608305023 1研究生姓名:詹乐 1指导教师姓名、职称:杨青副教授1申请学位类别:工程硕士1领域:控制工程1论文答辩日期:2019年6月1摘要面对用户的需求差异，在海量数据中为用户进行精确推荐存在较大困难。

个性化推荐方法是解决上述问题的典型策略，它基于用户的历史行为数据精确地刻画用户画像，分析每个用户的真实偏好与需求，使用推荐机制为用户提供个性化智能服务。

但是，由于个性化信息不易获取，并且存在用户兴趣迁移的情形，个性化推荐依然面临巨大挑战。

本文在对个性化推荐的深入研究中发现，用户的个性化信息对推荐性能有较大的影响，充分使用特征选择的方法能够有效提取个性化信息，并先后提出了基于特征优化的随机森林推荐模型与基于特征枚举的Adaboost推荐模型。

在对用户兴趣迁移的情形中发现，隐式反馈会受到用户潜在兴趣的影响，为此本文提出了融合多角度特征的个性化推荐模型。

该模型充分提取有效特征并挖掘用户的隐式反馈信息，提升了推荐准确度。

主要研究内容与贡献如下：（1）针对用户特征数量较多导致难以提取有效特征的问题，本文提出了一种基于特征优化的随机森林推荐算法，将分类算法融入到推荐过程中。

该模型通过引入Gini指数来优化特征数量，同时结合随机森林分类算法对用户兴趣偏好进行预测，有效地提升了模型的准确度与泛化能力；（2）针对特征组较为单一，无法准确的刻画用户个性化偏好的问题，提出了基于ReliefF特征优化的个性化推荐模型。

该模型充分考虑用户的历史行为与上下文信息，通过使用ReliefF算法提取有效特征，引入特征枚举策略构建多组特征，有效地挖掘用户的个性化偏好，并结合Bayes模型与Adaboost算法来提升推荐性能；（3）针对个性化信息不易获取且存在用户兴趣迁移的问题，提出了融合多角度特征的Xgboost个性化推荐模型。

学术研究中的数据收集与分析方法

学术研究中的数据收集与分析方法在学术研究的广袤领域中，数据收集与分析方法宛如基石和梁柱，支撑着研究的大厦稳固矗立。

它们不仅决定了研究的可信度和有效性，还深刻影响着研究成果的价值和影响力。

接下来，让我们一同深入探索这两个关键环节。

数据收集是学术研究的首要步骤，其质量直接关乎后续研究的成败。

常见的数据收集方法多种多样，各有其适用场景和优缺点。

问卷调查是一种广泛应用的方法。

通过精心设计的问题，能够快速获取大量样本的信息。

但要注意问题的清晰性、合理性和无诱导性，避免模糊不清或带有偏见的表述。

同时，样本的选择要具有代表性，否则可能导致结果偏差。

实验研究则能在严格控制的条件下获取数据，有助于确定因果关系。

然而，实验环境的人为设定可能与现实情况存在差距，从而影响结果的外部有效性。

观察法能直接记录自然状态下的现象和行为，但观察者的存在可能会对被观察者产生影响，导致“观察者效应”。

此外，还有案例研究、访谈、文献综述等方法。

案例研究可以深入剖析个别典型案例，但难以推广到更广泛的群体；访谈能够获取丰富的细节和个人观点，但依赖于被访谈者的记忆和表达能力；文献综述则能整合前人的研究成果，但需要对大量文献进行筛选和评估。

在选择数据收集方法时，研究者需综合考虑研究问题的性质、研究对象的特点、资源和时间的限制等因素。

有时，还会采用多种方法相结合的策略，以相互补充、验证，提高数据的可靠性。

收集到大量数据后，如何进行有效的分析成为摆在研究者面前的又一重要任务。

描述性统计分析是基础，它通过均值、中位数、标准差等指标来概括数据的集中趋势和离散程度，让我们对数据有一个初步的了解。

假设检验则用于验证研究假设，判断样本数据是否支持所提出的观点。

常见的 t 检验、方差分析等方法能帮助我们确定不同组之间是否存在显著差异。

相关性分析用于探究两个或多个变量之间的线性关系，为进一步揭示因果关系提供线索。

回归分析则能建立变量之间的数学模型，预测因变量的变化。

面向学术出版的数据增强解决方案※

面向学术出版的数据增强解决方案※作者：陈铭徐丽芳来源：《出版参考》2021年第11期摘要：在技术和科研用户需求变化的驱动下，软件开发咨询公司67Bricks着眼于海量数据及数据技术给学术出版业带来的巨大变化和机遇，帮助出版商从传统的内容提供商转型为数据驱动的内容服务商。

在技术理念上，以数据技术和人工智能为核心设计模块化平台，使出版商可以更高效、更可靠地创建和管理内容;在业务模式上，通过协作方式，深度参与学术出版商变革的全流程活动;在市场定位上，以与学术出版商建立长期合作伙伴关系为中心，而不是将自身定位为仅提供技术资源的软件供应商。

本文对67Bricks助力学术出版商的相关实践进行总结和评价，以供我国学术出版企业在制定数据驱动发展战略时进行比较和借鉴。

关键词：67Bricks 数据增强人工智能数字出版学术出版在互联网技术的推动下，数据化、算法化、智能化的巨大浪潮席卷着我们迈入一个前所未有的大变革时代。

世界正在迅速发生变化，各行各业面临大规模变革活动。

对学术出版而言，现在正是发展、转型、创新的不确定时期，需要非常认真地审视和思考技术和行业的发展走向及战略部署。

转型、升级已不仅仅是将期刊、书籍放到网络上的简单数字化活动。

而当下的用户，则比以往任何时候都更期待适时或即时的个性化服务。

在技术和用户需求变化的驱动下，学术出版企业应依据对用户根本性需求的洞察，重新确立价值主张，整合内容、渠道和技术等各类资源，并在广泛的竞争与合作中积极酝酿和促成一场结构化转型。

67Bricks是一家位于英国牛津的软件开发咨询公司（公司标志见图1）。

它着眼于海量数据及数据技术，给学术出版业带来的巨大变化和机遇，并利用人工智能等技术帮助出版商从传统内容提供商转型为数据驱动的内容服务商。

[1]其联合创始人山姆·赫伯特（Sam Herbert）认为：“学术出版商并不确知自己的业务在5年及以后会是什么模样，因为数据时代正在改造一切。

研究生如何进行学术资源评估

研究生如何进行学术资源评估学术资源评估是研究生在进行学术研究时至关重要的一项能力。

正确评估学术资源的质量和可信度对于研究生的学术成果和学术声誉意义重大。

本文将介绍一些研究生可以采用的有效方法和准则，以帮助他们进行学术资源的评估。

1.查找专业数据库研究生在进行学术资源评估时，首先应该查找与自身研究领域相关的专业数据库。

专业数据库可以提供研究生所需的高质量学术资源，包括学术期刊、研究报告、学位论文等。

一些知名的学术数据库如Scopus、Web of Science和PubMed等，它们收录了众多国际知名期刊和学术资源，是研究生进行学术资源评估的重要工具。

2.评估学术期刊的声誉和影响力学术期刊是研究生发表学术成果的主要平台，因此评估期刊的声誉和影响力是非常关键的。

研究生可以参考以下几个指标来评估学术期刊的质量：（1）期刊的影响因子：影响因子是评估期刊影响力的重要指标，代表了该期刊论文被引用的次数。

影响因子越高，代表该期刊的学术质量和影响力越大。

（2）期刊的被引频次：被引频次表示该期刊发表的论文被其他学者引用的频率。

被引频次高的期刊通常具有较高的学术影响力。

（3）期刊的审稿流程和标准：了解期刊的审稿流程和标准能够帮助研究生判断该期刊对学术成果的要求和质量控制。

3.检查作者的学术资质评估学术资源的质量除了要考虑期刊的声誉和影响力，还应该关注作者的学术资质。

研究生可以通过以下几个途径来评估作者的学术资质：（1）作者的学术背景和经历：了解作者的学术背景和经历可以帮助研究生判断作者是否具备进行相关研究的专业知识和能力。

（2）作者的其他学术成果：查看作者的其他学术成果，如发表在其他期刊上的论文、获得的科研项目等，可以进一步评估作者的学术贡献和影响力。

4.关注学术资源的可信度在进行学术资源评估时，研究生应该关注学术资源的可信度。

可信度是评估学术资源真实性和可靠性的重要指标。

以下是一些评估学术资源可信度的方法：（1）检查资源的来源：查看学术资源的来源是否可靠，如期刊的官方网站、高校图书馆等。

基于GP算法的知识发现系统

基于GP算法的知识发现系统
李亚非
【期刊名称】《计算机应用》
【年(卷),期】2001(021)002
【摘要】给出一种基于GP（GeneticProgramming，遗传编程）算法的知识发现系统，系统自动根据查询集访问数据库，从而发掘出数据库中隐含的知识。

对知识发掘过程进行详细描述，并提出了一种用遗传编程（GP）来进行数据挖掘的方法，GP个体由数据库查询组成，并给出了一个实验例子。

【总页数】3页(P50-51,53)
【作者】李亚非
【作者单位】南京建筑工程学院计算中心,
【正文语种】中文
【中图分类】TP311.132.4
【相关文献】
1.基于知识发现系统的学科知识图谱可视化实证研究*--以知识产权研究文献为例[J], 王弋;王亚秋;王煦
2.资源发现系统在图书馆知识服务中的应用——基于超星发现系统的思考 [J], 俞力
3.基于GP算法的知识发现系统 [J], 曹晨
4.基于关联数据的新一代机构知识库知识发现系统研究 [J], 王伟
5.基于知识图谱的岩溶知识发现系统建设 [J], 杨辰;毕奔腾;周立新
因版权原因，仅展示原文概要，查看原文内容请购买。

学术资源整合

学术资源整合随着信息时代的不断发展，学术研究领域的知识爆炸式增长已成为不争的事实。

研究人员们面临着海量的学术资源，如论文、期刊、书籍等，如何高效地获取、管理和利用这些资源成为了亟待解决的问题。

学术资源整合应运而生，为研究者提供了便捷的解决方案。

一、学术资源的现状当前，各个领域的学术研究都呈现出蓬勃发展的态势，众多研究成果层出不穷。

然而，学术资源的分散性和碎片化使得研究者们在获取和利用这些资源时面临诸多困难。

例如，不同数据库间信息孤岛的存在，使得研究者们需要在不同平台间反复切换，耗费大量时间和精力。

二、学术资源整合的意义学术资源整合的意义在于将分散的学术资源汇聚于一体，为研究者们提供一个集中获取信息的平台。

通过整合，研究者们可以省去在不同平台间搜索的时间，将更多的精力投入到实际研究工作中。

三、学术资源整合的方式学术资源整合可以通过建立综合性的学术搜索引擎来实现。

该引擎应具备以下特点：1. 多领域涵盖：能够涵盖各个学科领域的研究成果，满足不同研究者的需求。

2. 多数据库整合：将各大学术数据库中的信息整合在一个平台上，实现资源的集中管理。

3. 智能检索与推荐：通过先进的信息检索技术，为研究者提供精准的搜索结果，并根据用户的阅读偏好推荐相关文献。

4. 个性化定制：为每位研究者提供个性化的资源整合方案，根据其研究方向和需求进行定制。

5. 开放共享：支持用户上传和分享自己的研究成果，形成一个学术交流的共同体。

四、学术资源整合的实施难点尽管学术资源整合有着诸多优势，但其实施也面临一些难点：1. 数据安全与隐私保护：在整合过程中，必须严格保护用户的隐私信息，避免数据泄露的风险。

2. 技术难题：建设综合性的学术搜索引擎需要大量的技术支持，包括信息抓取、数据清洗、搜索算法等方面的技术。

3. 数据质量保证：整合的学术资源必须保证信息的准确性和可靠性，避免给用户带来误导。

五、学术资源整合的前景展望随着科技的不断发展，学术资源整合将成为学术研究的重要工具之一。

教育资源智能归类分析系统设计

教育资源智能归类分析系统设计一、教育资源智能归类分析系统的背景与意义（一）教育资源现状随着信息技术的飞速发展，教育资源的数字化程度日益提高，涵盖了各类教学课件、籍、教学视频、学术论文、试题库等多种形式。

然而，当前教育资源呈现出分散、无序、格式不统一等问题。

例如，不同教育机构和教师上传的资源缺乏统一的分类标准，导致用户在海量资源中难以快速准确地找到所需内容。

一些资源可能存在质量参差不齐的情况，缺乏有效的筛选和评估机制。

而且，教育资源的更新速度较快，如何及时整合和管理新资源也是一个挑战。

（二）传统归类分析方法的局限性传统的教育资源归类分析主要依赖人工操作，通过教师或管理员根据资源的主题、学科等属性进行分类。

这种方式效率低下，耗费大量人力和时间。

在面对大规模的教育资源时，人工分类容易出现错误和遗漏，难以保证分类的准确性和一致性。

同时，传统方法难以实现对资源的深度分析，无法充分挖掘资源之间的内在联系和潜在价值，无法根据用户的个性化需求提供精准的资源推荐。

（三）智能归类分析系统的优势教育资源智能归类分析系统利用先进的信息技术，如、大数据分析、机器学习等，能够自动对教育资源进行分类、标注和分析。

其优势显著，首先可以大大提高归类分析的效率，快速处理海量教育资源，实现实时更新和管理。

其次，通过智能算法提高分类的准确性，减少人为错误，确保资源分类的科学性和规范性。

再者，系统能够深入分析资源内容，挖掘资源的特征和关系，为用户提供个性化的学习路径和资源推荐，满足不同用户的多样化需求，提升学习效果和教学质量。

此外，智能系统还可以为教育决策提供数据支持，帮助教育机构优化资源配置，提高教育资源的利用效率。

二、系统设计的关键技术与方法（一）数据采集与预处理1. 采集渠道从多个渠道收集教育资源，包括教育机构的内部资源库、在线教育平台、教师个人分享平台等。

通过网络爬虫技术获取公开的教育资源网站上的相关内容，但要注意遵守网站的使用规则和法律法规，避免行为。

聚类分析在学术文献检索中的优化

聚类分析在学术文献检索中的优化一、聚类分析概述聚类分析是一种将数据集中的对象分组的统计方法，目的是使得同一组内的对象相似度高，而不同组之间的对象相似度低。

在学术文献检索领域，聚类分析可以有效地帮助研究者从海量文献中发现主题相似的文献集，从而提高检索效率和准确性。

1.1 聚类分析的核心概念聚类分析的核心概念包括数据预处理、相似度度量、聚类算法和聚类评估。

数据预处理是聚类分析的第一步，包括数据清洗、标准化等。

相似度度量是衡量文献之间相似性的关键，常用的度量方法有余弦相似度、Jaccard相似度等。

聚类算法是实现聚类的核心，包括层次聚类、基于中心的聚类、密度聚类等。

聚类评估则是评价聚类效果的重要手段，常用的评估指标有轮廓系数、Davies-Bouldin指数等。

1.2 聚类分析的应用场景聚类分析在学术文献检索中的应用场景广泛，包括但不限于以下几个方面：- 主题发现：通过聚类分析，可以快速识别出文献集中的主要研究主题。

- 研究趋势分析：聚类可以帮助研究者发现某一领域的研究趋势和热点问题。

- 文献推荐系统：聚类分析可以作为文献推荐系统的基础，为用户推荐与其兴趣相似的文献。

- 学术网络构建：通过聚类分析，可以构建学术领域的合作网络，发现关键的研究者和机构。

二、聚类分析在学术文献检索中的优化策略聚类分析在学术文献检索中的应用并非一蹴而就，需要通过一系列的优化策略来提高其效果和效率。

2.1 数据预处理的优化数据预处理是聚类分析的基础，优化数据预处理可以显著提高聚类效果。

优化策略包括：- 关键词提取：采用自然语言处理技术，自动提取文献的关键词，作为聚类的特征。

- 文本向量化：将文本数据转换为数值型向量，常用的方法有TF-IDF、Word2Vec等。

- 异常值处理：识别并处理数据集中的异常值，避免影响聚类结果。

2.2 相似度度量的优化相似度度量是聚类分析的关键，优化相似度度量可以提高聚类的准确性。

优化策略包括：- 多维度相似度融合：结合多种相似度度量方法，综合考虑文献的多个方面。

如何在搜索中发现有价值的学术资源

如何在搜索中发现有价值的学术资源在当今信息爆炸的时代，学术资源如同浩瀚星辰般散布在互联网的各个角落。

对于学者、研究人员、学生以及任何对知识有追求的人来说，如何在这片茫茫的信息海洋中精准地找到有价值的学术资源，成为了一项至关重要的技能。

首先，我们要明确自己的需求和研究主题。

在开始搜索之前，静下心来思考自己究竟想要探究什么问题，期望获得哪些方面的知识和信息。

比如，如果您正在研究某个历史时期的社会变迁，那么就需要明确具体的时间段、地域范围以及相关的社会现象等关键要素。

只有清晰地定义了研究问题，才能为后续的搜索提供准确的方向。

选对搜索引擎是关键的一步。

常见的搜索引擎如百度、谷歌等，虽然功能强大，但对于学术资源的搜索，专门的学术搜索引擎往往能提供更精准和权威的结果。

比如 Web of Science、Scopus 等，它们涵盖了大量的学术期刊、论文和研究报告。

此外，国内的中国知网、万方数据等也是获取中文学术资源的重要渠道。

学会运用高级搜索技巧能大大提高搜索效率和质量。

大多数搜索引擎都提供了高级搜索选项，例如通过特定的关键词组合、时间范围筛选、文件类型限定等，来缩小搜索范围。

比如，使用布尔逻辑运算符“AND”“OR”“NOT”，可以更精确地控制搜索结果。

假设您想搜索关于“人工智能在医疗领域的应用”，但不想看到关于“人工智能在医疗器械研发方面”的内容，那么可以输入“人工智能 AND 医疗领域应用 NOT医疗器械研发”。

关键词的选择至关重要。

不仅要选择与研究主题直接相关的核心词汇，还要考虑相关的同义词、近义词以及上位词和下位词。

以“环境保护”为例，同义词可以是“生态保护”，近义词有“环境治理”，上位词如“可持续发展”，下位词像“水污染治理”“大气污染防治”等。

通过多样化的关键词组合，可以获取更全面的学术资源。

在搜索过程中，不要仅仅局限于网页搜索结果的前几页。

有时候，有价值的资源可能隐藏在较深的页面中。

耐心地翻阅多页搜索结果，或者尝试更改搜索排序方式，如按相关性、时间等排序，可能会有意外的收获。

学术研究中的资源获取与利用

学术研究中的资源获取与利用摘要：随着科技的飞速发展，学术研究资源的获取与利用变得越来越重要。

本文旨在探讨学术研究中的资源获取与利用的重要性，以及如何有效地获取和使用这些资源。

本文从研究背景、资源获取方式、资源利用方法、实际应用及展望等方面进行阐述，为学术研究提供有价值的参考。

一、研究背景学术研究是推动知识进步和科技创新的重要力量。

为了开展高质量的研究，研究者需要获取和使用各种资源，包括文献、数据、软件、硬件设施等。

然而，如何有效地获取和使用这些资源，一直是学术界面临的挑战。

二、资源获取方式1.传统资源获取途径：图书馆、电子期刊、学术会议等是传统的研究资源获取途径。

图书馆拥有丰富的纸质和电子文献资源，为研究者提供了大量的研究素材。

电子期刊和学术会议则提供了最新的研究成果和学术动态。

2.网络资源获取：随着互联网的普及，网络已经成为学术研究的重要平台。

研究者可以通过网络搜索引擎、学术数据库、科研机构网站等途径获取研究资源。

此外，社交媒体和在线论坛也为研究者提供了交流和分享资源的平台。

3.合作与共享：研究者可以通过合作、共享和共建的方式获取更多的资源。

例如，通过学术合作平台，研究者可以共享文献、数据和软件，共同开展研究项目。

此外，开放获取已成为一种趋势，越来越多的研究成果和数据被开放共享，为研究者提供了更多的选择。

三、资源利用方法1.文献管理：文献管理是学术研究中资源利用的重要手段。

研究者可以通过文献管理软件（如EndNote、NoteExpress等）对文献进行分类、整理和引用，提高文献检索效率。

2.数据处理：数据处理是学术研究中不可或缺的一环。

研究者可以通过数据清洗、数据挖掘和分析等手段，对数据进行深入挖掘，发现新的研究问题和方向。

3.软件应用：在学术研究中，软件工具的应用越来越广泛。

研究者可以通过网络下载、购买或租用软件等方式获取所需的软件工具，如统计分析软件（如SPSS、R等）、图形设计软件（如Adobe系列）等。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｔｒｕｅｄｉｓｃｏｖｅｒｙｆｏｒｉｎｔｅｇｒａｔｉｏｎｏｆａｃａｄｅｍｉｃｒｅｓｏｕｒｃｅｓ．ＴｈｅａｌｇｏｒｉｔｈｍｗａｓｂａｓｅｄｏｎｔｈｅＢａｙｅｓｉａｎａｌｇｏｒｉｔｈｍ．
数据源之间的关系视为相互独立。根据以上，本文提出了一种面向学术资源集成的真值发现算法。该算法基于贝叶斯算法，考虑了有关联关系的属性。实验证明本文方法所构造的真值发现算法在保证准
确率的同时，大大节省了人力的工作时间。关键词：资源建设，元数据集成，冲突数据，真值发现
董微杨代庆
在构建多渠道元数据资源建设体系时，往往存在着大量的元数据冲突的问题，即对同一对象的
属性存在多种描述，造成了元数据的组织与揭示的困难。本文处理的原则是遵从原文，优先选取原文
的值作为唯一的真值，将数据冲突问题视为单真值冲突问题。考虑到数据提供商均需要加工数据，将
ｍｅｔａｄａｔａｃｏｎｆｌｉｃｔｐｒｏｂｌｅｍ，ｎａｍｅｌｙ，ｔｈｅｒｅａｒｅｍａｎｙｄｅｓｃｒｉｐｔｉｏｎｏｆｔｈｅｓａｍｅｏｂｊｅｃｔａｔｔｒｉｂｕｔｅ，ｗｈｉｃｈｌｅａｄｔｏ
ｃｏｎｓｉｄｅｒｉｎｇｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｔｈｅｒｅｌａｔｅｄｐｒｏｐｅｒｔｉｅｓ．Ｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｍｅｔｈｏｄｃａｎｍａｉｎ
ｔｈｅａｃｃｕｒａｃｙｏｆｔｒｕｔｈｄｉｓｃｏｖｅｒｙａｎｄｇｒｅａｔｌｙｒｅｄｕｃｅｄｍａｎｐｏｗｅｒｗｏｒｋｔｉｍｅ．Ｋｅｙｗｏｒｄｓ：Ｒｅｓｏｕｒｃｅｓｃｏｎｓｔｒｕｃｔｉｏｎ，ｍｅｔａｄａｔａｉｎｔｅｇｒａｔｉｏｎ，ｃｏｎｌｆｉｃｔｉｎｇｄａｔａ，ｔｒｕｔｈｄｉｓｃｏｖｅｒｙ
国ｄＤｏｉｌ：Ｓ１ＯＣ．３７Ｏ２￣ＶｉｓＥｎＲ２０Ｙ９５Ａ－９１Ｎ５ｘＤ．２０１Ｒ７０Ｅ１Ｓ０Ｅ７ＡＲＣＨ
面向学术资源集成的真值发现算法
中国科学技术信息研究所北京１０００３８
Ｂｅｉｊｉｎｇ１００３８，ＣｈｉｎａＤＯＮＧＷｅｉＹＡＮＧＤａｉＱｉｎｇ
Ｍｅｔａｄａｔａｒｅｓｏｕｒｃｅｓｃｏｎｓｔｒｕｃｔｉｏｎｉｎｃｏｎｓｔｒｕｃｔｉｎｇｍｕｌｔｉ — ｃｈａｎｎｅｌｓｙｓｔｅｍ，ｔｈｅｒｅａｒｅｏｆｔｅｎａｌｏｔｏｆ
ｄｉｆｉｆｃｕｌｔｉｅｓｆｏｒｏｒｇａｎｉｚａｔｉｏｎａｎｄｒｅｖｅａＩｏｆｔｈｅｍｅｔａｄａｔａ．Ｉｎｔｈｉｓｐａｐｅｒ．ｔｈｅｐｒｉｎｃｉｐｌｅｏｆｔｒｅａｔｍｅｎｔｗａｓｔｏｆｏＩｌｏｗｔｈｅｏｒｉｇｉｎａｌｄｏｃｕｍｅｎｔ．ｐｒｅｆｅｒｒｅｄｔｏｓｅｌｅｃｔｔｈｅｖａｌｕｅｏｆｔｈｅｏｒｉｇｉｎａｌａｓｔｈｅｏｎｌｙｔｒｕｅｖａｌｕｅ．ａｎｄｔｏｏｋｔｈｅｄａｔａｃｏｎｌｆｉｃｔａｓａｓｉｎｇｌｅｔｒｕｅｖａｌｕｅｃｏｎｆｌｉｃｔ．ＣｏｎｓｉｄｅｒｉｎｇｔｈｅｄａｔａｐｒｏｖｉｄｅｒａｌＩｎｅｅｄｄａｔａｐｒｏｃｅｓｓｉｎｇ，ｔｈｉｓｓｔｕｄｙｔｏｏｋｔｈｅｄａｔａｓｏｕｒｃｅａｓｉｎｄｅｐｅｎｄｅｎｔｔｏｅａｃｈｏｔｈｅｒ．Ａｃｃｏｒｄｉｎｇｔｏａｂｏｖｅ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｎａｌｇｏｒｉｔｈｍｏｆｔｈｅ
中国分类号：Ｇ２ຫໍສະໝຸດ ５０．７ＡｃａｄｅｍｉｃＲｅｓｏｕＵｒｃｅＩｎｔｅｇｒａｔｉｏｎ０ｒｉｅｎｔｅｄＴｒｕｔｈＤｉｓｃｏｖｅｒｙＡｌｇｏｒｉｔｈｍ
ＣｅｎｔｅｒｏｆＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｉｃａｌＳｕｐｐｏｒｔ，ＩｎｓｔｉｔｕｔｅｏｆＳｃｉｅｎｔｉｆｉｃａｎｄＴｅｃｈｎｉｃａｌＩｎｆｏｒｍａｔｉｏｎｏｆＣｈｉｎａ，