一种数字教学资源聚类重构系统的实现

doi:10.11925/infotech.1003-3513.2007.08.01

现代图书情报技术

2007, Vol. 2

Issue (8): 1-5 https://doi.org/10.11925/infotech.1003-3513.2007.08.01

数字图书馆

本期目录 | 过刊浏览 | 高级检索

一种数字教学资源聚类重构系统的实现

张弢¹ 张成昱²

¹(清华大学人文学院北京 100084)
²⁽清华大学图书馆北京 100084)

Realization of a Clustering and Reconstruction System Based on the Digital Teaching Resource

Zhang Tao¹ Zhang Chengyu²

¹(Human and Society School,Tsinghua University,Beijing 100084,China)
²(Tsinghua University Library,Beijing 100084,China)

摘要
参考文献
相关文章
Metrics

全文: PDF (599 KB)
输出: BibTeX | EndNote (RIS)

摘要

简要介绍数字图书馆中教学参考书系统的应用现状，并就其中数字教学资源分布零散的问题，提出一种通过关键词索引技术，能够对文本教学资源进行检索，然后将相关联的结果聚类重组之后集中呈现的系统。

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	张弢
	张成昱

关键词 ：数字教学资源, Lingo算法, 聚类

Abstract：

This paper introduces the status of the digital reference book system in the university library and systematically explains the distributing problem of the teaching resource.Based on the problem mentioned above,the paper introduces a system,which can cluster and reconstruct the search result through the technology of the keyword index.

Key words： Digital teaching resource Lingo algorithm Clustering

收稿日期: 2007-04-28 出版日期: 2007-08-25

G250.7

通讯作者: 张弢 E-mail: zhang_tao@mails.tsinghua.edu.cn

作者简介: 张弢,张成昱

引用本文:

张弢,张成昱. 一种数字教学资源聚类重构系统的实现[J]. 现代图书情报技术, 2007, 2(8): 1-5.
Zhang Tao,Zhang Chengyu. Realization of a Clustering and Reconstruction System Based on the Digital Teaching Resource. New Technology of Library and Information Service, 2007, 2(8): 1-5.

链接本文:

https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.1003-3513.2007.08.01 或 https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2007/V2/I8/1

1］向晖,郭一平,王亮.基于Lucene的中文字典分词模块的设计与实现［J］.现代图书情报技术,2006，140(8):46-50.
［2］孙建军.信息检索技术［M］.北京：科学出版社，2004：10.
［3］ Lucene 2.0 API［EB/OL］.［2007-06-20］.http://lucene.apache.org/java/docs/.
［4］ Osinski S,Weiss A D.Concept-Driven Algorithm for Clustering Search Results［J］.IEEE Intelligent Systems,2005,3 (20)：48-54.
［5］ Nutch 0.9 API［EB/OL］.［2007-06-20］.http://lucene.apache.org/nutch/.
［6］ Weiss D.Descriptive Clustering as a Method for Exploring Text Collections［D］. Poland：Poznań University of Technology, 2006：57-64.

[1]	王若琳, 牛振东, 蔺奇卡, 朱一凡, 邱萍, 陆浩, 刘东磊. 基于异质信息嵌入与RNN聚类参数预测的作者姓名消歧方法^*[J]. 数据分析与知识发现, 2021, 5(8): 13-24.
[2]	王晰巍,贾若男,韦雅楠,张柳. 多维度社交网络舆情用户群体聚类分析方法研究^*[J]. 数据分析与知识发现, 2021, 5(6): 25-35.
[3]	卢利农,祝忠明,张旺强,王小春. 基于Lingo3G聚类算法的机构知识库跨库知识整合与知识指纹服务实现[J]. 数据分析与知识发现, 2021, 5(5): 127-132.
[4]	张梦瑶, 朱广丽, 张顺香, 张标. 基于情感分析的微博热点话题用户群体划分模型 ^*[J]. 数据分析与知识发现, 2021, 5(2): 43-49.
[5]	丁浩, 艾文华, 胡广伟, 李树青, 索炜. 融合用户兴趣波动时序的个性化推荐模型^*[J]. 数据分析与知识发现, 2021, 5(11): 45-58.
[6]	杨辰, 陈晓虹, 王楚涵, 刘婷婷. 基于用户细粒度属性偏好聚类的推荐策略^*[J]. 数据分析与知识发现, 2021, 5(10): 94-102.
[7]	于丰畅,程齐凯,陆伟. 基于几何对象聚类的学术文献图表定位研究[J]. 数据分析与知识发现, 2021, 5(1): 140-149.
[8]	邬金鸣,侯跃芳,崔雷. 基于医学主题词标引规则的词共现聚类分析结果自动判读和表达的研究[J]. 数据分析与知识发现, 2020, 4(9): 133-144.
[9]	温萍梅,叶志炜,丁文健,刘颖,徐健. 命名实体消歧研究进展综述^*[J]. 数据分析与知识发现, 2020, 4(9): 15-25.
[10]	席运江, 杜蝶蝶, 廖晓, 仉学红. 基于超网络的企业微博用户聚类研究及特征分析*[J]. 数据分析与知识发现, 2020, 4(8): 107-118.
[11]	杨旭,钱晓东. 基于改进的Vicsek模型的社会网络同步聚类算法*[J]. 数据分析与知识发现, 2020, 4(4): 119-128.
[12]	熊回香,李晓敏,李跃艳. 基于图书评论属性挖掘的群组推荐研究*[J]. 数据分析与知识发现, 2020, 4(2/3): 214-222.
[13]	魏家泽,董诚,何彦青,刘志辉,彭柯芸. 基于均衡段落和分话题向量的新闻热点话题检测研究^*[J]. 数据分析与知识发现, 2020, 4(10): 70-79.
[14]	赵华茗,余丽,周强. 基于均值漂移算法的文本聚类数目优化研究 ^*[J]. 数据分析与知识发现, 2019, 3(9): 27-35.
[15]	李珊,姚叶慧,厉浩,刘洁,嘎玛白姆. 基于ISA联合聚类的组推荐算法研究 ^*[J]. 数据分析与知识发现, 2019, 3(8): 77-87.

Viewed

Full text

Abstract

Cited

Shared

Discussed