43、跨领域叙事构思与高斯地形协同聚类模型探索

跨领域叙事构思与高斯地形协同聚类模型探索

跨领域叙事构思

在跨领域叙事构思方面，通过使用具有最高b - 项潜力的术语，能够产生有意义且富有创意的句子组合。从主观上看，表1中展示的句子对组合结果表明，许多句子对之间存在有意义的关系，这些关系可以作为诗歌、故事等创作的基础。

如果没有桥接术语的引导，从给定领域的所有可能句子对（共143对）中找出类似有价值的组合将是一项艰巨的任务。为了验证该方法能够可靠地产生此类有价值的组合，计划采用众包的方式进行测试。

这种方法的实验证据显示，其具有支持用户进行双关联、跨领域叙事构思的潜力。带状矩阵有助于发现揭示术语和文档之间关系本质的结构，该方法能够结合具有最高b - 项潜力的桥接术语，构建来自不同领域的句子的创意组合，并且能够在不同领域文本的交叉点识别有意义的桥接概念。

高斯地形协同聚类模型

在数据处理中，数据矩阵的维度约简能够在低维空间中形成合成且易于理解的表示。数值矩阵的变量可以是连续、二进制或离散的，对于参数建模，连续变量的数据表是研究较多的一种。

当数据矩阵较大时，聚类比单纯通过投影降低维度的方法能更快速、轻松地获取数据的隐藏内容。并且，将聚类和降维结合通常能提供更丰富的信息。不过，大多数情况下，映射和聚类是分开进行的，而存在一类方法可以同时解决这两个问题。

Kohonen映射以及更广义的自组织映射（SOM）通常是针对连续变量的改进聚类方法，它们能够学习聚类之间的邻域关系，并通过后处理实现可视化。一些改进版本在特定情况下，如离散数据分析，能提供更合适的结果。参数模型在定义和学习得当的情况下具有很高的灵活性和可扩展性，因此，SOM的概率模型具有很大的吸引力。