中国知网的信息检索方式有哪些类型？

中国知网的信息检索方式有如下几种：

1、一框式检索

只要进入中国知网首页，就可以直接在输入框里输入检索词进行检索，操作快捷方便。但是一框式检索的操作简单，检索结果可能就没有那么精准，最后可能检索出几千上万个文献都是常有的事。

2、高级检索

中国知网高级检索可以同时设定多个检索字段，输入多个检索词，根据布尔逻辑（ “OR、AND、NOT”三种关系）在检索中对更多检索词之间进行关系限定——“或含、并含、不含”三种关系，更精准地查找你想要的文献资源。

3、出版物检索

出版物检索顾名思义是为了让小伙伴更方便直接的检索出版文献的。出版物检索的出版来源导航主要包括期刊、学位授予单位、会议、报纸、年鉴和工具书的导航系统。

4、专业检索

专业检索页面的下方已经可以看到输入方法，只需要空键输入，就会弹出相关逻辑词步骤提示，方便大伙选择相关的逻辑关系进行组合，也就是说，你需要做的就是输入检索词加空键选择逻辑关系词。

5、作者发文检索与句子检索

作者发文检索与句子检索的使用就比较针对需要查找某一篇或者一些文章的小伙伴，检索结果也会更有针对性，虽然这两个检索方式使用的频率会比较低，但是为了全面满足用户们的需求，使中国知网里海量的文献资源得到更好的利用，知网也相应有各种的使用方式和技巧。

知网简介：

知网，是国家知识基础设施的概念，由世界银行于1998年提出。CNKI工程是以实现全社会知识资源传播共享与增值利用为目标的信息化建设项目。由清华大学、清华同方发起，始建于1999年6月。2019年5月，“科研诚信与学术规范”在线学习平台在中国知网正式上线发布。

以上内容参考 -知网

java 做不了

Java是一门面向对象编程语言，不仅吸收了C++语言的各种优点，还摒弃了C++里难以理解的多继承、指针等概念，因此Java语言具有功能强大和简单易用两个特征。Java语言作为静态面向对象编程语言的代表，极好地实现了面向对象理论，允许程序员以优雅的思维方式进行复杂的编程

CNKI翻译助手是一款以CNKI总库所有文献数据为依据，它不仅提供英汉词语、短语的翻译检索，还可以提供句子的翻译检索。不但对翻译需求中的每个词给出准确翻译和解释，给出大量与翻译请求在结构上相似、内容上相关的例句，方便参考后得到最恰当的翻译结果。

CNKI翻译助手汇集从CNKI系列数据库中挖掘整理出的800余万常用词汇、专业术语、成语、俚语、固定用法、词组等中英文词条1500余万双语例句、500余万双语文摘，形成海量中英在线词典和双语平行语料库。

对词或短语的汉英、英汉翻译检索功能是它的主要功能，为了提供更准确的检索结果，它设计了多项特有的检索功能英汉&汉英词典

CNKI翻译助手，是“中国知网”开发制作的大型在线辅助翻译系统，用户不仅可以输入词汇还可以输入句子进行翻译检索。系统对翻译请求中的每个词给出准确翻译和解释，同时给出大量与翻译请求在结构上相似、内容上相关的例句。通过参考这些词汇一级的翻译和相似例句，用户可以很容易地"生成"或"组装"自己想要的翻译结果该系统汇集从cnki系列数据库中挖掘整理出的120余万常用词汇、专业词汇、成语、俚语、固定用法、词组等中英文词条以及1000余万例句，形成海量中英在线词典和双语平行语料库。数据实时更新，内容涵盖自然科学和社会科学的各个领域。

情感分析（Sentiment Analysis）

第一步，就是确定一个词是积极还是消极，是主观还是客观。这一步主要依靠词典。

英文已经有伟大词典资源：SentiWordNet 无论积极消极、主观客观，还有词语的情感强度值都一并拿下。

但在中文领域，判断积极和消极已经有不少词典资源，如Hownet，NTUSD但用过这些词典就知道，效果实在是不咋滴（最近还发现了大连理工发布的情感词汇本体库，不过没用过，不好评价）。中文这方面的开源真心不够英文的做得细致有效。而中文识别主客观，那真的是不能直视。

中文领域难度在于：词典资源质量不高，不细致。另外缺乏主客观词典。

第二步，就是识别一个句子是积极还是消极，是主观还是客观。

有词典的时候，好办。直接去匹配看一个句子有什么词典里面的词，然后加总就可以计算出句子的情感分值。

但由于不同领域有不同的情感词，比如看上面的例子，“蓝屏”这个词一般不会出现在情感词典之中，但这个词明显表达了不满的情绪。因此需要另外根据具体领域构建针对性的情感词典。

如果不那么麻烦，就可以用有监督的机器学习方法。把一堆评论扔到一个算法里面训练，训练得到分类器之后就可以把评论分成积极消极、主观客观了。

分成积极和消极也好办，还是上面那个例子。5颗星的评论一般来说是积极的，1到2颗星的评论一般是消极的，这样就可以不用人工标注，直接进行训练。但主客观就不行了，一般主客观还是需要人来判断。加上中文主客观词典不给力，这就让机器学习判断主客观更为困难。

中文领域的难度：还是词典太差。还有就是用机器学习方法判断主客观非常麻烦，一般需要人工标注。

另外中文也有找到过资源，比如这个用Python编写的类库：SnowNLP 就可以计算一句话的积极和消极情感值。但我没用过，具体效果不清楚。

到了第三步，情感挖掘就升级到意见挖掘（Opinion Mining）了。

这一步需要从评论中找出产品的属性。拿手机来说，屏幕、电池、售后等都是它的属性。到这一步就要看评论是如何评价这些属性的。比如说“屏幕不错”，这就是积极的。“电池一天都不够就用完了，坑爹啊”，这就是消极的，而且强度很大。

这就需要在情感分析的基础上，先挖掘出产品的属性，再分析对应属性的情感。

分析完每一条评论的所有属性的情感后，就可以汇总起来，形成消费者对一款产品各个部分的评价。

接下来还可以对比不同产品的评价，并且可视化出来。如图。

这一步的主要在于准确挖掘产品属性（一般用关联规则），并准确分析对应的情感倾向和情感强度。因此这需要情感分析作为基础。首先要找到评论里面的主观句子，再找主观句子里的产品属性，再计算属性对应的情感分。所以前面基础不牢固，后面要准确分析就有难度。

中文这个领域的研究其实很完善了，技术也很成熟。但需要完善前期情感分析的准确度。

总的来说，就是中文词典资源不好，工作做得不是很细很准。前期的一些基础不牢固，后面要得到准确的分析效果就不容易了。