針對語言評價(jià)資源的特點(diǎn)， 基于啟發(fā)式約簡算法的原理與運(yùn)算過程， 可以更好的把數(shù)據(jù)挖掘技術(shù)應(yīng)用于英語語言學(xué)話題跟蹤評價(jià)體系中，從而解決英語語言學(xué)中的發(fā)掘問題。為了更好的分析以上算法在其中的應(yīng)用， 我們用一個(gè)話題資源表來具體分析。通過分析計(jì)算，得出相應(yīng)的結(jié)果，看能否達(dá)到語言學(xué)話題跟蹤評價(jià)技術(shù)的要求。傳統(tǒng)上進(jìn)行評價(jià)時(shí)， 話題作者不但要對書中的閃光點(diǎn)進(jìn)行肯定，同時(shí)也會針對書中存在的問題中肯的提出意見和建議，因此，積極的和消極的態(tài)度共同作用實(shí)現(xiàn)評價(jià)功能?？傮w上看，話題中，英語使用者相對來說更傾向于表現(xiàn)肯定的態(tài)度，肯定資源占語篇中評價(jià)資源總比例的 69.46%。從語用學(xué)角度分析，這是一種禮貌策略，是對話題者積極面子的維護(hù)，是積極的。再從情感、判斷和鑒賞三個(gè)子系統(tǒng)進(jìn)一步分析，表 1 說明了三者在本文所追蹤的語料中的使用頻率。

　　為了提高神經(jīng)網(wǎng)絡(luò)集成算法的泛化能力，很多研究者在構(gòu)建神經(jīng)網(wǎng)絡(luò)集成模型過程中引入了特征選擇技術(shù)，并取得了不錯(cuò)的效果。本文基于以前研究者的思想，在神經(jīng)網(wǎng)絡(luò)集成的個(gè)體網(wǎng)絡(luò)生成階段引入了該技術(shù)。本文首先簡單介紹了特征選擇的的定義，并對過濾式特征選擇算法 ReliefF 進(jìn)行簡單描述，提出了一種基于交叉驗(yàn)證和 ReliefF 的神經(jīng)網(wǎng)絡(luò)集成算法，通過在 UCI 數(shù)據(jù)集上做仿真實(shí)驗(yàn)， 與單個(gè) RBF 神經(jīng)網(wǎng)絡(luò)在分類準(zhǔn)確率上進(jìn)行比較分析，證明平均分類正確率比單網(wǎng)絡(luò)分類器高，從而證明了該算法的有效性。本文無抄襲，作者全權(quán)負(fù)責(zé)版權(quán)事宜。參考文獻(xiàn) ［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.