Word sense disambiguation method of modal verbs based on causal partial order diagram

doi:10.11772/j.issn.1001-9081.2025050624

Journal of Computer Applications ›› 2026, Vol. 46 ›› Issue (5): 1424-1432.DOI: 10.11772/j.issn.1001-9081.2025050624

• Artificial intelligence • Previous Articles

Word sense disambiguation method of modal verbs based on causal partial order diagram

Jilin FU¹^,², Jianping YU¹^,²(), Tao ZHANG²^,³, Weihua XU⁴, Enliang YAN⁵, Liyang WANG¹^,²

^1.School of Foreign Studies，Yanshan University，Qinhuangdao Hebei 066004，China
^2.Center of Computational Linguistics，Yanshan University，Qinhuangdao Hebei 066004，China
^3.School of Information Science and Engineering，Yanshan University，Qinhuangdao Hebei 066004，China
^4.College of Artificial Intelligence，Southwest University，Chongqing 400715，China
^5.School of Artificial Intelligence，South China Normal University，Guangzhou Guangdong 528225，China

Received:2025-06-06 Revised:2025-06-16 Accepted:2025-06-26 Online:2025-07-08 Published:2026-05-10
Contact: Jianping YU
About author:FU Jilin， born in 1974， M. S.， professor. His research interests include computational linguistics， foreign linguistics， applied linguistics.
ZHANG Tao， born in 1979， Ph. D.， professor. His research interests include cognitive computing， knowledge discovery.
XU Weihua， born in 1979， Ph. D.， professor. His research interests include cognitive computing， machine learning， granular computing， data mining.
YAN Enliang， born in 1989， Ph. D.， associate research fellow. His research interests include conceptual cognitive learning， traditional Chinese medicine knowledge representation and reasoning.
WANG Liyang， born in 1991， M. S. Her research interests include computational linguistics， word sense disambiguation and knowledge discovery.
Supported by:
National Social Science Foundation of China(20BYY207)

基于因果偏序图的情态动词语义消歧方法

付继林¹^,², 于建平¹^,²(), 张涛²^,³, 徐伟华⁴, 闫恩亮⁵, 王丽洋¹^,²

^1.燕山大学外国语学院，河北秦皇岛 066004
^2.燕山大学计算语言学研究中心，河北秦皇岛 066004
^3.燕山大学信息科学与工程学院，河北秦皇岛 066004
^4.西南大学人工智能学院，重庆 400715
^5.华南师范大学人工智能学院，广州 528225

通讯作者: 于建平
作者简介:付继林（1974—），男，吉林镇赉人，教授，硕士，主要研究方向：计算语言学、外国语言学、应用语言学
张涛（1979—），男，河北唐山人，教授，博士， CCF会员，主要研究方向：认知计算、知识发现
徐伟华（1979—），男，山西浑源人，教授，博士生导师，博士，CCF会员，主要研究方向：认知计算、机器学习、粒计算、数据挖掘
闫恩亮（1989—），男，河北邯郸人，副研究员，博士， CCF会员，主要研究方向：概念认知学习、中医知识表示与推理
王丽洋（1991—），女，河北秦皇岛人，硕士，主要研究方向：计算语言学、语义消歧与知识发现。
基金资助:
国家社会科学基金资助项目(20BYY207)

Abstract

Abstract:

The semantic analysis of modal verbs faces many challenges due to their inherent complexity， requiring the extraction of diverse feature sets for Word Sense Disambiguation （WSD）， including semantic， syntactic， pragmatic， and genre features. These features vary in the contribution to semantic disambiguation， and some are confusing or redundant. To eliminate the influence of confusing and redundant features on WSD， a word sense disambiguation approach based on Causal Partial Order Diagram （CPOD） was proposed. Learning from the concept of intervention in causal reasoning， eliminating confusing factors through do-calculus， and combining with the idea of constructing an Attribute Partial Order Diagram （APOD）， a CPOD was developed as a model for WSD of modal verbs. Results of WSD experiments on 15 English modal verbs showed that the proposed method achieved an average accuracy of 93.42%， eliminating confusing and redundant features. Furthermore， to quantify the specific contribution of each feature to WSD， each feature's contribution was calculated and ranked. It is found that semantic features contribute the most， followed by syntactic features， while genre features contribute relatively less. Specifically， in semantic features， features with low mutual information contribute much more to WSD than those with high mutual information， making them the most influential features.

Key words: Causal Partial Order Diagram (CPOD), modal verb, Word Sense Disambiguation (WSD), attribute feature, contribution

摘要：

情态动词的语义解析因内在的复杂性而面临诸多挑战，它要求在语义消歧（WSD）过程中提取多样化的特征集，包括语义特征、句法特征、语用特征以及体裁特征。这些特征对于语义消歧的贡献程度各异，还有一些特征为混淆和冗余特征。为了消除混淆和冗余特征对语义消歧的影响，提出一种基于因果偏序图（CPOD）的语义消歧方法。借鉴因果推理中的干预（intervention）概念，利用do-calculus消除混淆因素，再结合属性偏序图（APOD）的构建思路构建CPOD作为情态动词的语义消歧模型。对15个情态动词的语义消歧实验结果表明，所提方法的平均正确率达到了93.42%，消除了混淆和冗余特征。进一步地，为了量化有效特征对语义消歧的具体贡献，计算并排序了每个特征对语义消歧的贡献度，发现语义特征的贡献最显著，其次是句法特征，而体裁特征的贡献相对较小；特别地，在语义特征中，低值互信息特征对语义消歧的贡献远大于高值互信息特征，成为影响最大的特征。

关键词: 因果偏序图, 情态动词, 语义消歧, 属性特征, 贡献度

CLC Number:

TP181

Jilin FU, Jianping YU, Tao ZHANG, Weihua XU, Enliang YAN, Liyang WANG. Word sense disambiguation method of modal verbs based on causal partial order diagram[J]. Journal of Computer Applications, 2026, 46(5): 1424-1432.

付继林, 于建平, 张涛, 徐伟华, 闫恩亮, 王丽洋. 基于因果偏序图的情态动词语义消歧方法[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1424-1432.

Figures/Tables 18

Tab. 1 Decision formal context

o_j	a₁	a₂	a₃	a₄	a₅	a₆	a₇	a₈	a₉	a₁₀	a₁₁	d₁	d₂
o₁（1）	0	1	1	0	0	1	1	0	1	0	0	1	0
o₂（1）	0	1	1	0	0	1	1	0	1	0	1	1	0
o₃（1）	0	1	1	0	0	1	1	0	1	1	1	1	0
o₄（1）	0	1	1	0	0	1	1	0	1	0	1	1	0
︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙
o₉₈（2）	0	1	0	1	1	0	0	1	0	0	0	0	1
o₉₉（2）	0	1	0	1	1	0	0	1	0	0	0	0	1
o₁₀₀（2）	1	0	0	1	1	0	0	1	1	0	0	0	1

Fig. 1 Calculation of causality under intervention

Fig. 2 Construction of CPOD

Fig. 3 Generation of CPOD

Tab. 2 Classification of different types of features

情态动词	语义特征	句法特征	语用特征	体裁特征
can	a₁-a₁₂	a₁₃-a₂₂，a₂₄-a₃₀	a₂₃，a₃₁-a₃₂	a₃₃-a₃₄
may	a₁-a₁₂	a₁₃-a₂₃，a₂₅，a₂₈-a₂₉	a₂₄，a₂₆-a₂₇，a₃₀，a₃₃	a₃₁-a₃₂
must	a₁-a₁₂	a₁₃-a₂₄	a₂₅-a₂₉	a₃₀-a₃₁
shall	a₁-a₁₆	a₁₇-a₂₈，a₃₀-a₃₁	a₂₉，a₃₂，a₃₃	a₃₄-a₃₅
will	a₁-a₁₆	a₁₇-a₂₈，a₃₀-a₃₅，a₃₈-a₃₉	a₂₉，a₃₆-a₃₇	a₄₀-a₄₁
could	a₁-a₁₆	a₁₇-a₃₂	a₃₃-a₃₅	a₃₆-a₃₇
might	a₁-a₁₂	a₁₃-a₂₇， a₂₉-a₃₂	a₂₈， a₃₃-a₃₄	a₃₅-a₃₆
ought to	a₁-a₈	a₉-a₂₀， a₂₂	a₂₁， a₂₃-a₂₄	a₂₅-a₂₆
should	a₁-a₁₆	a₁₇-a₂₇， a₂₉-a₃₁	a₂₈， a₃₂-a₃₄	a₃₅-a₃₆
would	a₁-a₁₆	a₁₇-a₂₈， a₃₀， a₃₃-a₃₆	a₂₉， a₃₁-a₃₂	a₃₇-a₃₈
be able to	a₁-a₁₂	a₁₃-a₂₈， a₃₁	a₂₉-a₃₀，a₃₂	—
be going to	a₁-a₈	a₉-a₁₆，a₁₈-a₂₄， a₂₇-a₂₉	a₁₇， a₂₆	a₂₅
have to	a₁-a₁₂	a₁₃-a₃₈	a₃₉	—
need to	a₁-a₁₂	a₁₃-a₂₆， a₂₈	a₂₇	—
want to	a₁-a₁₂	a₁₃-a₂₄，a₂₆-a₂₈，a₃₁	a₂₅，a₂₉，a₃₀，a₃₂	a₃₃-a₃₄

Tab. 3 Sense categorization of “can”

类别	语义	举例
1	can （ability）	I can type very fast as I am not a beginner.
2	can （permission）	You can go into the bathroom and fix your mouth.
3	can （possibility）	Can you pick me up to school？

Tab. 4 Extracted attribute features of “can”

符号	特征	符号	特征	符号	特征	符号	特征
a₁	MI（s+canABI）≥0.27	a₁₀	MI（v+canPER）<0.29	a₁₉	谓语动词为施事动词	a₂₈	一般疑问句
a₂	MI（s+canABI）<0.27	a₁₁	MI（v+canPOS）≥0.08	a₂₀	谓语动词为静态动词	a₂₉	特殊疑问句
a₃	MI（s+canPER）≥0.07	a₁₂	MI（v+canPOS）<0.08	a₂₁	被动语态	a₃₀	陈述句
a₄	MI（s+canPER）<0.07	a₁₃	主语为第一人称	a₂₂	否定句	a₃₁	说话者有权威
a₅	MI（s+canPOS）≥ -0.14	a₁₄	主语为第二人称	a₂₃	与I think， I suppose等共现	a₃₂	法律/规章相关话题
a₆	MI（s+canPOS）< -0.14	a₁₅	主语为第三人称	a₂₄	与with/without/by等共现	a₃₃	正式体裁
a₇	MI（v+canABI）≥0.29	a₁₆	存在句	a₂₅	与条件相关	a₃₄	非正式体裁
a₈	MI（v+canABI）<0.29	a₁₇	主语有生命	a₂₆	与结果相关
a₉	MI（v+canPER）≥0.29	a₁₈	主语无生命	a₂₇	直接引语

Tab. 5 Formal context of modal verb“can”

o_j	cl	a_i
o_j	cl	a₁	a₂	a₃	a₄	a₅	a₆	a₇	a₈	a₉	a₁₀	a₁₁	a₁₂	a₁₃	a₁₄	a₁₅	a₁₆	a₁₇	a₁₈	a₁₉	a₂₀	a₂₁	a₂₂	a₂₃	a₂₄	a₂₅	a₂₆	a₂₇	a₂₈	a₂₉	a₃₀	a₃₁	a₃₂	a₃₃	a₃₄
o₁	1	1	0	1	0	1	0	1	0	1	0	1	0	1	0	0	0	1	0	0	1	0	1	0	0	0	0	0	0	0	1	0	0	1	0
o₂	1	1	0	1	0	1	0	1	0	0	1	1	0	1	0	0	0	1	0	0	1	0	0	0	0	0	0	0	0	0	1	0	0	1	0
o₃	1	1	0	1	0	1	0	1	0	1	0	1	0	1	0	0	0	1	0	0	1	0	0	0	0	0	0	0	0	0	1	0	0	1	0
o₄	1	1	0	1	0	1	0	1	0	1	0	1	0	1	0	0	0	1	0	0	0	0	0	0	0	0	0	0	0	0	1	0	0	1	0
o₅	1	1	0	1	0	1	0	1	0	1	0	1	0	1	0	0	0	1	0	0	1	0	1	0	0	0	0	0	0	0	1	0	0	1	0
o₆	1	1	0	1	0	1	0	1	0	0	1	1	0	1	0	0	0	1	0	0	1	0	0	0	0	0	0	0	0	0	1	0	0	1	0
o₇	1	1	0	1	0	1	0	1	0	1	0	1	0	1	0	0	0	1	0	0	1	0	0	0	0	0	0	0	0	0	1	0	0	1	0
o₈	1	1	0	1	0	1	0	1	0	0	1	1	0	1	0	0	0	1	0	0	1	0	1	0	0	0	0	0	0	0	1	0	0	1	0
o₉	1	1	0	1	0	1	0	1	0	0	1	1	0	1	0	0	0	1	0	0	1	0	1	0	0	0	0	0	0	0	1	0	0	1	0
o₁₀	1	1	0	1	0	1	0	1	0	0	1	1	0	1	0	0	0	1	0	1	0	0	0	0	0	0	0	0	0	0	1	0	0	1	0
︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙
o₂₉₁	3	1	0	1	0	1	0	0	1	0	1	1	0	0	1	0	0	1	0	0	0	0	0	0	0	0	0	0	0	0	1	0	0	0	1
o₂₉₂	3	1	0	1	0	1	0	1	0	1	0	1	0	1	0	0	0	1	0	0	0	0	0	0	0	0	0	0	0	0	1	0	0	0	1
o₂₉₃	3	1	0	1	0	1	0	1	0	1	0	1	0	1	0	0	0	1	0	0	0	0	1	0	0	0	0	0	0	0	1	0	0	0	1
o₂₉₄	3	1	0	1	0	1	0	1	0	1	0	1	0	0	1	0	0	1	0	0	0	0	0	0	0	0	1	0	0	0	1	0	0	0	1
o₂₉₅	3	1	0	1	0	1	0	1	0	1	0	1	0	1	0	0	0	1	0	0	1	0	1	0	0	0	0	0	0	0	1	0	0	0	1
o₂₉₆	3	1	0	1	0	1	0	1	0	1	0	1	0	1	0	0	0	1	0	0	0	0	0	0	0	1	0	0	0	0	1	0	0	0	1
o₂₉₇	3	1	0	1	0	1	0	1	0	0	1	1	0	1	0	0	0	1	0	1	0	0	0	0	1	0	0	0	0	0	1	0	0	0	1
o₂₉₈	3	1	0	1	0	1	0	1	0	0	1	1	0	1	0	0	0	1	0	0	0	0	0	0	0	0	0	0	0	1	0	0	0	0	1
o₂₉₉	3	0	1	0	1	1	0	1	0	1	0	1	0	0	0	1	0	0	1	1	0	0	1	0	1	0	0	0	0	0	1	0	0	0	1
o₃₀₀	3	0	1	0	1	1	0	1	0	0	1	1	0	0	0	1	0	1	0	0	0	0	0	0	0	1	0	0	0	0	1	0	0	0	1

Fig. 4 Causal partial order diagram of “can”

Tab. 6 Rules for WSD of“can”

序号	类别	规则	序号	类别	规则
1	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ， $a 20 ¯$ ，a₃₀， $a 13 ¯$ ， $a 18 ¯$ ，a₃₄， $a 26 ¯$ ，a₁₉， a₁₆	47	3	$a 10 ¯$ ，a₄， $a 2 ¯$ ， $a 30 ¯$
2	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ， $a 20 ¯$ ，a₃₀， $a 13 ¯$ ， $a 18 ¯$ ， $a 27 ¯$	48	3	$a 10 ¯$ ，a₄， a₂
3	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ， $a 20 ¯$ ，a₃₀，a₁₃， $a 24 ¯$ ， $a 23 ¯$ ， $a 19 ¯$ ， $a 34 ¯$	49	3	a₁₀， $a 2 ¯$ ， $a 20 ¯$ ， $a 8 ¯$ ， $a 23 ¯$ ， $a 29 ¯$ ， $a 25 ¯$ ， $a 24 ¯$ ， $a 28 ¯$ ， $a 26 ¯$ ，a₁₈， $a 21 ¯$ ， $a 4 ¯$ ， $a 34 ¯$
4	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ， $a 20 ¯$ ，a₃₀，a₁₃， $a 24 ¯$ ， $a 23 ¯$ ，a₁₉	50	3	a₁₀， $a 2 ¯$ ， $a 20 ¯$ ， $a 8 ¯$ ， $a 23 ¯$ ， $a 29 ¯$ ， $a 25 ¯$ ， $a 24 ¯$ ， $a 28 ¯$ ， $a 26 ¯$ ，a₁₈， a₂₁
5	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ， $a 20 ¯$ ，a₃₀，a₁₃， $a 24 ¯$ ，a₂₃	51	3	a₁₀， $a 2 ¯$ ， $a 20 ¯$ ， $a 8 ¯$ ， $a 23 ¯$ ， $a 29 ¯$ ， $a 25 ¯$ ， $a 24 ¯$ ， $a 28 ¯$ ，a₂₆
6	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ，a₂₀， $a 24 ¯$ ， $a 14 ¯$ ， $a 23 ¯$ ， $a 15 ¯$ ， $a 27 ¯$ ， $a 34 ¯$	52	3	a₁₀， $a 2 ¯$ ， $a 20 ¯$ ， $a 8 ¯$ ， $a 23 ¯$ ， $a 29 ¯$ ， $a 25 ¯$ ， $a 24 ¯$ ，a₂₈
7	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ，a₂₀， $a 24 ¯$ ， $a 14 ¯$ ， $a 23 ¯$ ， $a 15 ¯$ ， $a 27 ¯$ ，a₃₄， $a 22 ¯$	53	3	a₁₀， $a 2 ¯$ ， $a 20 ¯$ ， $a 8 ¯$ ， $a 23 ¯$ ， $a 29 ¯$ ， $a 25 ¯$ ，a₂₄
8	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ，a₂₀， $a 24 ¯$ ， $a 14 ¯$ ， $a 23 ¯$ ， $a 15 ¯$ ，a₂₇	54	3	a₁₀， $a 2 ¯$ ， $a 20 ¯$ ， $a 8 ¯$ ， $a 23 ¯$ ， $a 29 ¯$ ，a₂₅
9	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ，a₂₀， $a 24 ¯$ ， $a 14 ¯$ ， $a 23 ¯$ ，a₁₅， $a 27 ¯$	55	3	a₁₀， $a 2 ¯$ ， $a 20 ¯$ ， $a 8 ¯$ ， $a 23 ¯$ ，a₂₉
10	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ，a₂₀， $a 24 ¯$ ， $a 14 ¯$ ，a₂₃	56	3	a₁₀， $a 2 ¯$ ， $a 20 ¯$ ，a₈
︙	︙	︙	57	3	a₁₀， a₂

Tab. 6 Rules for WSD of“can”

序号	类别	规则	序号	类别	规则
1	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ， $a 20 ¯$ ，a₃₀， $a 13 ¯$ ， $a 18 ¯$ ，a₃₄， $a 26 ¯$ ，a₁₉， a₁₆	47	3	$a 10 ¯$ ，a₄， $a 2 ¯$ ， $a 30 ¯$
2	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ， $a 20 ¯$ ，a₃₀， $a 13 ¯$ ， $a 18 ¯$ ， $a 27 ¯$	48	3	$a 10 ¯$ ，a₄， a₂
3	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ， $a 20 ¯$ ，a₃₀，a₁₃， $a 24 ¯$ ， $a 23 ¯$ ， $a 19 ¯$ ， $a 34 ¯$	49	3	a₁₀， $a 2 ¯$ ， $a 20 ¯$ ， $a 8 ¯$ ， $a 23 ¯$ ， $a 29 ¯$ ， $a 25 ¯$ ， $a 24 ¯$ ， $a 28 ¯$ ， $a 26 ¯$ ，a₁₈， $a 21 ¯$ ， $a 4 ¯$ ， $a 34 ¯$
4	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ， $a 20 ¯$ ，a₃₀，a₁₃， $a 24 ¯$ ， $a 23 ¯$ ，a₁₉	50	3	a₁₀， $a 2 ¯$ ， $a 20 ¯$ ， $a 8 ¯$ ， $a 23 ¯$ ， $a 29 ¯$ ， $a 25 ¯$ ， $a 24 ¯$ ， $a 28 ¯$ ， $a 26 ¯$ ，a₁₈， a₂₁
5	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ， $a 20 ¯$ ，a₃₀，a₁₃， $a 24 ¯$ ，a₂₃	51	3	a₁₀， $a 2 ¯$ ， $a 20 ¯$ ， $a 8 ¯$ ， $a 23 ¯$ ， $a 29 ¯$ ， $a 25 ¯$ ， $a 24 ¯$ ， $a 28 ¯$ ，a₂₆
6	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ，a₂₀， $a 24 ¯$ ， $a 14 ¯$ ， $a 23 ¯$ ， $a 15 ¯$ ， $a 27 ¯$ ， $a 34 ¯$	52	3	a₁₀， $a 2 ¯$ ， $a 20 ¯$ ， $a 8 ¯$ ， $a 23 ¯$ ， $a 29 ¯$ ， $a 25 ¯$ ， $a 24 ¯$ ，a₂₈
7	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ，a₂₀， $a 24 ¯$ ， $a 14 ¯$ ， $a 23 ¯$ ， $a 15 ¯$ ， $a 27 ¯$ ，a₃₄， $a 22 ¯$	53	3	a₁₀， $a 2 ¯$ ， $a 20 ¯$ ， $a 8 ¯$ ， $a 23 ¯$ ， $a 29 ¯$ ， $a 25 ¯$ ，a₂₄
8	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ，a₂₀， $a 24 ¯$ ， $a 14 ¯$ ， $a 23 ¯$ ， $a 15 ¯$ ，a₂₇	54	3	a₁₀， $a 2 ¯$ ， $a 20 ¯$ ， $a 8 ¯$ ， $a 23 ¯$ ， $a 29 ¯$ ，a₂₅
9	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ，a₂₀， $a 24 ¯$ ， $a 14 ¯$ ， $a 23 ¯$ ，a₁₅， $a 27 ¯$	55	3	a₁₀， $a 2 ¯$ ， $a 20 ¯$ ， $a 8 ¯$ ， $a 23 ¯$ ，a₂₉
10	1	$a 10 ¯$ ， $a 4 ¯$ ， $a 8 ¯$ ， $a 31 ¯$ ， $a 25 ¯$ ， $a 29 ¯$ ， $a 21 ¯$ ，a₂₀， $a 24 ¯$ ， $a 14 ¯$ ，a₂₃	56	3	a₁₀， $a 2 ¯$ ， $a 20 ¯$ ，a₈
︙	︙	︙	57	3	a₁₀， a₂

Tab. 7 Accuracies of modal verb disambiguation based on CPOD and APOD methods

情态动词	CPOD	APOD	情态动词	CPOD	APOD	情态动词	CPOD	APOD
can	91.86	86.33	could	92.91	79.75	be able to	95.59	92.67
may	96.95	89.33	might	94.24	92.00	be going to	93.85	88.00
must	93.56	89.00	ought to	93.85	88.00	need to	88.81	82.00
shall	99.24	93.75	should	89.71	80.00	want to	98.51	91.70
will	96.20	92.75	would	86.58	76.50	have to	89.40	75.33

Tab. 8 Comparison of semantic disambiguation accuracy by different approaches

情态动词	随机森林	支持向量机	极端梯度提升	决策树	多层感知器分类器	朴素贝叶斯	属性偏序图	因果偏序图
can	78.33	83.00	81.00	78.60	81.67	79.67	86.33	91.86
may	86.67	88.47	88.33	84.00	83.33	83.67	89.33	96.90
must	86.67	91.67	90.00	85.33	89.00	91.33	89.00	92.22
shall	95.50	94.75	94.75	94.00	95.25	94.50	93.75	94.50
will	94.50	96.50	94.50	93.00	95.50	97.25	92.75	96.43

Tab. 9 Features contributing to word sense disambiguation of modal verbs

情态动词	特征
can	a₂， a₄， a₈， a₁₀， a₁₂， a₁₃， a₁₄， a₁₅， a₁₆， a₁₈， a₁₉， a₂₀， a₂₁， a₂₂， a₂₃， a₂₄， a₂₅， a₂₆， a₂₇， a₂₈， a₂₉， a₃₀， a₃₁， a₃₄
may	a₂， a₄， a₆， a₈， a₉， a₁₂， a₁₄， a₁₇， a₁₈， a₁₉， a₂₂， a₂₃， a₂₄， a₂₆， a₂₈， a₂₉， a₃₀， a₃₁， a₃₂， a₃₃
must	a₂， a₄， a₆， a₈， a₁₀， a₁₂， a₁₃， a₁₄， a₁₅， a₁₈， a₁₉， a₂₀， a₂₁， a₂₂， a₂₃， a₂₄， a₂₅， a₂₆， a₂₈， a₂₉， a₃₁
shall	a₄， a₆， a₈， a₁₀， a₁₂， a₁₃， a₁₆， a₁₇， a₁₈， a₂₂， a₂₄，a₂₇， a₂₈， a₃₀， a₃₁， a₃₂， a₃₃， a₃₅
will	a₁， a₂， a₃， a₆， a₈， a₉， a₁₁， a₁₂， a₁₄， a₁₆， a₁₈， a₁₉， a₂₃， a₂₄， a₂₅， a₂₈， a₂₉， a₃₀， a₃₁， a₃₂， a₃₄， a₃₅， a₃₆， a₃₇， a₃₈， a₃₉， a₄₁
could	a₂， a₄， a₈， a₉， a₁₀， a₁₂， a₁₄， a₁₆， a₁₇， a₂₀， a₂₁， a₂₂， a₂₃， a₂₄， a₂₅， a₂₆， a₂₈， a₃₀， a₃₁， a₃₂， a₃₄， a₃₅， a₃₇
might	a₂， a₄， a₆， a₈， a₁₀， a₁₂， a₁₃， a₁₅， a₁₆， a₁₇， a₁₈， a₂₀， a₂₁， a₂₄， a₂₆， a₂₇， a₂₈， a₂₉， a₃₀， a₃₁， a₃₂， a₃₃， a₃₄， a₃₆
ought to	a₂， a₄， a₆， a₈， a₁₁， a₁₃， a₁₅， a₁₇， a₁₈， a₁₉， a₂₀， a₂₁， a₂₂， a₂₃， a₂₆
should	a₂， a₄， a₆， a₈， a₁₀， a₁₂， a₁₄， a₁₆， a₁₇， a₁₈， a₁₉， a₂₀， a₂₂， a₂₃， a₂₄， a₂₅， a₂₆， a₂₇， a₂₈， a₃₀， a₃₁， a₃₂， a₃₄， a₃₅， a₃₆
would	a₂， a₄， a₆， a₈， a₁₀， a₁₂， a₁₄， a₁₆， a₁₇， a₁₈， a₁₉， a₂₀， a₂₂， a₂₃， a₂₄， a₂₅， a₂₆， a₂₇， a₂₈， a₂₉， a₃₀， a₃₁， a₃₂， a₃₃， a₃₄， a₃₅， a₃₆， a₃₈
be able to	a₂， a₃， a₄， a₅， a₆， a₈， a₁₀， a₁₂， a₁₅， a₁₆， a₁₈， a₁₉， a₂₁， a₂₂， a₂₃， a₂₄， a₂₆， a₂₇， a₂₈， a₃₀， a₃₁， a₃₂
be going to	a₂， a₄， a₆， a₈， a₁₀， a₁₁， a₁₃， a₁₄， a₁₆， a₁₇， a₁₈， a₁₉， a₂₀， a₂₁， a₂₂， a₂₃， a₂₄， a₂₅， a₂₇， a₂₈， a₂₉
need to	a₁， a₂， a₄， a₅， a₆， a₈， a₁₀， a₁₂， a₁₃， a₁₅， a₁₆， a₁₈， a₁₉， a₂₁， a₂₂， a₂₃， a₂₄， a₂₅， a₂₆， a₂₈
want to	a₄， a₆， a₈， a₁₂， a₁₈， a₁₉， a₂₃， a₂₄， a₂₅， a₂₆， a₂₇， a₂₈， a₂₉， a₃₁， a₃₄
have to	a₂， a₄， a₆， a₈， a₁₀， a₁₂， a₁₃， a₁₄， a₁₅， a₁₆， a₁₇， a₁₈， a₁₉， a₂₀， a₂₁， a₂₂， a₂₅， a₂₆， a₂₇， a₂₈， a₂₉，a₃₀， a₃₁， a₃₂， a₃₃， a₃₄， a₃₆， a₃₇， a₃₈， a₃₉， a₄₀， a₄₁， a₄₂

Tab. 9 Features contributing to word sense disambiguation of modal verbs

情态动词	特征
can	a₂， a₄， a₈， a₁₀， a₁₂， a₁₃， a₁₄， a₁₅， a₁₆， a₁₈， a₁₉， a₂₀， a₂₁， a₂₂， a₂₃， a₂₄， a₂₅， a₂₆， a₂₇， a₂₈， a₂₉， a₃₀， a₃₁， a₃₄
may	a₂， a₄， a₆， a₈， a₉， a₁₂， a₁₄， a₁₇， a₁₈， a₁₉， a₂₂， a₂₃， a₂₄， a₂₆， a₂₈， a₂₉， a₃₀， a₃₁， a₃₂， a₃₃
must	a₂， a₄， a₆， a₈， a₁₀， a₁₂， a₁₃， a₁₄， a₁₅， a₁₈， a₁₉， a₂₀， a₂₁， a₂₂， a₂₃， a₂₄， a₂₅， a₂₆， a₂₈， a₂₉， a₃₁
shall	a₄， a₆， a₈， a₁₀， a₁₂， a₁₃， a₁₆， a₁₇， a₁₈， a₂₂， a₂₄，a₂₇， a₂₈， a₃₀， a₃₁， a₃₂， a₃₃， a₃₅
will	a₁， a₂， a₃， a₆， a₈， a₉， a₁₁， a₁₂， a₁₄， a₁₆， a₁₈， a₁₉， a₂₃， a₂₄， a₂₅， a₂₈， a₂₉， a₃₀， a₃₁， a₃₂， a₃₄， a₃₅， a₃₆， a₃₇， a₃₈， a₃₉， a₄₁
could	a₂， a₄， a₈， a₉， a₁₀， a₁₂， a₁₄， a₁₆， a₁₇， a₂₀， a₂₁， a₂₂， a₂₃， a₂₄， a₂₅， a₂₆， a₂₈， a₃₀， a₃₁， a₃₂， a₃₄， a₃₅， a₃₇
might	a₂， a₄， a₆， a₈， a₁₀， a₁₂， a₁₃， a₁₅， a₁₆， a₁₇， a₁₈， a₂₀， a₂₁， a₂₄， a₂₆， a₂₇， a₂₈， a₂₉， a₃₀， a₃₁， a₃₂， a₃₃， a₃₄， a₃₆
ought to	a₂， a₄， a₆， a₈， a₁₁， a₁₃， a₁₅， a₁₇， a₁₈， a₁₉， a₂₀， a₂₁， a₂₂， a₂₃， a₂₆
should	a₂， a₄， a₆， a₈， a₁₀， a₁₂， a₁₄， a₁₆， a₁₇， a₁₈， a₁₉， a₂₀， a₂₂， a₂₃， a₂₄， a₂₅， a₂₆， a₂₇， a₂₈， a₃₀， a₃₁， a₃₂， a₃₄， a₃₅， a₃₆
would	a₂， a₄， a₆， a₈， a₁₀， a₁₂， a₁₄， a₁₆， a₁₇， a₁₈， a₁₉， a₂₀， a₂₂， a₂₃， a₂₄， a₂₅， a₂₆， a₂₇， a₂₈， a₂₉， a₃₀， a₃₁， a₃₂， a₃₃， a₃₄， a₃₅， a₃₆， a₃₈
be able to	a₂， a₃， a₄， a₅， a₆， a₈， a₁₀， a₁₂， a₁₅， a₁₆， a₁₈， a₁₉， a₂₁， a₂₂， a₂₃， a₂₄， a₂₆， a₂₇， a₂₈， a₃₀， a₃₁， a₃₂
be going to	a₂， a₄， a₆， a₈， a₁₀， a₁₁， a₁₃， a₁₄， a₁₆， a₁₇， a₁₈， a₁₉， a₂₀， a₂₁， a₂₂， a₂₃， a₂₄， a₂₅， a₂₇， a₂₈， a₂₉
need to	a₁， a₂， a₄， a₅， a₆， a₈， a₁₀， a₁₂， a₁₃， a₁₅， a₁₆， a₁₈， a₁₉， a₂₁， a₂₂， a₂₃， a₂₄， a₂₅， a₂₆， a₂₈
want to	a₄， a₆， a₈， a₁₂， a₁₈， a₁₉， a₂₃， a₂₄， a₂₅， a₂₆， a₂₇， a₂₈， a₂₉， a₃₁， a₃₄
have to	a₂， a₄， a₆， a₈， a₁₀， a₁₂， a₁₃， a₁₄， a₁₅， a₁₆， a₁₇， a₁₈， a₁₉， a₂₀， a₂₁， a₂₂， a₂₅， a₂₆， a₂₇， a₂₈， a₂₉，a₃₀， a₃₁， a₃₂， a₃₃， a₃₄， a₃₆， a₃₇， a₃₈， a₃₉， a₄₀， a₄₁， a₄₂

Tab. 10 Score of each feature in every semantic disambiguation rule for “can”

规则号	类别	规则中特征数	识别出对象数	每个特征得分	规则号	类别	规则中特征数	识别出对象数	每个特征得分
1	1	15	1	0.067	53	3	8	4	1.200
2	1	12	1	0.083	54	3	7	3	0.273
3	1	14	3	0.214	55	3	6	3	0.750
4	1	13	7	0.538	56	3	4	15	0.786
5	1	12	1	0.083	57	3	2	23	0.467
︙	︙	︙	︙	︙

Tab. 11 Contribution of selected features to WSD

排序	can		may		must		shall		will
排序	特征	贡献度	特征	贡献度	特征	贡献度	特征	贡献度	特征	贡献度
1	a₁₀	1.000	a₆	1.000	a₆	1.000	a₃₀	1.000	a₉	1.000
2	a₂	0.660	a₄	0.690	a₄	0.620	a₁₆	0.650	a₃₉	0.750
3	a₂₀	0.510	a₉	0.430	a₁₀	0.390	a₂₄	0.400	a₃₈	0.560
4	a₈	0.480	a₁₂	0.300	a₂₈	0.270	a₁₇	0.410	a₁₁	0.550
5	a₄	0.440	a₂	0.280	a₈	0.250	a₁₈	0.350	a₃	0.420
6	a₃₁	0.300	a₁₈	0.220	a₂	0.180	a₄	0.340	a₁₈	0.330
7	a₂₅	0.210	a₂₆	0.180	a₁₂	0.178	a₁₃	0.150	a₃₄	0.230
8	a₂₉	0.180	a₁₉	0.150	a₂₂	0.168	a₂₈	0.110	a₁	0.190
9	a₃₀	0.160	a₂₂	0.080	a₁₃	0.040	a₆	0.100	a₂	0.180
10	a₂₁	0.130	a₁₇	0.070	a₁₄	0.035	a₈	0.090	a₃₅	0.140
11	a₂₃	0.110	a₈	0.060	a₂₀	0.030	a₁₀	0.060	a₁₄	0.120
12	a₁₂	0.100	a₂₈	0.050	a₁₅	0.029	a₂₂	0.060	a₂₉	0.110
13	a₂₄	0.088	a₂₃	0.040	a₂₉	0.027	a₂₇	0.057	a₃₆	0.100
14	a₁₄	0.086	a₁₄	0.030	a₂₃	0.023	a₃₁	0.040	a₃₇	0.060
15	a₃₄	0.085	a₃₂	0.027	a₂₁	0.020	a₃₃	0.039	a₃₀	0.056
16	a₁₈	0.063	a₃₃	0.020	a₂₄	0.019	a₃₂	0.037	a₁₂	0.051
17	a₁₃	0.063	a₃₁	0.013	a₂₆	0.016	a₃₅	0.003	a₃₂	0.049
18	a₂₇	0.058	a₂₉	0.012	a₂₅	0.012	a₁₂	0.002	a₁₉	0.043
19	a₂₆	0.056	a₂₄	0.011	a₁₉	0.012	—	—	a₃₁	0.036
20	a₁₉	0.049	a₃₀	0.003	a₁₈	0.008	—	—	a₂₅	0.024
21	a₂₈	0.029	—	—	a₃₁	0.003	—	—	a₂₃	0.020
22	a₁₅	0.020	—	—	—	—	—	—	a₆	0.017
23	a₁₆	0.009	—	—	—	—	—	—	a₈	0.017
24	a₂₂	0.003	—	—	—	—	—	—	a₂₄	0.013
25	—	—	—	—	—	—	—	—	a₂₈	0.013
26	—	—	—	—	—	—	—	—	a₄₁	0.007
27	—	—	—	—	—	—	—	—	a₁₆	0.005

Tab. 12 Contributions of four types of features to WSD

情态动词	语义特征	句法特征	语用特征	体裁特征	情态动词	语义特征	句法特征	语用特征	体裁特征
can	2.68	1.73	0.41	0.09	should	3.40	0.84	1.17	0.18
may	2.86	0.64	0.22	0.04	would	2.66	4.21	0.00	0.31
must	2.61	0.37	0.33	0.00	be able to	0.53	1.60	1.26	0.00
shall	1.40	2.45	0.08	0.00	be going to	1.97	1.72	0.00	0.03
will	2.55	2.27	0.27	0.01	have to	3.42	3.11	0.13	0.00
could	3.17	1.63	0.17	0.09	need to	0.58	0.74	0.07	0.00
might	2.38	1.60	0.05	0.06	want to	1.33	0.48	0.10	0.01
ought to	1.50	0.28	0.05	0.01	总和（占比）	33.02 （53.41%）	23.67 （38.29%）	4.30 （6.96%）	0.83 （1.34%）

Tab. 13 Contributions of attribute features at different layers

层次	语义特征	句法特征	语用特征	体裁特征
前5层特征	26.03	10.91	2.59	0.00
前10层特征	31.37	17.45	3.33	0.49
全体特征	33.02	23.67	4.30	0.83

Tab. 14 Contributions of high and low MI semantic features to WSD

情态动词	语义特征	高值互信息	低值互信息
总和	33.02	3.74	29.28
can	2.68	0.00	2.68
may	2.86	0.43	2.42
must	2.61	0.00	2.61
shall	1.40	0.15	1.25
will	2.55	2.16	0.39
could	3.17	1.00	2.17
might	2.38	0.00	2.38
ought to	1.50	0.00	1.50
should	3.40	0.00	3.40
would	2.66	0.00	2.66
be able to	0.53	0.00	0.53
be going to	1.97	0.00	1.97
have to	3.42	0.00	3.42
need to	0.58	0.00	0.58
want to	1.33	0.00	1.33

References 21

[1]	YU J， HUANG L， FU J， et al. A comparative study of word sense disambiguation of English modal verb by BP neural network and support vector machine［J］. International Journal of Innovative Computing， Information and Control， 2011， 7（5（A））： 2345-2355.
[2]	YU J， FU J， DUAN J. Syntactic feature based word sense disambiguation of English modal verbs by Naïve Bayesian model［J］. ICIC Express Letter， 2010， 4（5B）： 1817-1822.
[3]	YU J， HONG W， LI S， et al. A new approach of word sense disambiguation and knowledge discovery of English modal verbs by formal concept analysis［J］. International Journal of Innovative Computing， Information and Control， 2013， 9（3）： 1189-1200.
[4]	HONG W， LI S， YU J， et al. A new approach of generation of structural partial-ordered attribute diagram［J］. ICIC Express Letters， Part B： Applications， 2012， 3（4）： 823-830.
[5]	YU J， YUAN L， ZHANG T， et al. A Filter-APOSD approach for feature selection and linguistic knowledge discovery［J］. Journal of Intelligent and Fuzzy Systems： Applications in Engineering and Technology， 2023， 44（3）： 4013-4028.
[6]	徐伟华，李金海，折延宏. 概念认知学习理论与方法［M］. 北京：科学出版社， 2023： 61-130.
	XU W H， LI J H， ZHE Y H. Theory and method of concept-cognitive learning［M］. Beijing： Science Press， 2023： 61-130.
[7]	郭豆豆，徐伟华. R-FCCL：一种面向高维数据的稳健模糊概念认知学习方法［J］. 计算机研究与发展， 2025， 62（2）： 383-396.
	GUO D D， XU W H. R-FCCL： an approach of fuzzy-based concept-cognitive learning with robustness for high-dimensional data［J］. Journal of Computer Research and Development， 2025， 62（2）： 383-396.
[8]	张晓燕，黄雨阳. 广义多尺度决策表最优尺度选择的快速算法［J］. 闽南师范大学学报（自然科学版）， 2024， 37（2）： 1-7.
	ZHANG X Y， HUANG Y Y. A fast algorithm for optimal scale selection of generalized multi-scale decision tables［J］. Journal of Minnan Normal University （Natural Science）， 2024， 37（2）： 1-7.
[9]	徐伟华，林玉飞. 基于模糊三支概念的冲突分析［J］. 闽南师范大学学报（自然科学版）， 2024， 37（1）： 1-7.
	XU W H， LIN Y F. Conflict analysis based on fuzzy three-way concept［J］. Journal of Minnan Normal University （Natural Science）， 2024， 37（1）： 1-7.
[10]	李洪波，于建平. 英语情态动词语义排歧中的知识发现研究［J］. 电脑知识与技术， 2019， 15（12）： 181-186.
	LI H B， YU J P. Knowledge discovery in word sense disambiguation of English modal verbs［J］. Computer Knowledge and Technology， 2019， 15（12）： 181-186.
[11]	FU J， YU J， LIU H. Influence of different subjective factors to WSD of English modal verb can［J］. ICIC Express Letters， Part B： Applications， 2015， 6（5）： 1473-1478.
[12]	于建平，付继林，白塔娜，等. 基于独有属性特征的情态与语境互动关系数据挖掘研究［J］. 燕山大学学报， 2019， 43（5）： 462-470.
	YU J P， FU J L， BAI T N， et al. Data mining of interactive and restrictive relations between modal senses and contextual features by exclusive attribute features［J］. Journal of Yanshan University， 2019， 43（5）： 462-470.
[13]	于建平，孙亚楠，孙锐，等. 共现语境特征对情态动词语义排歧的限制作用［J］. 江苏科技大学学报（自然科学版）， 2019， 33（6）： 60-67.
	YU J P， SUN Y N， SUN R， et al. Restriction of co-occurred contextual features upon word sense disambiguation of English modal verb［J］. Journal of Jiangsu University of Science and Technology （Natural Science Edition）， 2019， 33（6）： 60-67.
[14]	LI H， YU J. Attribute significance analysis of English modal verb shall in word sense disambiguation［J］. ICIC Express Letters， Part B： Applications， 2015， 6（5）： 1287-1294.
[15]	ZHANG S， YU J. Contributions of different linguistic features to WSD of English modal verb may［J］. ICIC Express Letters， Part B： Applications， 2015， 6（5）： 1431-1436.
[16]	ZHANG T， LI T， XUE Z， et al. A novel random forest variant based on intervention correlation ratio［J］. IEEE Transactions Emerging Topics in Computational Intelligence， 2024， 8（3）： 2541-2553.
[17]	ZHANG T， SHAN H R， LITTLE M A. Causal GraphSAGE： a robust graph method for classification based on causal sampling［J］. Pattern Recognition， 2022， 128： No.108696.
[18]	XUE Z， LU H， ZHANG T， et al. Three-way causal attribute partial order structure analysis［C］// Proceedings of the 2023 International Conference on Cyber-Physical Social Intelligence. Piscataway： IEEE， 2023： 648-653.
[19]	PEARL J， MACKENZIE D. The book of why： the new science of cause and effect［M］. New York： Basic Books， 2018： 23-28.
[20]	Join GitHub today， Human annotated corpus for WSD of English modal verbs［EB/OL］. ［2025-02-11］..
[21]	COATES J. The semantics of modal auxiliaries［M］. London： Routledge Press， 1983： 31-228.

Word sense disambiguation method of modal verbs based on causal partial order diagram

基于因果偏序图的情态动词语义消歧方法

RichHTML

PDF

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 18

References 21

Related Articles 8

Recommended Articles

Metrics

[1]	Shufen ZHANG, Hongyang ZHANG, Zhiqiang REN, Xuebin CHEN. Survey of fairness in federated learning [J]. Journal of Computer Applications, 2025, 45(1): 1-14.
[2]	LI Hao, ZHU Yan. Xgboost algorithm optimization based on gradient distribution harmonized strategy [J]. Journal of Computer Applications, 2020, 40(6): 1633-1637.
[3]	YANG Zhizhuo. Word sense disambiguation method based on knowledge context [J]. Journal of Computer Applications, 2015, 35(4): 1006-1008.
[4]	SONG Xiaoyu, XU Huan, BAI Qingyue. Trust model based on node dependency and interaction frequency in wireless Mesh network [J]. Journal of Computer Applications, 2015, 35(11): 3051-3054.
[5]	HU Jichen HUANG Guoyong SHAO Zongkai WANG Xiaodong ZOU Jinhui. Small fault detection method of instruments based on independent component subspace algorithm and ensemble strategy [J]. Journal of Computer Applications, 2013, 33(07): 2063-2066.
[6]	ZHOU Yun ZHAN Hua-wei. Coverage problem of directional sensors in wireless sensor networks [J]. Journal of Computer Applications, 2011, 31(12): 3200-3203.
[7]	. Data scheduling model based on incentive for P2P media streaming [J]. Journal of Computer Applications, 2009, 29(10): 2620-2623.
[8]	. Optimal node density control algorithm based on cooperation in WSNs [J]. Journal of Computer Applications, 2007, 27(6): 1493-1496.