TextRank關(guān)鍵詞提取算法與SOM文本聚類模型的優(yōu)化研究.pdf_第1頁
已閱讀1頁，還剩63頁未讀， 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、互聯(lián)網(wǎng)信息技術(shù)快速發(fā)展，為滿足人們對浩瀚網(wǎng)絡(luò)文本信息的檢索需求，文本聚類逐漸成為人們研究的焦點(diǎn)。在文本聚類過程中，關(guān)鍵詞提取與聚類算法分析起著至關(guān)重要的作用。為改善的文本聚類效果，本文從這兩個(gè)方面展開研究:
　　1.提出改進(jìn)的TextRank關(guān)鍵詞提取算法預(yù)處理文本。將基于滑動(dòng)窗格的詞互信息作為邊權(quán)重加入到TextRank算法的圖模型中，優(yōu)化了TextRank算法中候選詞評分分配問題。在此基礎(chǔ)上，將候選詞的頂點(diǎn)權(quán)重-單文檔詞頻TF

2、(Term Frequency)加入到TextRank算法的權(quán)值迭代計(jì)算公式，用詞頻調(diào)整詞的跳轉(zhuǎn)概率，一定程度上解決了等概率“跳轉(zhuǎn)”問題。實(shí)驗(yàn)結(jié)果表明:所提算法的準(zhǔn)確率、召回率以及F1值均有提升，算法的迭代計(jì)算效率提升20％;所提取關(guān)鍵詞更能代表文本特征，有助于改善后續(xù)的文本聚類效果。
　　2.將貝葉斯正則化理論引入SOM文本聚類訓(xùn)練算法，在SOM權(quán)值調(diào)整公式中引入反映網(wǎng)絡(luò)權(quán)值復(fù)雜性的懲罰項(xiàng)，避免權(quán)值調(diào)整過程中出現(xiàn)過度擬合;利用貝

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論