版權(quán)說(shuō)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、隨著互聯(lián)網(wǎng)的迅速發(fā)展,人們獲取知識(shí)的來(lái)源不再局限于書(shū)本和課堂,越來(lái)越多的網(wǎng)絡(luò)公開(kāi)課走入了人們的現(xiàn)代生活,例如著名的網(wǎng)易公開(kāi)課,中國(guó)大學(xué)MOOC和搜狐名校公開(kāi)課等。用戶觀看視頻后,通過(guò)評(píng)論可以進(jìn)行學(xué)習(xí)交流和發(fā)表觀點(diǎn)。通過(guò)研究有效的信息采集方法和優(yōu)秀的文本聚類算法,將大量分散的評(píng)論信息完整的采集、組織和歸類,發(fā)現(xiàn)學(xué)習(xí)者關(guān)注的問(wèn)題,對(duì)今后優(yōu)質(zhì)資源的建設(shè),起到大眾導(dǎo)向作用。本文的研究將涉及兩種關(guān)鍵的技術(shù):信息采集技術(shù)和文本聚類技術(shù)。經(jīng)過(guò)分析該類
2、型網(wǎng)站的結(jié)構(gòu)特點(diǎn),首先,評(píng)論不是以傳統(tǒng)靜態(tài)HTML網(wǎng)頁(yè)呈現(xiàn)的表層信息,而是以Ajax動(dòng)態(tài)網(wǎng)頁(yè)呈現(xiàn)的深度信息。其次,這些評(píng)論信息是典型的短文本,文本比較口語(yǔ)化,隱含的話題也比較分散。這些特點(diǎn)就為傳統(tǒng)信息采集及聚類技術(shù)增加了難度。
本人獨(dú)立完成了如下工作:第一,在評(píng)論信息采集階段,利用HtmlUnit模擬特定的Firefox瀏覽器,調(diào)用瀏覽器API模擬用戶事件的觸發(fā),獲取該事件交互后的完整頁(yè)面信息。該方法利用事件取代URL地址作為
3、頁(yè)面發(fā)生變化的唯一標(biāo)識(shí),有效地避免了傳統(tǒng)爬蟲(chóng)對(duì)URL地址的依賴,并能夠保證Ajax信息的抓全率,為后續(xù)聚類工作提供了必備的數(shù)據(jù)源。第二,對(duì)采集后的評(píng)論文本進(jìn)行NLPIR中文分詞,構(gòu)建了公開(kāi)課領(lǐng)域的用戶字典,整理了1205個(gè)停用詞,將文本轉(zhuǎn)換為計(jì)算機(jī)能理解的數(shù)據(jù)模型,引入了LDA主題模型,有效地避免了傳統(tǒng)VSM向量空間模型對(duì)語(yǔ)義相關(guān)性的忽略。第三,對(duì)處理后的文本進(jìn)行聚類時(shí),以初始中心的選擇為研究的切入點(diǎn),基于LDA模型,在部分最重要的主題
4、維度上預(yù)先聚類,收斂的各中心點(diǎn)作為所有主題維度聚類的初始中心點(diǎn),這使得初始點(diǎn)的選擇更加具有代表性,避免了盲目選擇造成的聚類結(jié)果不穩(wěn)定。線性結(jié)合了VSM模型和LDA模型的計(jì)算公式,并通過(guò)訓(xùn)練確定其最優(yōu)參數(shù),應(yīng)用到K-means算法中。
最后用實(shí)驗(yàn)表明,深度評(píng)論信息獲取階段,對(duì)比已有文獻(xiàn)的方法,本文提出的方法具有可行性及靈活性,能夠提高采集率。短評(píng)論信息聚類階段,基于VSM+LDA模型線性相加的文本相似度公式,應(yīng)用到基于LDA初始
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)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(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)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(qǐng)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(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于深度學(xué)習(xí)的聚類關(guān)鍵技術(shù)研究.pdf
- 聚類集成關(guān)鍵技術(shù)研究.pdf
- 信息獲取關(guān)鍵技術(shù)研究與應(yīng)用.pdf
- 文本聚類集成關(guān)鍵技術(shù)研究.pdf
- 信息獲取與應(yīng)用的若干關(guān)鍵技術(shù)研究.pdf
- 子空間聚類集成的關(guān)鍵技術(shù)研究.pdf
- 中文文本聚類關(guān)鍵技術(shù)研究.pdf
- 專利信息獲取與分析系統(tǒng)關(guān)鍵技術(shù)研究.pdf
- 流數(shù)據(jù)的頻繁項(xiàng)挖掘及聚類的關(guān)鍵技術(shù)研究.pdf
- 基于浮動(dòng)車的交通信息獲取關(guān)鍵技術(shù)及應(yīng)用分析.pdf
- 文本數(shù)據(jù)聚類算法的若干關(guān)鍵技術(shù)及應(yīng)用研究.pdf
- 社會(huì)新媒體的信息獲取與情感分類關(guān)鍵技術(shù)研究及實(shí)現(xiàn).pdf
- 處理海量數(shù)據(jù)的聚類算法關(guān)鍵技術(shù)研究.pdf
- 高精度三維信息獲取裝置關(guān)鍵技術(shù)的研究.pdf
- 無(wú)線傳感器網(wǎng)絡(luò)信息獲取關(guān)鍵技術(shù)研究.pdf
- 已知網(wǎng)絡(luò)信息獲取中的相關(guān)關(guān)鍵技術(shù)研究.pdf
- 基于聚類的個(gè)性化推薦關(guān)鍵技術(shù)研究.pdf
- 基于劃分和層次的聚類算法關(guān)鍵技術(shù)研究.pdf
- 基于目標(biāo)函數(shù)的模糊聚類算法關(guān)鍵技術(shù)研究.pdf
- 智能消防服系統(tǒng)信息獲取與處理關(guān)鍵技術(shù)研究.pdf
評(píng)論
0/150
提交評(píng)論