2023年全國(guó)碩士研究生考試考研英語(yǔ)一試題真題(含答案詳解+作文范文)_第1頁(yè)
已閱讀1頁(yè),還剩57頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

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)技術(shù)的飛速發(fā)展,文本數(shù)據(jù)呈指數(shù)級(jí)增長(zhǎng)。為了獲得數(shù)據(jù)之間的內(nèi)在關(guān)系及隱含信息,文本挖掘技術(shù)應(yīng)運(yùn)而生。聚類分析作為數(shù)據(jù)挖掘的一個(gè)重要功能,在文本挖掘中有著非常重要的作用,本文將討論帶有干擾信息的文本聚類方法。
   傳統(tǒng)的文本挖掘方法首先將文本表示成向量空間模型;然后用TFIDF權(quán)重將文檔轉(zhuǎn)化為向量形式,最后在向量空間模型中計(jì)算文本相似度。在傳統(tǒng)的向量空間模型中,由于沒(méi)有考慮詞之間存在的概念相似情況,因此影響了數(shù)據(jù)聚類的準(zhǔn)

2、確性。因而針對(duì)中文提出了一種基于知網(wǎng)模型和語(yǔ)義內(nèi)積的相似度計(jì)算方法。
   然而,這一方法卻并不適用于垃圾郵件的聚類問(wèn)題。原因是垃圾郵件發(fā)送者經(jīng)在郵件編輯完成后,用類似于查找替換的辦法,把文本中規(guī)范的敏感關(guān)鍵詞替換為另一個(gè)用插入符號(hào)、改動(dòng)次序甚至用拼音替代等方法混淆過(guò)的、但能被讀者理解的詞語(yǔ),以逃脫郵件處理程序的過(guò)濾。如果利用傳統(tǒng)的方法則會(huì)采取一系列預(yù)處理措施,將會(huì)過(guò)濾掉干擾信息,這樣會(huì)使垃圾郵件的相似度計(jì)算準(zhǔn)確度較低,最終導(dǎo)致

3、聚類質(zhì)量效果較差。
   針對(duì)垃圾郵件含有較多干擾信息而導(dǎo)致相似性度量較差這一問(wèn)題,本文采用非度量的方法,將Needleman-Wunsch算法應(yīng)用到文本相似度計(jì)算中。最后,利用該相似度計(jì)算方法,提出一種基于Needleman-Wunsch的聚類算法,最終完成文本聚類。
   與基于向量空間模型相比,采用Needleman-Wunsch算法計(jì)算文本相似度時(shí),避免了分詞過(guò)程,減少語(yǔ)義損失,保留了所有的文本信息,保證了聚類質(zhì)

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。

評(píng)論

0/150

提交評(píng)論