基于張量空間模型的文本分類研究.pdf_第1頁
已閱讀1頁，還剩53頁未讀， 繼續(xù)免費閱讀

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)，請進行舉報或認(rèn)領(lǐng)

文檔簡介

1、互聯(lián)網(wǎng)和信息技術(shù)的飛速發(fā)展所引發(fā)的信息爆炸對文本分類任務(wù)提出了新的挑戰(zhàn)：建立分類器時所獲得的樣本相對于海量的未知數(shù)據(jù)非常有限，模擬樣本的空間分布變得困難，這可能帶來過擬合及數(shù)據(jù)偏斜的問題?；趶埩康臄?shù)據(jù)表示和學(xué)習(xí)方法能減少學(xué)習(xí)模型中的未知參數(shù)，從而能夠降低模型的復(fù)雜性，增強學(xué)習(xí)模型的泛化能力，緩解學(xué)習(xí)任務(wù)中小樣本問題。對于不具有高階特性的數(shù)據(jù)，構(gòu)造基于張量的數(shù)據(jù)表示方法是使用張量統(tǒng)計學(xué)習(xí)框架的首要步驟。本文對基于張量空間模型(TSM)的

2、文本分類問題進行了研究，主要工作如下：
　　 (1)在研究支持張量機學(xué)習(xí)機制的基礎(chǔ)上，分析和比較了多種TSM文本表示方法，并從理論和實驗兩個方面解釋了這些方法的局限性。
　　 (2)提出兩種基于張量的文本表示方法隨機映射TSM(RM_TSM)和小類隨機映射TSM(SRM_TSM)，實驗結(jié)果表明RM_TSM和SRM_TSM在小樣本數(shù)據(jù)集上的表現(xiàn)優(yōu)于其他的TSM文本表示方法。
　　 (3)將STM引入到多類分類方法中

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空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，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