文本分類和聚類若干模型的研究.pdf_第1頁
已閱讀1頁,還剩60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),請進行舉報或認領(lǐng)

文檔簡介

1、隨著互聯(lián)網(wǎng)上文本數(shù)據(jù)的持續(xù)暴漲式增長,文本挖掘這種在大規(guī)模數(shù)據(jù)情況下能有效組織和管理文本信息的工具得到了廣泛的研究和應(yīng)用。本文分別針對文本挖掘中分類和聚類的幾個問題提出了改進模型。
   對于有監(jiān)督學(xué)習(xí)中的文本分類問題,傳統(tǒng)分類方法在類別較少時能表現(xiàn)較好的效果,但遇到類別較多且類別間存在著復(fù)雜關(guān)系時其效果不盡人意?!吧顚臃诸悺蹦P褪且环N解決大規(guī)模文本層次分類問題的有效框架,它由搜索和分類兩階段組成,其中搜索階段用于選擇與測試文檔

2、相關(guān)的若干個候選類別,分類階段則是通過對這些候選類別訓(xùn)練更加精確的分類器進行最終分類。本文基于該框架提出一種改進型模型,首先將一種新方法用于單獨評價搜索階段的效果;然后利用類別和文檔信息共同選擇候選類別;最后基于類中心訓(xùn)練Rocchio分類器,同時還利用相關(guān)類別的分類結(jié)果確定最終類別。
   對于無監(jiān)督學(xué)習(xí)中的文本聚類問題,準確高效地度量文本間的相關(guān)性是其重要任務(wù)。傳統(tǒng)方法直接計算文檔間的統(tǒng)計相關(guān)性,而沒有考慮相鄰文檔的影響。本

3、文使用了Markov網(wǎng)絡(luò)模型表示文本集中文檔關(guān)系,該方法不僅考慮文檔間的直接相關(guān)性還考慮了各自鄰域?qū)ζ涿枋龅挠绊?并將該方法用于文檔聚類中,通過構(gòu)造Markov網(wǎng)絡(luò)并加權(quán)結(jié)合各步轉(zhuǎn)移矩陣,使得類內(nèi)數(shù)據(jù)相關(guān)性描述更大,類間數(shù)據(jù)相關(guān)性描述更小,最后利用這種相關(guān)性描述差距明顯的關(guān)系矩陣進行聚類。
   本文的工作主要包括以下兩點:
   1)系統(tǒng)地研究了大規(guī)模文本分類中的方法和應(yīng)用,并針對深層分類模型提出了一種結(jié)合相關(guān)類別的大

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