基于相關(guān)主題模型的文本分類方法研究.pdf_第1頁(yè)
已閱讀1頁(yè)，還剩65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、隨著信息時(shí)代的來(lái)臨,大量以文本格式存儲(chǔ)的信息出現(xiàn)在Internet、數(shù)字圖書館及公司的Intranet上,基于人工智能的文本分類是處理這些文本信息的重要支撐技術(shù)。特征提取及文本表示是影響文本分類結(jié)果的關(guān)鍵。目前,相關(guān)主題模型(Correlated Topic Model,CTM)已成為一種有效的文本表示方法,該模型可以在不丟失重要信息的基礎(chǔ)上大幅度地降低文本數(shù)據(jù)的維度,并且可以加快分類速度,提高分類的精度。然而該模型在應(yīng)用于文本表示的過(guò)

2、程中還存在著如何選取恰當(dāng)?shù)闹黝}數(shù)以及怎樣選取最優(yōu)特征等問(wèn)題。
　　 本文對(duì)基于CTM模型的文本分類方法做了較為深入的研究,主要完成了以下工作:
　　 (1)分析并總結(jié)了CTM模型應(yīng)用在文本分類中的優(yōu)缺點(diǎn)；
　　 (2)提出一種基于密度聚類的CTM模型主題數(shù)目選取方法,以優(yōu)化CTM模型；
　　 (3)提出一種遺傳算法與改進(jìn)的互信息相結(jié)合的CTM模型特征提取方法,從而減少冗余特征；
　　 (4)基于所

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