基于LDA的微博短文本分類技術(shù)的研究與實現(xiàn).pdf_第1頁
已閱讀1頁，還剩73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、隨著Web2.0技術(shù)的發(fā)展，微博的使用人群以極快的速度增加，對互聯(lián)網(wǎng)的影響也日趨重大。對微博進行分類在用戶個性化推薦、微博社群及垃圾信息過濾中都至關(guān)重要。而微博屬于短文本，包含信息量有限，傳統(tǒng)的文本分類方式并不能很好地用在微博上。
　　本文針對微博短文本的特點，提出基于LDA潛在語義空間分析來對微博進行分類。首先應(yīng)用LDA對具有類標(biāo)簽的微博短文本訓(xùn)練數(shù)據(jù)進行建模，獲得訓(xùn)練數(shù)據(jù)的潛在語義空間分布，并根據(jù)訓(xùn)練數(shù)據(jù)來對微博短文本測試數(shù)據(jù)

2、進行主題推斷。在獲取訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的文檔——語義分布矩陣后，對它們進行特征放大算法處理來提取文檔特征。在此基礎(chǔ)上，使用支持向量機對其進行分類，并通過參數(shù)空間搜索來改善分類效果。
　　本文還進行了基于內(nèi)容的微博用戶分析。通過對微博數(shù)據(jù)進行分類建模，建立相關(guān)的領(lǐng)域詞典，并使用PMI來計算用戶微博中的詞與領(lǐng)域詞典的相關(guān)傾向性，并對用戶微博進行傾向性匯總，分析出某用戶微博涵蓋的主題及這些主題在微博中所占的比重。
　　實驗表明，本

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