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、隨著信息技術(shù)的發(fā)展,我們步入了一個(gè)信息化的社會(huì),信息量呈幾何級(jí)數(shù)增加。人們對(duì)信息資源的依賴性越來(lái)越大,如何實(shí)現(xiàn)信息的自動(dòng)分類,尤其是中文文本信息的有效分類是目前中文信息處理研究的一個(gè)重要分支領(lǐng)域。 文本分類是指對(duì)于帶有類別的文本集合,根據(jù)每一個(gè)類別的文本子集合的共有特點(diǎn),找出一個(gè)分類函數(shù)或分類模型,根據(jù)該模型可以把其它文本映射到已有類別中的一個(gè),從而實(shí)現(xiàn)對(duì)文本的自動(dòng)分類。它使得用戶不但能夠方便地瀏覽文檔,而且可以通過(guò)限制搜索范圍
2、來(lái)使文檔的查找更為容易。 本文研究了文本分類的背景和發(fā)展現(xiàn)狀,闡述了其系統(tǒng)結(jié)構(gòu)。在系統(tǒng)的構(gòu)建過(guò)程中,重點(diǎn)針對(duì)中文分詞技術(shù),文本表示,特征選取算法和分類算法四部分進(jìn)行了詳細(xì)的分析和深入的研究,并在現(xiàn)有方法的基礎(chǔ)上分別予以改進(jìn)。在下面的四點(diǎn)中,分別簡(jiǎn)單介紹了本文針對(duì)以上四個(gè)關(guān)鍵部分所做的主要工作。 (1).在中文分詞部分,針對(duì)基于字典的分詞方法中詞典的容量有限,隨現(xiàn)代社會(huì)發(fā)展迅速,新詞不斷出現(xiàn)導(dǎo)致分詞方法極大地受到了詞典的約
3、束這個(gè)問(wèn)題,本文提出了一種漸進(jìn)式擴(kuò)充詞典的分詞方法,在這種方法中結(jié)合了基于字符串匹配和基于統(tǒng)計(jì)相結(jié)合的分詞方法??梢杂媒y(tǒng)計(jì)的方法識(shí)別出詞典中沒有的新詞,并將其補(bǔ)充進(jìn)詞典中,不斷地?cái)U(kuò)大詞典的規(guī)模,從而極大地提高了分詞的準(zhǔn)確度。 (2).在文本表示這一部分,本文通過(guò)分析經(jīng)典的TF-IDF公式存在的問(wèn)題:該公式在計(jì)算特征詞權(quán)重時(shí),僅考慮了詞頻因素而忽略了特征詞在文章中的位置、特征詞的長(zhǎng)度、特征詞出現(xiàn)在類內(nèi)類間的文本頻數(shù)這三個(gè)因素對(duì)詞條
4、權(quán)重的影響,提出了一種新的特征詞權(quán)重的計(jì)算方法,該方法將這三方面的因素考慮進(jìn)來(lái),在TF-IDF 公式的基礎(chǔ)上又進(jìn)行了進(jìn)一步的改進(jìn)。 (3).在DF方法中,本研究發(fā)現(xiàn)以整篇文章為單位來(lái)衡量詞條的重要程度往往沒有以段為單位更精確些。另外,詞條所屬類的文本總段數(shù)與整個(gè)訓(xùn)練文本集的文本總段數(shù)的比例對(duì)詞條的代表性也有很大的影響。本文針對(duì)這兩方面的特點(diǎn)對(duì)DF 公式進(jìn)行了改進(jìn),簡(jiǎn)稱為NDF。 (4).文本分類算法是一種有監(jiān)督的學(xué)習(xí)算法
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(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。
最新文檔
- 多標(biāo)簽中文文本分類中的關(guān)鍵技術(shù)研究.pdf
- 中文文本自動(dòng)分類關(guān)鍵技術(shù)研究及實(shí)現(xiàn).pdf
- 中文文本分類關(guān)鍵技術(shù)研究與實(shí)現(xiàn).pdf
- 中文TTS系統(tǒng)中若干關(guān)鍵技術(shù)研究.pdf
- 中文文本數(shù)據(jù)庫(kù)若干關(guān)鍵技術(shù)研究.pdf
- 中文圖像文檔高速過(guò)濾中的關(guān)鍵技術(shù)研究.pdf
- 中文信息處理中若干關(guān)鍵技術(shù)的研究.pdf
- 中文多文檔文摘關(guān)鍵技術(shù)研究.pdf
- 中文文本自動(dòng)分類中的若干問(wèn)題研究.pdf
- 文檔數(shù)據(jù)庫(kù)若干關(guān)鍵技術(shù)研究.pdf
- 中文文本聚類關(guān)鍵技術(shù)研究.pdf
- 全極化SAR分類若干關(guān)鍵技術(shù)研究.pdf
- VoIP中若干關(guān)鍵技術(shù)的研究.pdf
- 基于內(nèi)容的中文文本過(guò)濾關(guān)鍵技術(shù)研究.pdf
- 文檔掃描圖像處理若干關(guān)鍵技術(shù)研究.pdf
- 聚類分析中若干關(guān)鍵技術(shù)的研究.pdf
- 視頻編碼中若干關(guān)鍵技術(shù)的研究.pdf
- WiMAX系統(tǒng)中若干關(guān)鍵技術(shù)的研究.pdf
- 基于中文文本的本體學(xué)習(xí)關(guān)鍵技術(shù)研究.pdf
- 基于半監(jiān)督學(xué)習(xí)的中文文檔分類技術(shù)研究.pdf
評(píng)論
0/150
提交評(píng)論