一種潛在語義索引差異模型及其應用.pdf_第1頁
已閱讀1頁，還剩67頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

1、目前，文本自動分類是信息檢索領域中的研究熱點之一，傳統(tǒng)的文本分類方法是采用詞作為特征構建特征向量，但是文本中詞的數(shù)量非常大，導致了特征向量空間的維數(shù)非常高，因此需要對文本進行降維。目前降維技術主要有兩種：特征選擇和特征抽取重構。本文所采用的潛在語義索引(Latent Semantic Indexing，LSI)是一種特征抽取方法，可以將特征詞空間映射到低維的語義空間，達到明顯的降維效果。目前，潛在語義索引廣泛應用于信息檢索領域，由于LS

2、I在降低維數(shù)的同時忽略了樣本的類別信息，是一種完全無監(jiān)督的降維方式，因此，不能起到優(yōu)化類別區(qū)分能力的作用。近年來出現(xiàn)了很多對LSI的改進，如局部潛在語義索引模型(Local Latent Semantic Indexing，LLSI)和有監(jiān)督的潛在語義索引模型(SupervisedLatent Semantic Indexing，SLSI)等。它們將文本的類別信息加入到了潛在語義空間中，進而改善了文本分類的精度。
　　 本文在各

3、種LSI模型的基礎上，提出了一種新的潛在語義索引模型——潛在語義索引差異模型(Difference Latent Semantic Indexing，DLSI)。介紹了潛在語義差異模型的原理，并借助SVM文本分類算法與其他經典的潛在語義索引模型進行了性能比較。實驗證明，DLSI具有良好的分類有效性和準確度，尤其在英文文本的分類實驗中，分類精度比其他模型有明顯提高。
　　 本文的創(chuàng)新點之處有：
　　 1)在各種潛在語義索引

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。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，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