已閱讀1頁,還剩59頁未讀, 繼續(xù)免費閱讀
版權說明: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,請進行舉報或認領
文檔簡介
1、話題發(fā)現(xiàn)中常用的VSM向量空間模型將語言學的文本內(nèi)容轉(zhuǎn)化為數(shù)學上的空間向量坐標,進而把抽象的文本間相似性問題轉(zhuǎn)換為空間向量坐標間的距離問題,直觀且易于理解,但存在的問題是:語義缺失,即忽視了文本中包含的語義信息。
本文考慮改進VSM模型中權值算法TFIDF,通過引入LDA主題模型的主題概念來增加特征詞權重的主旨語義信息,以期達到對文本的空間向量坐標增加語義信息(因為坐標值即是權重值)。算法的改進策略分為兩種:首先,通過構建LD
2、A模型,得出概率分布函數(shù)θ和(ψ)值,計算出語義影響力SI,提出SI-TFIDF算法;其次,主題-詞的概率分布(ψ)值中,判定最大的前1/K的(ψ)值對應的特征詞屬于該主題,用以計算主題分布頻率TDF即:語義分布,提出了TFIDF-TDF算法。實驗采用sougou實驗室的精簡版數(shù)據(jù),實驗結果顯示:兩種改進的算法提取的特征詞用在文本聚類上F值都有明顯的提升,SI-TFIDF算法的提升效果穩(wěn)定,而TFIDF-TDF算法在文本主題數(shù)較多時聚類
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(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權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。
- 6. 下載文件中如有侵權或不適當內(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。
最新文檔
- 主題模型LDA推理算法對比與改進研究.pdf
- 基于改進LDA模型的自然圖像分類.pdf
- 基于Spark并行LDA主題模型的研究.pdf
- 基于LDA模型和AP聚類算法的主題演化研究.pdf
- 基于LDA主題模型的圖像檢索研究.pdf
- 基于改進TFIDF的混合模型文本分類方法研究.pdf
- 基于LDA主題模型的圖像場景分類.pdf
- 基于改進的TFIDF關鍵詞自動提取算法研究.pdf
- 基于LDA主題模型的評價對象抽取研究.pdf
- 基于LDA主題模型的圖像場景分類研究.pdf
- 基于LDA和HMM的文本主題演化模型及其應用研究.pdf
- LDA的改進算法及其在人臉識別中的應用.pdf
- 基于動態(tài)Labeled-LDA模型的微博主題挖掘.pdf
- 基于文檔主題相關性的LDA有監(jiān)督模型.pdf
- 基于LDA主題模型的電商客戶評論情感分析.pdf
- 基于Phrase-LDA主題模型的茶產(chǎn)品群組推薦研究.pdf
- 基于LDA主題模型的圖像標注研究與系統(tǒng)實現(xiàn).pdf
- 基于TFIDF的文本分類算法研究.pdf
- 并行LDA、聚類算法的研究及應用.pdf
- 基于Hadoop平臺的TFIDF算法并行化研究.pdf
評論
0/150
提交評論