基于模糊C均值的文本遷移學習算法研究.pdf

1、隨著互聯(lián)網(wǎng)的興起，各種類型數(shù)據(jù)包括文本、音頻和圖像等以驚人的速度增加。而文本數(shù)據(jù)與音頻和圖像數(shù)據(jù)相比，它占用網(wǎng)絡(luò)資源少，傳輸速率高，更易于被上傳和下載。這使得網(wǎng)絡(luò)資源中大部分是以文本形式存在，因此，如何利用這些文本資源，構(gòu)建模型挖掘出有用的信息，是近些年來研究者的一大目標。基于機器學習的文本分類方法不斷涌現(xiàn)，更好的幫助人們組織文本、挖掘信息。
　　傳統(tǒng)的機器學習方法是在訓練數(shù)據(jù)和測試數(shù)據(jù)分布一致的前提下進行的。然而，在一些現(xiàn)實世界

2、中的應(yīng)用，訓練數(shù)據(jù)和測試數(shù)據(jù)來自不同的領(lǐng)域。在不考慮數(shù)據(jù)分布的情況下，傳統(tǒng)的機器學習算法可能會失效，針對這一問題，近年來研究者提出了遷移學習的思想，即在處理這些數(shù)據(jù)源分布不均的問題時，利用相似的數(shù)據(jù)進行學習，并將學到的知識遷移到目標領(lǐng)域中，幫助目標領(lǐng)域任務(wù)的學習。遷移學習這一概念的提出，有效的解決了源領(lǐng)域和目標領(lǐng)域數(shù)據(jù)分布不同的問題。
　　本文將遷移學習與模糊理論相結(jié)合來研究文本分類問題，主要研究內(nèi)容如下：
　　(1)針對傳

3、統(tǒng)文本分類方法的不足，詳細描述了遷移學習的分類方法以及各類不同方法的基本思想、主要針對的問題以及存在的缺陷。
　　(2)提出一種基于改進的模糊C均值（FCM）文本遷移學習算法，并解決了該算法中兩個關(guān)鍵問題：利用自然鄰居算法解決了傳統(tǒng)k-means方法參數(shù)設(shè)定問題，并通過自然鄰居集合對模糊隸屬度進行初始化，有助于算法快速收斂；二是在模糊C均值聚類中，構(gòu)建新的最優(yōu)化目標函數(shù)，利用樣本的自然近鄰關(guān)系和偽標記信息（其中自然鄰居關(guān)系包括源領(lǐng)

4、域數(shù)據(jù)和目標領(lǐng)域數(shù)據(jù)），對樣本在目標域空間的分類判別進行修正和增強，并通過重構(gòu)與目標域適配性更強的特征集，從而達到文本分類模型從源域向目標域的學習遷移目的。
　　(3)考慮到不同的簡單分類器以及特征提取算法對本文提出方法的影響，本文在20 Newsgroups等數(shù)據(jù)集上設(shè)計了不同的實驗。同時，將本文提出的算法與傳統(tǒng)的SVM和樸素貝葉斯分類進行對比，實驗結(jié)果表明，該算法具有較好的正確率，有效的解決了在訓練數(shù)據(jù)和測試數(shù)據(jù)分布不一致的情