基于卷積神經(jīng)網(wǎng)絡(luò)的文獻(xiàn)分析.pdf

1、在互聯(lián)網(wǎng)上的文本信息量飛速增長(zhǎng)的同時(shí)，人們對(duì)互聯(lián)網(wǎng)上的論文文獻(xiàn)進(jìn)行查閱和整理所需要耗費(fèi)的時(shí)間也越來越多。在這種背景下，利用文本聚類技術(shù)來對(duì)海量的文獻(xiàn)進(jìn)行分類整理，具有非常重要的應(yīng)用前景與研究意義。
　　文本聚類是文本挖掘的一項(xiàng)重要技術(shù)，能夠廣泛應(yīng)用于文本挖掘與信息檢索等方面，在大規(guī)模文本集的組織與瀏覽、文本集層級(jí)歸類的自動(dòng)生成方面都具有重要的應(yīng)用價(jià)值。文本聚類的首要問題是如何將文本數(shù)據(jù)以數(shù)學(xué)形式表示出來，同時(shí)傳統(tǒng)的文本聚類算法忽略

2、了文本中單詞之間的語(yǔ)義相關(guān)性，以及傳統(tǒng)聚類算法存在聚類結(jié)果不穩(wěn)定等問題。本文主要是針對(duì)以上問題對(duì)文本聚類進(jìn)行研究。
　　本文使用搜狗中文語(yǔ)料庫(kù)、復(fù)旦大學(xué)中文語(yǔ)料庫(kù)和哈爾濱工業(yè)大學(xué)中文語(yǔ)料庫(kù)中的中文文本數(shù)據(jù)作為實(shí)驗(yàn)的數(shù)據(jù)集，通過利用word2vec工具對(duì)文本數(shù)據(jù)做詞向量轉(zhuǎn)化、利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)文本數(shù)據(jù)進(jìn)行特征提取以及利用基于K-means改進(jìn)的KSDM聚類算法對(duì)文本數(shù)據(jù)進(jìn)行聚類，達(dá)到對(duì)論文文獻(xiàn)聚類的目的。本文主要工作如下：
　

3、　1、本文首先探討了文本聚類算法的研究意義及國(guó)內(nèi)外研究現(xiàn)狀；分析了當(dāng)前傳統(tǒng)的文本聚類算法存在的不足；
　　2、研究了常用的幾種文本聚類算法，卷積神經(jīng)網(wǎng)絡(luò)的基本原理，以及詞向量的轉(zhuǎn)變和word2vec工具的基本原理。
　　3、設(shè)計(jì)了基于卷積神經(jīng)網(wǎng)絡(luò)的文本特征提取方法。搭建了卷積神經(jīng)網(wǎng)絡(luò)模型，選取了卷積神經(jīng)網(wǎng)絡(luò)的各項(xiàng)參數(shù)。通過實(shí)驗(yàn)驗(yàn)證本文設(shè)計(jì)的基于卷積神經(jīng)網(wǎng)絡(luò)的文本特征提取方法的有效性。
　　4、設(shè)計(jì)了基于k-means改

4、進(jìn)的KSDM聚類算法。在傳統(tǒng)的K-means算法的基礎(chǔ)上，針對(duì)其自身的不足提出了一種新的孤立點(diǎn)檢測(cè)算法和一種新的聚類中心選取算法。實(shí)驗(yàn)結(jié)果證明了KSDM算法的有效性。
　　5、在理論研究的基礎(chǔ)上，將word2vec工具、卷積神經(jīng)網(wǎng)絡(luò)和KSDM聚類算法相結(jié)合，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的文獻(xiàn)分析框架。首先需要對(duì)文本數(shù)據(jù)進(jìn)行分詞、去除停用詞、以及詞向量轉(zhuǎn)化等預(yù)處理過程，然后將得到詞向量存儲(chǔ)到向量矩陣中并輸入到預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)中來提取