版權(quán)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(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、文本分類問題是指自動(dòng)地將文本按照預(yù)定義的類別體系劃分到正確的類別中,它是智能信息處理領(lǐng)域中一個(gè)重要的研究方向。隨著信息技術(shù)的發(fā)展,特別是20世紀(jì)90年代基于機(jī)器學(xué)習(xí)的文本分類方法的逐漸成熟,文本自動(dòng)分類技術(shù)在自然語言處理、信息組織、內(nèi)容過濾等領(lǐng)域中開始被廣泛地應(yīng)用。目前,互聯(lián)網(wǎng)上可獲得的信息越來越多,如何幫助人們快速、準(zhǔn)確且全面地獲取他們所需要的信息顯得非常重要,文本分類技術(shù)是解決這一問題的有效手段之一。
文本分類問題經(jīng)過大約
2、二十年的研究,其基礎(chǔ)技術(shù)已經(jīng)比較成熟,包括樣本表示、分類器、性能評估指標(biāo)等。然而,現(xiàn)實(shí)應(yīng)用中的大規(guī)模文本分類問題與普通的分類問題相比,自身還具有一些明顯的特點(diǎn),例如:訓(xùn)練樣本數(shù)量大,預(yù)定義類別多,單個(gè)樣本擁有不止一個(gè)類別標(biāo)號(hào)。此外,人們閱讀文本是為了獲取信息,然而大規(guī)模文本集合中各個(gè)文本的質(zhì)量往往參差不齊,倘若自動(dòng)地對文本的質(zhì)量加以分類,就能夠幫助人們更高效地獲取信息。
本論文圍繞著基于機(jī)器學(xué)習(xí)的大規(guī)模文本分類這個(gè)課題,分別從
3、海量樣本分類、海量類別分類、多標(biāo)號(hào)分類、以及文本質(zhì)量分類這四個(gè)方面開展了研究工作。本論文的主要工作和創(chuàng)新點(diǎn)體現(xiàn)在如下四個(gè)方面:
1.本論文提出最小最大模塊化極限學(xué)習(xí)機(jī)算法來提升原極限學(xué)習(xí)機(jī)模型處理海量樣本分類問題的能力。極限學(xué)習(xí)機(jī)是一種新型的神經(jīng)網(wǎng)絡(luò)分類器,具有訓(xùn)練速度快、人工干預(yù)少、泛化性能高等特點(diǎn),但由于計(jì)算復(fù)雜度較高和內(nèi)存需求較大,不適用于海量樣本分類問題。本論文提出的新算法充分利用了最小最大模塊化網(wǎng)絡(luò)框架的特性,集成了
4、相關(guān)研究中對它的多種改進(jìn),并且采用交叉驗(yàn)證和格點(diǎn)搜索來自動(dòng)地完成參數(shù)和組件配置的優(yōu)化。實(shí)驗(yàn)結(jié)果表明新算法使得極限學(xué)習(xí)機(jī)模型處理海量樣本分類問題的能力得到較大提升,訓(xùn)練時(shí)間和內(nèi)存開銷都有了明顯的降低,同時(shí)分類準(zhǔn)確率得到一定程度的提高。
2.本論文提出基于元學(xué)習(xí)的層次化分類算法來提高海量類別問題的分類準(zhǔn)確率。傳統(tǒng)的層次化分類算法雖然能夠比較快速地處理海量類別分類問題,但由于在它的分類過程中存在著“誤差擴(kuò)散”現(xiàn)象,分類準(zhǔn)確率偏低。本
5、論文提出的新算法利用元學(xué)習(xí)技術(shù)來緩解這種“誤差擴(kuò)散”現(xiàn)象,同時(shí)保留傳統(tǒng)層次化分類算法處理海量類別分類問題的高效性。實(shí)驗(yàn)結(jié)果表明新算法不僅能夠顯著地提高分類準(zhǔn)確率,而且將計(jì)算復(fù)雜度維持在與傳統(tǒng)算法相同的數(shù)量級(jí)上。
3
本論文提出變閾值標(biāo)號(hào)選擇策略來更好地解決多標(biāo)號(hào)分類問題。標(biāo)號(hào)選擇策略是指在多標(biāo)號(hào)分類問題中,如何利用基分類器輸出的信心指數(shù)來準(zhǔn)確地決定最終的預(yù)測類標(biāo)。本論文提出的新策略融合了目前兩種主要的標(biāo)號(hào)選擇策略“閾
6、值策略”和“排序策略”。實(shí)驗(yàn)結(jié)果表明該策略在多標(biāo)號(hào)分類問題中不僅能夠取得較高的分類準(zhǔn)確率,而且在不同的分類數(shù)據(jù)集和分類器模型上都具有良好的魯棒性。
4.本論文研究了文本質(zhì)量的自動(dòng)分類方法,即任給一篇文本,系統(tǒng)將自動(dòng)地判斷出它的質(zhì)量高低。該課題的實(shí)際意義在于它能從大規(guī)模文本數(shù)據(jù)集中識(shí)別出高質(zhì)量文本,從而有效地幫助用戶獲取信息。本論文采用監(jiān)督學(xué)習(xí)的框架,總結(jié)并擴(kuò)展了一系列與文本質(zhì)量相關(guān)的特征,以便更好地對文本質(zhì)量進(jìn)行自動(dòng)分類。本論
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(quán)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(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. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)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(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)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(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自己和他人造成任何形式的傷害或損失。
最新文檔
- 大規(guī)模層次文本分類解決方案
- 基于機(jī)器學(xué)習(xí)的文本分類研究.pdf
- 大規(guī)模層次文本分類的解決方案.pdf
- 基于機(jī)器學(xué)習(xí)算法的文本分類系統(tǒng).pdf
- 大規(guī)模文本分類的若干問題研究.pdf
- 基于機(jī)器學(xué)習(xí)的自動(dòng)文本分類研究.pdf
- 基于機(jī)器學(xué)習(xí)的文本分類算法研究.pdf
- 基于支持向量機(jī)的大規(guī)模文本分類研究與設(shè)計(jì).pdf
- 大規(guī)模Web信息抽取與文本分類研究.pdf
- 基于并行機(jī)器學(xué)習(xí)的大規(guī)模專利分類.pdf
- 基于機(jī)器學(xué)習(xí)的文本分類器系統(tǒng)設(shè)計(jì).pdf
- 基于機(jī)器學(xué)習(xí)的中文文本分類方法研究
- 基于機(jī)器學(xué)習(xí)的中文文本分類方法研究.pdf
- 基于機(jī)器學(xué)習(xí)的文本分類算法研究與應(yīng)用.pdf
- 基于機(jī)器學(xué)習(xí)的中文文本分類算法研究.pdf
- 基于大規(guī)模人工神經(jīng)網(wǎng)絡(luò)的可擴(kuò)展文本分類算法研究.pdf
- 大規(guī)模異構(gòu)環(huán)境下的文本分類算法研究及應(yīng)用.pdf
- 基于信任機(jī)器的文本分類研究.pdf
- 基于改進(jìn)TANC的機(jī)器學(xué)習(xí)文本分類方法研究.pdf
- 基于深度學(xué)習(xí)的文本分類研究.pdf
評論
0/150
提交評論