已閱讀1頁，還剩57頁未讀， 繼續(xù)免費閱讀
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)，請進行舉報或認領
文檔簡介
1、隨著互聯(lián)網(wǎng)的飛速發(fā)展，文本數(shù)據(jù)每年正以指數(shù)級的速度增長，文本分類作為處理文本數(shù)據(jù)的重要技術之一也變得越來越重要。傳統(tǒng)的文本分類方法一般都是基于有監(jiān)督學習的，為了訓練出一個好的分類器需要大量的有標注文本。而在現(xiàn)實中，有標注文本數(shù)遠小于未標注文本數(shù)，如果僅用少量的有標注文本來訓練分類器，不但得到的分類器性能較差，還會錯失未標注文本中隱含的信息，造成資源的浪費。因此，如何合理有效地運用這部分數(shù)據(jù)成為重中之重。
本文首先對現(xiàn)有用于文本
2、分類的算法進行闡述，指出其優(yōu)勢及缺陷。針對有標注文本不足，以及分類器性能難以有效提升等問題，本文以NB分類器為基礎分類器，并結(jié)合Bagging算法、EM算法以及選擇性集成方法，提出基于Bagging算法的EM選擇性集成學習方法，通過設計模擬實驗證明了該方法的可行性及有效性。然后將該方法用于處理中文文本分類實際問題。實證結(jié)果表明:1.將EM算法應用于文本分類，可以克服有標注訓練文本不足的缺陷，提高NB分類器的分類性能，但是相比某些有監(jiān)督學
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)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
- 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(quán)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
- 基于半監(jiān)督與集成學習的文本分類方法研究.pdf
- 基于半監(jiān)督學習的中文短文本分類研究.pdf
- 中文文本分類研究.pdf
- 基于python的中文文本分類研究.pdf
- 中文文本分類的研究.pdf
- 基于半監(jiān)督學習的文本分類研究
- 中文文本分類算法研究.pdf
- 基于主動學習的中文文本分類.pdf
- 基于半監(jiān)督學習的文本分類研究.pdf
- 基于KNN的中文文本分類算法研究.pdf
- 基于復雜網(wǎng)絡的中文文本分類研究.pdf
- 基于混合特征的中文文本分類研究.pdf
- 中文文本分類中文本表示及分類算法研究.pdf
- 基于NMF的中文文本分類方法.pdf
- 基于關聯(lián)技術的中文文本分類研究.pdf
- 基于概念特征的中文文本分類研究.pdf
- 中文文本分類特征選擇方法的研究與實現(xiàn).pdf
- 中文文本分類中特征選擇算法及分類算法的研究
- 基于語義概念的中文文本分類研究.pdf
- 基于類別概念的中文文本分類研究.pdf
評論
0/150
提交評論