基于主动学习的微博数据分类-计算机应用研究.pdfVIP

基于主动学习的微博数据分类 作者 刘东江, 黎建辉 机构 中国科学院 计算机网络信息中心；中国科学院大学 发表期刊 《计算机应用研究》 预排期卷 2018 年第35 卷第3 期 访问地址 /article/02 -2018-03-022.html 发布日期 2017-03-21 09:17:33 引用格式 刘东江, 黎建辉. 基于主动学习的微博数据分类[J/OL]. [2017-03-21]. / article/02-2018-03-022.html. 摘要 SVM 主动学习算法是主动学习中相当著名的算法，但是该算法还存在缺陷，即没有对微博数据内 容多样的特点进行考虑，因此中提出了一种新的基于支持向量机(SVM)的主动学习算法，该算法 通过未标注样本点与所有已标注样本点之间的余弦相似度之和来度量未标注样本与所有已标注 样本点之间的相似性，通过选择与已选择的所有样本不相似的样本点进行标注就可以实现对于数 据多样性的充分考虑；另外，为了避免太大的余弦相似度值对于余弦相似度之和的影响，该算法 通过设置阈值的方法来使得被选择样本的最小余弦相似度尽可能大；除此之外，为了选… 关键词 微博数据, 主动学习, 支持向量机, 分类模型, 训练集 中图分类号 TP391.1 基金项目 国家自然科学基金资助项目; 中国国家卫生计生委专项研究基金资助项 目（201302005）; 中国科学院战略性先导科技专项资助项目（XD，XD 35 优先出版 计 算 机 应 用 研 究 第 卷 基于主动学习的微博数据分类* 1, 2 1 刘东江 ，黎建辉 (1 100190 2 100190) ．中国科学院 计算机网络信息中心，北京 ； ．中国科学院大学，北京 摘 要：SVM 主动学习算法是主动学习中相当著名的算法，但是该算法还存在缺陷，即没有对微博数据内容多样的特 点进行考虑，因此中提出了一种新的基于支持向量机(SVM)的主动学习算法，该算法通过未标注样本点与所有已标注样 本点之间的余弦相似度之和来度量未标注样本与所有已标注样本点之间的相似性，通过选择与已选择的所有样本不相似 的样本点进行标注就可以实现对于数据多样性的充分考虑；另外，为了避免太大的余弦相似度值对于余弦相似度之和的 影响，该算法通过设置阈值的方法来使得被选择样本的最小余弦相似度尽可能大；除此之外，为了选择最佳的样本进行 标注，算法除了考虑数据多样性的之外也对样本点和分类超平面之间的距离进行了考虑。 关键词：微博数据；主动学习；支持向量机；分类模型；训练集 中图分类号：TP391.1 Micro-blog data classification based on active learning Liu Dongjiang1, 2, Li Jianhui1 (1. Chinese Academy of Science Computer Network I