基于Markov随机游走的渐进式半监督文本分类研究-计算机科学与技术专业论文.docxVIP

下载本文档

7
0
约4.89万字
约 57页
2019-02-13 发布于上海
举报
版权申诉

基于Markov随机游走的渐进式半监督文本分类研究-计算机科学与技术专业论文.docx

1、本文档共57页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

基于Markov随机游走的渐进式半监督文本分类研究-计算机科学与技术专业论文

PAGE PAGE IV Markov random walk (referred to as PSMRW) is proposed, which combines the progressive learning with semi-supervised classification, trying to correct semi-supervised learning iterative process generated by the wrong, and thus improve the prediction accuracy. The results on 20newsgroups dataset in this experiment show that the proposed method can improve the accuracy of semi-supervised classification. Keywords： semi-supervised classification; progressive learning ;Markov random walk ;iterating; 目录摘要I ABSTRACT II HYPERLINK \l _bookmark0 1 引言1 HYPERLINK \l _bookmark1 1.1 研究背景及研究意义1 HYPERLINK \l _bookmark2 1.2 本文工作2 HYPERLINK \l _bookmark3 1.3 本文的内容组织3 HYPERLINK \l _bookmark4 2 半监督学习4 HYPERLINK \l _bookmark5 2.1 半监督学习的概念及意义4 HYPERLINK \l _bookmark6 2.2 半监督学习的研究现状5 HYPERLINK \l _bookmark7 2.3 半监督学习的算法6 HYPERLINK \l _bookmark8 Co-training 算法 7 HYPERLINK \l _bookmark9 Self–training 9 HYPERLINK \l _bookmark10 2.3.3 半监督支持向量机10 HYPERLINK \l _bookmark11 2.3.4 基于图的方法12 HYPERLINK \l _bookmark12 2.4 本章小结14 HYPERLINK \l _bookmark13 3 文本分类关键技术15 HYPERLINK \l _bookmark14 3.1 文本分类问题描述15 HYPERLINK \l _bookmark15 3.1.1 文本分类的定义15 HYPERLINK \l _bookmark16 3.1.2 文本自动分类系统16 HYPERLINK \l _bookmark17 3.2 文本预处理18 HYPERLINK \l _bookmark18 3.2.1 去除文档中的格式标记18 HYPERLINK \l _bookmark19 3.2.2 过滤非法字符和字母大小写转换18 HYPERLINK \l _bookmark20 3.2.3 去除停用词、稀有词和词干化处理18 HYPERLINK \l _bookmark21 3.2.4 中文分词19 HYPERLINK \l _bookmark22 3.3 文本表示模型20 HYPERLINK \l _bookmark23 3.4 几种文本特征选择方法22 HYPERLINK \l _bookmark24 3.4.1 信息增益22 HYPERLINK \l _bookmark25 3.4.2 期望交叉熵22 HYPERLINK \l _bookmark26 3.4.3 互信息(MI) 23 HYPERLINK \l _bookmark27 3.4.4 基于文档频率（Document Frequency，DF）的方法 23 HYPERLINK \l _bookmark28 ??2 HYPERLINK \l _bookmark28 统计量 24 HYPERLINK \l _bookmark29 3.5 常用的文本分类方法文本分类方法24 HYPERLINK \l _bookmark30 K 近邻 24 HYPERLINK \l _bookmark31 Rocchio 分类方法算法 25 HYPERLINK \l _bookmark28 3.4.5 HYPERLINK \l _bookmark32 3.5.3 支持向量机26 HYPERLINK \l _bookmark33 3.5.4 朴素贝叶斯