面向文本分類的文本特征學習技術研究.pdf_第1頁
已閱讀1頁,還剩113頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、面對互聯(lián)網上文檔資源日益豐富的情況,文本分類旨在自動對文檔歸類,使人們便于收集和管理各種文檔,因此文本分類具有廣泛的應用背景和較高的實用價值。但是,現(xiàn)存文本分類系統(tǒng)仍然存在很多問題。 本文研究工作緊緊的圍繞文本特征學習,從不同方面展開文本特征的自動學習。作者在前人工作的基礎上提出一些新的處理技術和模型,取得一些研究成果。主要創(chuàng)新點包括: ●提出一種自動學習領域關聯(lián)詞的算法,并把學習到的領域關聯(lián)詞用作文本特征,構造一個無指

2、導的文本分類系統(tǒng)。該算法應用Bootsrapping的學習框架,從大規(guī)模的無標注文本語料中,計算候選詞和領域種子詞集的關聯(lián)度,從中選取關聯(lián)度大的詞做為新的領域關聯(lián)詞。該算法輸入是大規(guī)模的無標注文本語料和少量種子詞。接著,把領域關聯(lián)詞用作文本特征,構造一個無指導的文本分類系統(tǒng)。該文本分類系統(tǒng)不用任何的人工標注分類語料,只需要每個類別手工構造少量的種子詞(3-10個)。通過這個算法,我們可以在新的分類體系中很快構建出新的文本分類系統(tǒng)。

3、 ●提出一種弱指導的文本分類系統(tǒng)的構建方法,該方法使用大規(guī)模無標注語料來改善分類器的訓練效果。訓練過程:首先,使用小標注語料來訓練初始最大熵分類器;用訓練好的最大熵分類器對無標注文本語料進行類別標注,從中選擇置信度高的文檔作為下一輪訓練時的訓練語料;再次訓練分類器;如此循環(huán)訓練、標注,直到學習結束。也就是利用大規(guī)模的無標注文本語料,來改善基于小標注訓練集的最大熵模型分類器訓練效果。 ●提出一種基于全局信息的詞聚類模型-glob

4、alCM。在聚類過程中,該模型充分利用當前所有簇的信息來參與相似度的計算,克服了舊有模型只考慮相關的兩個簇信息造成聚類效果差的問題。實驗表明,globalCM的詞聚類效果優(yōu)于傳統(tǒng)的聚類方法。然后,把學習的詞簇用作文本特征,構建一個基于詞簇文本特征的分類系統(tǒng)。實驗結果表明,基于詞簇文本特征表示具有明顯的降維效果,和基于詞特征的特征選取方法相比,降維幅度大約為100位。 ●提出一種基于Ontology的領域知識庫構建方法。首先,給出

5、兩個基本概念定義:領域關聯(lián)詞和領域特征屬性。接著,采用框架表示法來表示領域知識。最后,詳細描述了東北大學自然語言處理實驗室領域知識庫的構建方法,并給出一個實際構建“軍事”領域知識庫的例子。 ●提出把領域知識庫用于文本特征表示的兩種方法。第一種表示:用領域知識庫中的領域關聯(lián)詞作為文本特征;第二種表示:用領域知識庫中的領域特征屬性作為文本特征。實驗結果表明,用領域關聯(lián)詞作為文本特征,有助于增強文本特征的表達能力。 ●提出一個

6、自劃分學習模型,以解決領域知識庫覆蓋度不足的問題。該模型結合Bootsrapping學習框架和globalCM模型,按照領域知識庫的結構,自動把候選詞劃分到相關領域中。文中把學習結果用于文本特征表示。實驗結果表明,這種學習模型可以進一步提高領域知識庫在文本分類中的作用。 ●提出一個領域知識庫的半自動構建模型。采用上述的自劃分學習模型,學習出新的領域關聯(lián)詞,構成一個候選集,提供給領域知識專家作為選擇對象。然后,專家從中選取合適的領

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。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,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。

評論

0/150

提交評論