海洋文獻分類中極小化標注問題的研究.pdf

1、高效率的進行海洋文獻的分類對海洋科學研究具有重要意義。目前，解決此問題較為成熟的技術(shù)是有監(jiān)督的文本分類技術(shù)。但其往往存在人工標注量太大的缺點；此外，有標注資源代價昂貴，而大量無標注資源沒有加以利用。半監(jiān)督機器學習方法能根據(jù)少量有標注資源從大量無標注資源中獲取有用信息，有效降低人工標注量。因此，本文運用半監(jiān)督機器學習方法進行海洋文獻分類中的極小化標注問題的研究。 本文從描述文本分類和機器學習的基本概念入手，對基于機器學習的文本分類

2、基礎(chǔ)技術(shù)——文本的表示、分類方法和效果評估三部分內(nèi)容逐一進行了討論和介紹，并根據(jù)已有實驗結(jié)果選擇了最佳的分類方法：接著通過對半監(jiān)督機器學習問題的描述，引出了本文所采用的核心算法——協(xié)同訓練(co-training)算法；最后，使用c＃.net語言編程實現(xiàn)了基于co-training算法的海洋文獻分類極小化標注，這是本文研究的核心問題。 本文的主要工作和創(chuàng)新點有： (1)本文給出了基于協(xié)同訓練算法的海洋文獻分類的詳細流程，

3、詳細設(shè)計了六大功能模塊，包括文本預(yù)處理、特征分割、訓練、預(yù)測、挑選特征和評估模塊。其中，特征分割模塊是co-training方法區(qū)別于傳統(tǒng)的有監(jiān)督分類方法的標志性模塊，是本文所實現(xiàn)的分類方法的重點部分。 (2)采用給特征添加標簽的方式，將特征分成兩個View，從而訓練兩個不同的分類模型，實現(xiàn)協(xié)同訓練方法。又通過一系列的實驗，確定了適當?shù)膮f(xié)同訓練次數(shù)和緩沖區(qū)樣本數(shù)，以使分類結(jié)果穩(wěn)定且良好。 (3)最后，將基于co-trai