

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、微博等應用的快速發(fā)展產生了海量的微博文本,在對其進行話題分類處理時,由于微博文本短、詞量少、用詞不規(guī)范和文本數(shù)量巨大等特征,使得傳統(tǒng)話題分類方法對類似微博這種文本的分類適用性變得很差。為減少話題分類過程中人工標注的工作量,并保證話題分類的準確性不降低,提出了一種基于SVM和K-means相結合的微博話題分類方法。
微博話題分類本質上屬于文本分類的一種具體應用。文本分類是屬于一個有監(jiān)督學習的過程,它需要對提前人工標注過的訓練集文
2、本進行訓練,人工標注這個過程是一個繁瑣的過程,特別是對于類似微博這種內容短、用詞隨意、數(shù)量大的文本,完成人工標注的過程將更加地繁雜。文本聚類是屬于一個無監(jiān)督學習的過程,其沒有人工標注這一步驟,但是利用它對文本進行區(qū)分的效果往往不好。針對這些現(xiàn)象,利用兩者的優(yōu)點,彌補對方的不足,提出了一種基于SVM和K-means相結合的微博話題分類方法。首先用K-means聚類方法對微博文本進行聚類,然后選取每個類簇中距離聚類質心最近的一些微博文本作為
3、該類話題用來訓練SVM的訓練樣本集。最后用訓練好的SVM分類器對微博文本進行話題分類。將這兩方法結合起來,既可以彌補無監(jiān)督學習方法的聚類在文本區(qū)分效果上的低效性,又減輕了有監(jiān)督學習方法的分類在文本分類時需要對訓練樣本人工標注的繁雜性。
實驗通過對同一微博數(shù)據(jù)分別進行K-means微博話題分類、SVM微博話題分類、SVM和K-means相結合的微博話題分類,分類的效果比較表明:SVM和K-means相結合的微博話題分類方法在實現(xiàn)
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。
最新文檔
- 基于k-means算法在微博數(shù)據(jù)挖掘中的應用.pdf
- 基于K-means聚類的LS-SVM短期負荷預測方法研究.pdf
- 基于K-Means和SVM的釣魚網站識別的研究.pdf
- 基于優(yōu)化K-means算法的電力負荷分類研究.pdf
- 基于k-means和自適應諧振理論的網絡流量分類方法.pdf
- K-Means聚類和L2-SVM分類的距離度量以及模式選擇研究.pdf
- 基于垂直分類數(shù)據(jù)K-Means聚類隱私保持挖掘方法.pdf
- 基于Hadoop的K-means遙感影像分類算法的研究.pdf
- 基于k-means聚類和潛在語義分析的網絡流量分類方法研究.pdf
- 基于凝聚模糊K-means的聚類方法研究.pdf
- 基于K-means的網絡話題自動檢測技術研究.pdf
- 基于項目分類和K-means聚類的加權Slope One算法研究.pdf
- 基于改進K-means聚類的推薦方法研究.pdf
- 文本分類中基于k-means的特征選擇算法研究.pdf
- 基于k-means聚簇的分布式并行SVM算法優(yōu)化.pdf
- 基于粗糙集的K-means研究.pdf
- 基于K-means的智能存儲算法.pdf
- 基于模糊K-Means的網絡流分類系統(tǒng)研究與實現(xiàn).pdf
- 基于SVM的K-means聚類算法在WSN入侵檢測中的應用.pdf
- 基于密度和距離的K-means算法研究與應用.pdf
評論
0/150
提交評論