利用文本可信度的增量文本分類研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩54頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、標(biāo)注訓(xùn)練樣本是文本自動(dòng)分類中的基礎(chǔ)和關(guān)鍵。大規(guī)模的標(biāo)注訓(xùn)練樣本需要人工干預(yù),耗時(shí)、費(fèi)力,難以在有限的時(shí)間內(nèi)完成,而未標(biāo)注文本卻十分豐富。如何利用少量的標(biāo)注樣本和大量的未標(biāo)注文本快速(限時(shí))構(gòu)造出數(shù)量較大的標(biāo)注樣本成為了文本增量學(xué)習(xí)中的熱點(diǎn)和難點(diǎn)。本文采用FEM評(píng)估方法和SEM評(píng)估方法來(lái)度量文本的可信度,將可信度高的文本看作標(biāo)注文本,以此構(gòu)造算法來(lái)解決上述問(wèn)題。具體工作如下:
   本文將聚類和貝葉斯增量學(xué)習(xí)結(jié)合起來(lái),提出了基于文

2、本可信度的增量學(xué)習(xí)方法。該算法包括2個(gè)步驟:(1)首先對(duì)新增訓(xùn)練集進(jìn)行子集劃分,構(gòu)造出一個(gè)子集序列;利用FEM評(píng)估方法依次迭代找出每個(gè)子集中的正確集區(qū)間和模糊區(qū)間,將正確集區(qū)間內(nèi)的文本看作可信度高的文本,合并到標(biāo)注樣本集。在此處理過(guò)程中,后一步的FEM評(píng)估中所使用的分類器是根據(jù)初始標(biāo)注樣本集和在此步之前獲得的所有可信度高的文本共同構(gòu)成的文本集訓(xùn)練得到的。(2)將前面所有模糊區(qū)間合并為一個(gè)大的模糊區(qū)間,并對(duì)其進(jìn)行AP聚類處理,利用SEM評(píng)

3、估方法將聚類結(jié)果中可信度高的類簇中的可信度高的文本合并到標(biāo)注樣本集。更新模糊區(qū)間,迭代第(2)個(gè)步驟,直至模糊區(qū)間為空。這里,可信度高的類簇指純度高的類簇。
   本文提出方法的優(yōu)點(diǎn):(1)弱化了噪音數(shù)據(jù)的影響,提高了分類器的精度;(2)每個(gè)增量步選擇的文本數(shù)多,迭代次數(shù)少,大幅度減少學(xué)習(xí)時(shí)間,更適合于大規(guī)模數(shù)據(jù)的處理。(3)在處理海量未標(biāo)注文本時(shí),僅采用FEM評(píng)估方法,就可以快速獲得約80%標(biāo)注可信度非常高的文本,無(wú)需標(biāo)注更多

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論