深度學(xué)習(xí)在文本挖掘中的應(yīng)用研究.pdf

1、21世紀(jì)的時(shí)代是信息的時(shí)代，隨著計(jì)算機(jī)技術(shù)、數(shù)據(jù)存貯技術(shù)日新月異的發(fā)展和改進(jìn)，應(yīng)用領(lǐng)域也得到了快速擴(kuò)展，世界也隨著信息的大量涌入而發(fā)生著天翻地覆的變化，文本數(shù)據(jù)資源正以指數(shù)級(jí)的速度增長(zhǎng)著.對(duì)于許多用戶來(lái)說(shuō)面對(duì)如此大量的文本信息，但知識(shí)卻相對(duì)貧乏的現(xiàn)象，人們從大量的信息中獲取有意義的、相關(guān)性強(qiáng)、具有針對(duì)性的知識(shí)變得困難，所以將文本信息按照某些主題分類是一個(gè)迫切需要解決的問(wèn)題，也是文本數(shù)據(jù)存儲(chǔ)發(fā)展的必經(jīng)之路。從文本挖掘由美國(guó)學(xué)者H.P.Lu

2、hn教授在1957年第一次被提出來(lái)以來(lái)，現(xiàn)今文本挖掘已經(jīng)成為數(shù)據(jù)挖掘領(lǐng)域非常重要的一個(gè)分支，它已經(jīng)廣泛的應(yīng)用在搜索引擎等領(lǐng)域。文本挖掘中特征選擇這一過(guò)程，可以理解為是一個(gè)通過(guò)降低了特征空間的維數(shù)，從而來(lái)實(shí)現(xiàn)提高分類算法精度的重要的過(guò)程.因此尋找優(yōu)秀的特征選擇方法來(lái)對(duì)特征空間進(jìn)行降維，現(xiàn)如今已是一個(gè)非常有實(shí)際價(jià)值的研究課題。
　　本文首先對(duì)文本挖掘的相關(guān)技術(shù)，文本挖掘的定義和過(guò)程，文本挖掘預(yù)處理，常用的文本分類器進(jìn)行了介紹分析，也介

3、紹了分類結(jié)果的評(píng)判標(biāo)準(zhǔn)和常用的語(yǔ)料數(shù)據(jù)集，在后續(xù)試驗(yàn)中應(yīng)用這些技術(shù)將文本數(shù)據(jù)轉(zhuǎn)換成計(jì)算機(jī)可處理的數(shù)據(jù)結(jié)果.并且介紹了深度學(xué)習(xí)的產(chǎn)生發(fā)展經(jīng)歷及其常用的深度學(xué)習(xí)算法。其次，提出了基于多個(gè)自動(dòng)編碼器(Autoencoder)的文本分類方案，并與單個(gè)AE進(jìn)行分類的方案進(jìn)行了理論分析，進(jìn)行了相應(yīng)范圍內(nèi)的實(shí)驗(yàn)，給出了對(duì)比分析.最后，提出了基于RBM的文本分類方法，進(jìn)行了相應(yīng)范圍內(nèi)的實(shí)驗(yàn)，給出了基于RBM算法的文本分類方法精確度與基于KNN算法的文本