2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩52頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明: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),請進行舉報或認(rèn)領(lǐng)

文檔簡介

1、隨著Internet網(wǎng)絡(luò)的高速發(fā)展,信息爆炸時代也隨之到來。由于Internet的開放性、動態(tài)性、異構(gòu)性使得用戶很難快速、準(zhǔn)確的從WWW上獲取所需的信息,因此如何有效的從網(wǎng)絡(luò)上獲取有價值的信息成為當(dāng)前研究的熱點。Web文本挖掘技術(shù)就是解決上述問題的一種方法,它借鑒數(shù)據(jù)挖掘的基本思想和理論方法,從大量半結(jié)構(gòu)化、異構(gòu)的Web文檔的集合中發(fā)現(xiàn)潛在的、有價值的知識。 文本分類技術(shù)是Web文本挖掘中一項最重要的技術(shù),隨著中文網(wǎng)頁數(shù)量的急劇

2、增加,中文文本分類也逐漸成為了Web挖掘研究的熱點,它的關(guān)鍵技術(shù)包括文本分詞、文本表示、文本預(yù)處理、特征選擇以及分類算法,其中特征選擇的好壞對文本分類的訓(xùn)練時間、分類的準(zhǔn)確率都有顯著的影響;TFIDF特征選擇是文本分類中使用較普遍而且比較有效的方法,但存在不足,如沒有考慮詞條文檔在分類系統(tǒng)中的分布。本文對傳統(tǒng)的TFIDF特征選擇算法進行了簡單介紹和分析,并對TFIDF方法利用詞條信息熵進行改進,提出了一種新的基于TFIDF的特征選擇算法

3、。而且通過實驗對傳統(tǒng)的TFIDF方法和本文改進后的方法進行了比較,證明本文提出的方法有更好的查全率和查準(zhǔn)率。 Web文本分類的方法較多,常用的如:最近鄰分類、貝葉斯分類、決策樹、支持向量機、向量空間模型、回歸模型和神經(jīng)網(wǎng)絡(luò)等。但傳統(tǒng)的分類方法存在著不足,當(dāng)前Web文本分類的方法大都將網(wǎng)頁歸屬到某一特定類中,而許多網(wǎng)頁包含多個主題,應(yīng)該有多個歸屬類。本文還提出了一種基于向量空間模型的多主題Web分類方法,該方法通過網(wǎng)頁與每個類的相

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(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 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. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對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, 同時也不承擔(dān)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