

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(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、本文著眼于話題識別等應(yīng)用,借助于聚類分析進(jìn)行基于內(nèi)容的消息文本挖掘。 消息文本與純文本、靜態(tài)網(wǎng)頁等傳統(tǒng)文本的顯著不同在于它的動態(tài)和不規(guī)范性。網(wǎng)絡(luò)非正規(guī)語言的出現(xiàn)使得消息文本特征的提取非常困難。我們通過發(fā)現(xiàn)文本中頻繁出現(xiàn)的詞或短語(稱之為頻繁模式)來識別消息文本的特征??偨Y(jié)了文本中頻繁模式發(fā)現(xiàn)算法,給出具體實現(xiàn)并對其性能進(jìn)行評測。實驗結(jié)果表明我們的實現(xiàn)方案性能可以滿足實際應(yīng)用的需要。 相比于詞,結(jié)構(gòu)穩(wěn)定、表意完整
2、,具有一定流通度的頻繁模式(稱之為關(guān)鍵頻繁模式)包含了詞序和鄰近上下文等更多的語義信息,更能準(zhǔn)確表達(dá)出特定的語義,更適合于作為文本特征。提出一種基于頻繁模式的特征提取算法,可以自動從文本中提取出有意義的詞或短語作為文本特征,極大的減少了特征數(shù)目。該算法獨立于語種,對于中文無需分詞。在此基礎(chǔ)上,提出了一種無指導(dǎo)的基于頻繁模式的特征選擇算法,可以應(yīng)用于文本分類和聚類中。實驗結(jié)果表明,該特征選擇算法在分類上的性能接近甚至超過兩種典型的有指導(dǎo)的
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(hù)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。
最新文檔
- 基于頻繁項集的文本聚類方法研究.pdf
- 基于頻繁特征詞語集的文本聚類研究.pdf
- 基于頻繁聚類的Web Mashup模式挖掘研究.pdf
- 面向短消息的文本聚類研究.pdf
- 基于頻繁模式挖掘的不良消息文本檢測方法研究與實現(xiàn).pdf
- 基于2度頻繁詞序列的文本聚類算法研究.pdf
- 基于頻繁詞集詞共現(xiàn)網(wǎng)絡(luò)的短文本聚類方法.pdf
- 基于譜聚類的文本聚類算法研究.pdf
- 基于最大頻繁項集K-means的文本聚類算法研究及應(yīng)用.pdf
- 基于頻繁子樹挖掘的XML聚類方法研究.pdf
- 流數(shù)據(jù)的層次聚類和頻繁模式的挖掘算法研究.pdf
- 基于《知網(wǎng)》的文本聚類研究.pdf
- 基于NMF算法的文本聚類研究.pdf
- 基于RI方法的文本聚類研究.pdf
- 基于LDA模型的文本聚類研究.pdf
- 基于DBSCAN的文本聚類算法研究.pdf
- 頻繁模式和多形態(tài)數(shù)據(jù)聚類算法研究與應(yīng)用.pdf
- 基于混合文本集的文本聚類方法研究.pdf
- 時間序列流的層次聚類和頻繁模式的挖掘算法研究.pdf
- 基于知網(wǎng)的文本聚類研究
評論
0/150
提交評論