基于卷積神經網絡的文獻分析.pdf_第1頁
已閱讀1頁,還剩58頁未讀, 繼續(xù)免費閱讀

下載本文檔

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、在互聯(lián)網上的文本信息量飛速增長的同時,人們對互聯(lián)網上的論文文獻進行查閱和整理所需要耗費的時間也越來越多。在這種背景下,利用文本聚類技術來對海量的文獻進行分類整理,具有非常重要的應用前景與研究意義。
  文本聚類是文本挖掘的一項重要技術,能夠廣泛應用于文本挖掘與信息檢索等方面,在大規(guī)模文本集的組織與瀏覽、文本集層級歸類的自動生成方面都具有重要的應用價值。文本聚類的首要問題是如何將文本數據以數學形式表示出來,同時傳統(tǒng)的文本聚類算法忽略

2、了文本中單詞之間的語義相關性,以及傳統(tǒng)聚類算法存在聚類結果不穩(wěn)定等問題。本文主要是針對以上問題對文本聚類進行研究。
  本文使用搜狗中文語料庫、復旦大學中文語料庫和哈爾濱工業(yè)大學中文語料庫中的中文文本數據作為實驗的數據集,通過利用word2vec工具對文本數據做詞向量轉化、利用卷積神經網絡對文本數據進行特征提取以及利用基于K-means改進的KSDM聚類算法對文本數據進行聚類,達到對論文文獻聚類的目的。本文主要工作如下:
 

3、 1、本文首先探討了文本聚類算法的研究意義及國內外研究現狀;分析了當前傳統(tǒng)的文本聚類算法存在的不足;
  2、研究了常用的幾種文本聚類算法,卷積神經網絡的基本原理,以及詞向量的轉變和word2vec工具的基本原理。
  3、設計了基于卷積神經網絡的文本特征提取方法。搭建了卷積神經網絡模型,選取了卷積神經網絡的各項參數。通過實驗驗證本文設計的基于卷積神經網絡的文本特征提取方法的有效性。
  4、設計了基于k-means改

4、進的KSDM聚類算法。在傳統(tǒng)的K-means算法的基礎上,針對其自身的不足提出了一種新的孤立點檢測算法和一種新的聚類中心選取算法。實驗結果證明了KSDM算法的有效性。
  5、在理論研究的基礎上,將word2vec工具、卷積神經網絡和KSDM聚類算法相結合,提出了基于卷積神經網絡的文獻分析框架。首先需要對文本數據進行分詞、去除停用詞、以及詞向量轉化等預處理過程,然后將得到詞向量存儲到向量矩陣中并輸入到預先訓練的卷積神經網絡中來提取

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。

評論

0/150

提交評論