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75頁未讀, 繼續(xù)免費(fèi)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(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、隨著Web2.0應(yīng)用的深入發(fā)展,互聯(lián)網(wǎng)已經(jīng)進(jìn)入了一個全民創(chuàng)造信息的時代,但同時也是一個信息泛濫的時代。文本、視訊等技術(shù)的日新月異極大擴(kuò)展了我們創(chuàng)造內(nèi)容的能力;論壇、微博等用戶原創(chuàng)型應(yīng)用又提供了眾多信息分享的平臺。這些極大地豐富了網(wǎng)絡(luò)中原創(chuàng)文本內(nèi)容,但在吸引眾多用戶瀏覽和分享的同時,也吸引了垃圾信息的發(fā)布。不論出于商業(yè)利益或者政治目的,這些行為導(dǎo)致很多論壇、熱點(diǎn)博客的回復(fù)區(qū)、個人空間的留言板、微博的私信中等幾乎所有支持文本發(fā)布功能并能吸引

2、公眾注意力的地方都充斥著垃圾信息。此類信息多以文本內(nèi)容的形式出現(xiàn),如何挖掘出其中潛藏的,沒有價值的信息,保持?jǐn)?shù)據(jù)的有效性和可用性,為用戶提供一個干凈的網(wǎng)絡(luò)環(huán)境,是當(dāng)前迫切需要解決的重要問題。
  本文提出了垃圾文本定義和垃圾文本識別概念,分析了垃圾文本形式、危害、防范方法及通用識別方法。在Hadoop集群構(gòu)建的實(shí)驗(yàn)平臺上,基于某公司的真實(shí)數(shù)據(jù)集,展開了將文本挖掘和用戶行為挖掘應(yīng)用于垃圾文本識別的一系列研究。通過對相關(guān)算法的改進(jìn)提出

3、了:顧盼算法,解決了熱詞問題,有效降低屬性間依賴關(guān)系,提升了樸素貝葉斯算法的整體性能;往返折半逼近算法,可快速將屬性子集大小逼近理想狀況;擇優(yōu)算法,解決了掩飾性垃圾文本較難識別的問題,有效提升了模型的召回率;首尾哈希算法,有效解決大規(guī)模長文本匹配中計算、存儲代價過高問題。
  最后,從實(shí)驗(yàn)結(jié)果數(shù)據(jù)分析,上述算法在模型性能提升上均有較明顯效果。論文還對文本挖掘與用戶行為挖掘性能差異研究分析,論述了二者結(jié)合使用的可能性。論文還實(shí)現(xiàn)了部

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。

評論

0/150

提交評論