2023年全國(guó)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183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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、隨著計(jì)算機(jī)和網(wǎng)絡(luò)技術(shù)的發(fā)展,可用的信息數(shù)量在不斷增長(zhǎng)。為了能夠快速準(zhǔn)確地獲取信息,研究者們開發(fā)了很多有效的算法。這些算法主要針對(duì)結(jié)構(gòu)化的數(shù)據(jù),而事實(shí)上可獲取的大部分信息都存儲(chǔ)在非結(jié)構(gòu)化的文本數(shù)據(jù)中。通過文本表示,可以將非結(jié)構(gòu)化的數(shù)據(jù)轉(zhuǎn)換為結(jié)構(gòu)化的數(shù)據(jù)。傳統(tǒng)的文本表示方法是通過利用數(shù)學(xué)工具對(duì)文本數(shù)據(jù)集進(jìn)行分析,抽取出重要的信息,但是缺乏語義信息。Wikipedia作為最大的電子百科全書,包含了大量的背景知識(shí)。本文的工作是利用Wikiped

2、ia豐富的結(jié)構(gòu)特點(diǎn),從中抽取出顯式的語義信息加入到文本表示中,并在文本分類、聚類和主題描述等任務(wù)中驗(yàn)證新的表示方法的改進(jìn)。本文取得的主要研究成果如下:
  (1)利用從Wikipedia中抽取出的特征詞間的語義相關(guān)性改進(jìn)特征加權(quán),提出了一種基于局部特征語義相關(guān)性的加權(quán)方法。該方法的設(shè)計(jì)思想是:一個(gè)特征與文檔的語義相關(guān)性可以通過該特征與文檔內(nèi)其它特征的語義相關(guān)性度量。其中特征的顯式語義相關(guān)性通過將特征詞映射到Wikipedia概念,

3、然后利用Wikipedia鏈接計(jì)算概念間的相關(guān)性得到。實(shí)驗(yàn)表明基于局部特征語義相關(guān)性的思想在分類和聚類任務(wù)中改進(jìn)了傳統(tǒng)的特征加權(quán)以及現(xiàn)有的利用特征相關(guān)性的方法,并且在時(shí)間復(fù)雜度上與現(xiàn)有的利用特征相關(guān)性的方法相比有明顯優(yōu)勢(shì)。
  (2)利用Wikipedia構(gòu)建文本的概念表示空間,提出將文本表示成由特征詞與概念組成的兩層表示模型的思想,并設(shè)計(jì)了多層分類和聚類框架以應(yīng)用兩層表示模型。文本在概念層表示的構(gòu)建是通過特征詞到Wikipedi

4、a概念的映射實(shí)現(xiàn),在這個(gè)過程中提出了利用上下文進(jìn)行概念消歧和概念加權(quán)的方法,以及利用文檔段落結(jié)構(gòu)的加速策略。通過與各種單層向量空間的語義文本表示方法相比,提出的兩層表示模型和多層分類聚類框架在分類聚類的效果、時(shí)間復(fù)雜度和空間復(fù)雜度上都顯示了優(yōu)勢(shì)。
  (3)提出基于顯式特征相關(guān)性的特征簇文本表示方法。該方法的設(shè)計(jì)思想是:Wikipedia豐富的結(jié)構(gòu)特點(diǎn)為度量Wikipedia概念間和Wikipedia類間的語義相關(guān)性提供了資源,如

5、果用Wikipedia概念或Wikipedia類作為特征表示文本,利用從Wikipedia中獲取的語義相關(guān)性對(duì)特征進(jìn)行聚類,可以得到高質(zhì)量的特征語義簇,從而實(shí)現(xiàn)特征的降維。其中,將文本表示在Wikipedia類特征空間是通過從特征詞到Wikipedia概念再到Wikipedia類的映射實(shí)現(xiàn)的。在這個(gè)過程中針對(duì)從特征詞到Wikipedia概念映射中的錯(cuò)誤,提出了一種Wikipedia類過濾方法,使得在概念空間的錯(cuò)誤不會(huì)被傳入到Wikipe

6、dia類特征空間。為了計(jì)算Wikipedia類間的語義相關(guān)性,分析現(xiàn)有方法的不足,提出了一種新的基于Wikipedia類圖計(jì)算Wikipedia類結(jié)點(diǎn)相關(guān)性的方法,在標(biāo)準(zhǔn)數(shù)據(jù)集上的測(cè)試結(jié)果顯示,提出的方法優(yōu)于三種現(xiàn)有的方法。在文本分類的實(shí)驗(yàn)結(jié)果顯示,在小訓(xùn)練集下,基于特征語義簇的表示方法優(yōu)于向量空間模型表示。同時(shí)也發(fā)現(xiàn)在Wikipedia概念空間和Wikipedia類空間,由于使用了外部語義相關(guān)性度量,改進(jìn)幅度明顯大于在特征詞空間使用基

7、于文檔集合的內(nèi)部特征相關(guān)性度量。此外,利用特征簇表示,通過抽取出特征簇的核心特征,在三個(gè)空間得到了不同程度的主題描述。
  (4)通過將Wikipedia類信息和特征詞與wikipedia類對(duì)應(yīng)關(guān)系信息加入到LDA主題建模過程中,提出了多視圖LDA主題建模方法。其設(shè)計(jì)思想是在特征詞和Wikipedia類兩個(gè)特征空間同時(shí)建模,并且特征詞在主題上的分布直接受到與其相關(guān)的Wikipedia類在主題上的分布的影響,反之亦然。它通過改進(jìn)LD

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(qǐng)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(qǐng)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(huì)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(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)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(qǐng)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(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論