学位论文 > 优秀研究生学位论文题录展示

基于迁移学习的文本分类算法研究

作　者: 孙伟
导　师: 钱旭
学　校: 中国矿业大学（北京）
专　业: 计算机应用技术
关键词: 文本分类迁移学习特征降维实例迁移特征迁移
分类号: TP391.1
类　型: 博士论文
年　份: 2013年
下　载: 31次
引　用: 0次
阅　读: 论文下载

内容摘要

迁移学习技术因其领域间知识、技能和经验的迁移能力,已成为跨领域文本分类的重要手段和研究热点。本文通过总结迁移学习在文本分类中的应用与发展情况,针对目前该领域存在的一些问题、难点进行了分析和研究,并提出几种新的迁移学习算法。其中,针对文本分类中普遍存在的维数灾难及特征词义不明确,而易导致分类精度过低及过拟合等问题,提出了集特征选取与抽取为一体的特征降维方法—HLK；针对文本分类中源领域与目标领域间文本数据在数量及相似性等方面的特点,分别提出两种基于实例的迁移学习方法-CGTL与IDRTAT;针对源领域数据集与目标领域数据集中数据分布差异过大,提出一种基于特征的迁移学习算法-BFRTL,并通过实验验证了各算法有效性。

全文目录

摘要  5
Abstract  5-6
详细摘要  6-8
Detailed Abstract  8-14
1 绪论  14-24
  1.1 研究背景及意义  14-15
    1.1.1 研究背景  14-15
    1.1.2 研究意义  15
  1.2 文本分类发展过程  15-16
  1.3 迁移学习研究现状  16-17
  1.4 迁移学习在文本分类中的应用  17-20
  1.5 研究内容及创新点  20-21
  1.6 论文组织结构  21-22
  1.7 本章小结  22-24
2 相关工作综述  24-40
  2.1 文本分类  24-31
    2.1.1 文本表示  24-25
    2.1.2 文本分类算法  25-28
    2.1.3 文本分类的任务与步骤  28-30
    2.1.4 文本分类评价标准  30-31
  2.2 迁移学习  31-38
    2.2.1 迁移学习特点  31-32
    2.2.2 迁移学习的研究内容  32-36
    2.2.3 迁移学习的类型  36-38
    2.2.4 迁移学习常用数据集  38
  2.3 本章小结  38-40
3 一种改进的特征降维方法  40-56
  3.1 特征降维的作用  40-41
  3.2 常用特征降维方法  41-46
    3.2.1 特征选择法  41-43
    3.2.2 特征抽取法  43-46
  3.3 一种改进的特征降维方法  46-50
    3.3.1 HCD特征选取  47-48
    3.3.2 LSA特征抽取  48-50
    3.3.3 K-means聚类  50
  3.4 实验结果与分析  50-55
    3.4.1 实验数据  50
    3.4.2 评价指标  50-51
    3.4.3 实验设置  51
    3.4.4 实验结果及分析  51-55
    3.4.5 实验结论  55
  3.5 本章小结  55-56
4 基于图模型的迁移学习算法  56-72
  4.1 引言  56
  4.2 相关知识介绍  56-57
    4.2.1 聚类  56-57
    4.2.2 图模型  57
    4.2.3 文本间的相似性  57
  4.3 基于图模型的迁移学习  57-62
    4.3.1 算法思想  57-58
    4.3.2 问题定义  58
    4.3.3 算法实现  58-61
    4.3.4 算法步骤  61-62
  4.4 实验结果与分析  62-70
    4.4.1 实验数据  62-64
    4.4.2 评价指标  64-65
    4.4.3 实验设置  65
    4.4.4 实验结果及分析  65-70
    4.4.5 实验结论  70
  4.5 本章小结  70-72
5 基于动态重构模型的迁移学习算法  72-90
  5.1 引言  72-74
  5.2 相关知识介绍  74-75
  5.3 基于数据集动态重构迁移模型  75-79
    5.3.1 算法思想  75
    5.3.2 问题定义  75-76
    5.3.3 算法实现  76-78
    5.3.4 算法步骤  78-79
  5.4 实验结果与分析  79-89
    5.4.1 实验数据  79-81
    5.4.2 评价指标  81
    5.4.3 实验设置  81-82
    5.4.4 实验结果及分析  82-88
    5.4.5 实验结论  88-89
  5.5 本章小结  89-90
6 基于特征重构的迁移学习算法  90-108
  6.1 引言  90
  6.2 相关知识介绍  90-92
    6.2.1 流形学习  90-91
    6.2.2 最大间隔投影  91-92
  6.3 基于特征重构的迁移模型  92-98
    6.3.1 算法思想  92-93
    6.3.2 问题定义  93
    6.3.3 算法实现  93-97
    6.3.4 算法步骤  97-98
  6.4 实验结果与分析  98-106
    6.4.1 实验数据  98-99
    6.4.2 评价指标  99
    6.4.3 实验设置  99-103
    6.4.4 实验结果及分析  103-106
    6.4.5 实验结论  106
  6.5 本章小结  106-108
7 总结与展望  108-110
  7.1 工作总结及创新性成果  108-109
  7.2 进一步的工作  109-110
参考文献  110-116
致谢  116-117
作者简介  117
在学期间发表学术论文及参加科研工作情况  117

基于迁移学习的文本分类算法研究

内容摘要

全文目录

相似论文