隨著互聯(lián)網(wǎng)的高速發(fā)展,文本數(shù)據(jù)的產(chǎn)生量也呈急劇增加的趨勢,尤其是社交和購物等終端產(chǎn)生的短文本更是量多類雜,海量的短文本數(shù)據(jù)給自然語言處理研究方向提供了大量的數(shù)據(jù),同時也給文本分類等研究帶來了巨大挑戰(zhàn)。本文致力于研究自然語言處理中的短文本分類任務(wù),力圖提高短文本分類的準確度。文本分類任務(wù)主要分為長文本分類和短文本分類。在處理短文本分類任務(wù)時,由于文本具有文本長度短、特征高稀疏、句子語義表達較差等特點,所以運用傳統(tǒng)的基于統(tǒng)計語言學(xué)技術(shù)處理短文本遇到了很多困難,例如受短文本開放性強的影響,傳統(tǒng)的詞語編碼不能有效的進行高質(zhì)量編碼;由于短文本語義性較差,所以在通過傳統(tǒng)的文檔表示模型處理短文本時往往效果欠佳等。針對短文本分類的諸多困難,本文主要從以下三個方面進行研究:（1）研究詞向量編碼方式,分別采用密度峰值聚類算法和吸引子傳播聚類算法對詞向量進行聚類。首先采用人工神經(jīng)網(wǎng)絡(luò)對詞語通過詞嵌入的方式進行編碼,進而對文本詞語編碼方式進行改進;然后對訓(xùn)練好的詞向量進行聚類處理,聚類處理旨在減少噪聲干擾對分類模型的影響;最終通過聚類得到的詞典庫具有更佳的編碼規(guī)范性。（2）研究卷積神經(jīng)網(wǎng)絡(luò)分類模型,提出一種新... 

【文章來源】：山東師范大學(xué)山東省

【文章頁數(shù)】：40 頁

【學(xué)位級別】：碩士

【部分圖文】：

NNLM模型結(jié)構(gòu)示意圖

決策圖

【參考文獻】：
期刊論文
[1]基于類別特征改進的KNN短文本分類算法[J]. 黃賢英,熊李媛,劉英濤,李沁東.  計算機工程與科學(xué). 2018(01)
[2]基于詞向量和情感本體的短文本情感分類[J]. 王正成,李丹丹.  浙江理工大學(xué)學(xué)報(社會科學(xué)版). 2018(01)
[3]基于深度學(xué)習(xí)的短文本評論產(chǎn)品特征提取及情感分類研究[J]. 李杰,李歡.  情報理論與實踐. 2018(02)
[4]基于SVM的高維混合特征短文本情感分類[J]. 王義真,鄭嘯,后盾,胡昊.  計算機技術(shù)與發(fā)展. 2018(02)
[5]基于word embedding的短文本特征擴展與分類[J]. 孟欣,左萬利.  小型微型計算機系統(tǒng). 2017(08)
[6]短文本理解研究[J]. 王仲遠,程健鵬,王海勛,文繼榮.  計算機研究與發(fā)展. 2016(02)
[7]基于聚類改進的KNN文本分類算法[J]. 周慶平,譚長庚,王宏君,湛淼湘.  計算機應(yīng)用研究. 2016(11)
[8]一種改進的短文本層次聚類算法[J]. 李天彩,席耀一,王波,張佳明.  信息工程大學(xué)學(xué)報. 2015(06)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的微博情感傾向性分析[J]. 劉龍飛,楊亮,張紹武,林鴻飛.  中文信息學(xué)報. 2015(06)
[10]Word2vec的工作原理及應(yīng)用探究[J]. 周練.  科技情報開發(fā)與經(jīng)濟. 2015(02)

博士論文
[1]基于深度學(xué)習(xí)的文本表示與分類方法研究[D]. 閆琰.北京科技大學(xué) 2016
[2]基于深度學(xué)習(xí)的短文本分析與計算方法研究[D]. 李巖.北京科技大學(xué) 2016
[3]文本分類關(guān)鍵技術(shù)及應(yīng)用研究[D]. 鳳麗洲.吉林大學(xué) 2015

碩士論文
[1]中文文本聚類關(guān)鍵技術(shù)研究[D]. 邵明來.廣西大學(xué) 2015
[2]基于密度的層次聚類算法研究[D]. 張文開.中國科學(xué)技術(shù)大學(xué) 2015
[3]基于詞向量的短文本分類方法研究[D]. 江大鵬.浙江大學(xué) 2015
[4]中文短文本分類技術(shù)的研究與實現(xiàn)[D]. 熊大康.安徽大學(xué) 2014
[5]基于復(fù)雜網(wǎng)絡(luò)的中文文本分類研究[D]. 趙輝.西安電子科技大學(xué) 2014
[6]面向文本分類的特征提取算法研究[D]. 彭君睿.北京郵電大學(xué) 2014
[7]基于聽覺圖像的音樂流派自動分類系統(tǒng)研究[D]. 李秋穎.天津大學(xué) 2012



本文編號：3532031