在公安業(yè)務(wù)的實際需求中,往往需要對網(wǎng)絡(luò)上的文本信息進行篩選,也就是進行文本分類。在文本分類任務(wù)中,分類效果的好壞依賴于訓練樣本的數(shù)量和質(zhì)量,要想獲得一個有效的分類器,往往需要耗費大量的人力來對文本進行標記,同時,在很多情況下,我們所需要進行分類的文本往往是針對某一特定事件或人物的,這樣的文本所占比例較低,往往很難收集到足夠的訓練樣本。要想解決以上問題,就需要一個可以自動化增量學習的分類器。一般而言,分類器的實現(xiàn)有傳統(tǒng)機器學習方法和神經(jīng)網(wǎng)絡(luò)方法。傳統(tǒng)機器學習方法往往是基于統(tǒng)計學上的詞語共現(xiàn)頻率進行分類,該方法對樣本數(shù)量依賴小,可以實現(xiàn)文本的簡單分類;神經(jīng)網(wǎng)絡(luò)方法則是在語義理解的基礎(chǔ)上進行分類,該方法對樣本數(shù)量依賴大,但可以實現(xiàn)復雜的文本分類。針對這兩種方法,本文設(shè)計了一個支持自動化增量學習的分類器系統(tǒng),該系統(tǒng)采取了一定的策略,充分發(fā)揮了這兩種方法的優(yōu)勢,在該系統(tǒng)中,首先使用少量的標記樣本對多種分類器進行訓練,在使用分類器進行文本分類的過程中,基于一定的規(guī)則,使用傳統(tǒng)機器學習方法對分類結(jié)果進行篩選,生成帶有一定噪聲的標記樣本,對分類器進行再訓練,以此實現(xiàn)自動化增量學習的過程。經(jīng)過實驗證明,在...

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

圖1.1NNLM語言模型結(jié)構(gòu)圖

中國人民公安大學碩士學位論文-5-2003年，Bengio[13]為了改進這些缺點，首次將深度學習的思想融入到語言模型中，直接通過一個神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對N元條件概率進行評估，該模型的基本結(jié)構(gòu)如圖1.1。圖1.1NNLM語言模型結(jié)構(gòu)圖模型可以分為四個部分，第一部分通過矩陣實現(xiàn)詞到詞向量....

圖3.3樹增強的樸素貝葉斯結(jié)構(gòu)圖

中國人民公安大學碩士學位論文-23-圖3.3樹增強的樸素貝葉斯結(jié)構(gòu)圖對于概率分布12，TAN分類器可表示為：用12=1（公式3.13）其中，表示在給定類節(jié)點的約束條件下12的最大權(quán)重跨度樹，是在最大權(quán)重跨度樹中的屬性父節(jié)點，的取值為0或1。2.使用加權(quán)期望交叉熵進行特征提齲由于特....

圖3.5線性分類的局限

中國人民公安大學碩士學位論文-26-==1（公式3.16）==1（公式3.17）式中為拉格朗日乘子，且≥。其中，當=時，該樣本無效；當時，其支持向量才會影響分類效果，使支持向量集中僅包含著訓練樣本的有用信息，說明對支持向量進行增量學習是行之有效的，使得SVM這一機器學習技術(shù)具有了....

圖3.6非線性分類的表現(xiàn)形式

中國人民公安大學碩士學位論文-26-==1（公式3.16）==1（公式3.17）式中為拉格朗日乘子，且≥。其中，當=時，該樣本無效；當時，其支持向量才會影響分類效果，使支持向量集中僅包含著訓練樣本的有用信息，說明對支持向量進行增量學習是行之有效的，使得SVM這一機器學習技術(shù)具有了....

本文編號：4055705