面向用户观点分析的多分类器集成和优化技术

发布时间：2018-04-01 05:01

  本文选题：观点分析　切入点：集成学习　出处：《计算机学报》2013年08期

【摘要】：网络上用户生成的数据(User-Generated Data)富含用户的观点(情感),自动识别这些用户观点对很多的Web应用具有重要的作用,例如推荐系统和电子商务/政务智能系统等.但用户的观点表达通常与领域是相关的,因此对于不同的分析领域,用户难以选择到效果最好的分类器.文中针对用户观点分析问题设计了一个三阶段的多分类器集成框架,在此框架下用户只需指定可用的分类器,系统将自动选择一组最优的分类器组合,将它们的预测结果整合为最终分类结果,同时能够保证分类效果优越于最好的单分类器.针对分类器组的选择过程中面临的组合爆炸问题,文中在考虑分类器的准确度和多样性的基础上,设计了一个贪心算法选择成员分类器,并证明该算法是2-近似的.最后,在不同领域的真实数据集上进行了充分的实验,实验结果验证了文中提出的框架和算法的有效性.
[Abstract]:User-Generated data (User-Generated data) generated by users on the network is rich in user's views (emotion, automatic identification of these user's views), which plays an important role in many Web applications, such as recommendation system and E-commerce / Government Intelligent system, etc.However, the expression of users' views is usually related to the domain, so it is difficult for users to choose the best classifier for different analysis fields.In this paper, a three-stage multi-classifier integration framework is designed for user viewpoint analysis. In this framework, users only need to specify the available classifiers, and the system will automatically select a group of optimal classifier combinations.Their prediction results are integrated into the final classification results and the classification effect is superior to that of the best single classifier at the same time.Considering the accuracy and diversity of classifiers, a greedy algorithm is designed to select members, and it is proved that the algorithm is 2-approximate.Finally, experiments are carried out on real data sets in different fields, and the experimental results show the effectiveness of the proposed framework and algorithm.
【作者单位】： 华东师范大学软件学院上海市高可信计算重点实验室;
【基金】：国家自然科学基金重点项目(61033007) 国家“九七三”重点基础研究发展规划项目基金(2010CB328106) 上海高校知识服务平台-可信物联网产学研联合研发中心(筹)(中心代号:ZF1213) 创新研究群体科学基金(61021004) 教育部新世纪人才支撑计划(NCET-10-0388)资助~~
【分类号】：TP393.09

【参考文献】

相关期刊论文 前1条

1 周志华,陈世福;神经网络集成[J];计算机学报;2002年01期

【共引文献】

相关期刊论文 前10条

1 马宁;李斌;;基于神经网络集成的车牌字符识别[J];安徽广播电视大学学报;2012年02期

2 李豹;;并行神经元集成在风险评估中的应用[J];安徽工程科技学院学报(自然科学版);2009年04期

3 李千目;许满武;张宏;刘凤玉;;一种新的用于网络层故障检测算法——RRBFNN[J];兵工学报;2006年03期

4 李文斌;刘椿年;钟宁;;基于两阶段集成学习的分类器集成[J];北京工业大学学报;2010年03期

5 卓丽霞;田佳;;基于C4.5算法的集成方法研究[J];重庆工学院学报;2006年11期

6 林海军;杨进宝;汪鲁才;杨艳华;;基于复合RBFNN的数字温度传感器误差补偿方法[J];传感技术学报;2011年02期

7 牛大鹏;王福利;何大阔;贾明兴;;基于Elman神经网络集成的诺西肽发酵过程建模[J];东北大学学报(自然科学版);2009年06期

8 葛延峰;金文静;高立群;冯达;;多种群并行的自适应差分进化算法[J];东北大学学报(自然科学版);2011年04期

9 田雨波;董跃;;基于神经网络集成的微带天线谐振频率建模[J];电波科学学报;2009年04期

10 鄢余武;;分布异质传感器下的神经网络集成目标识别法[J];弹箭与制导学报;2007年03期

相关会议论文 前8条

1 张正道;胡寿松;;基于神经网络免疫集成的非线性时间序列故障预报[A];江苏省自动化学会七届四次理事会暨2004学术年会青年学者论坛论文集[C];2004年

2 张红梅;;基于粗糙集特征约简的SVM集成入侵检测模型[A];2009中国控制与决策会议论文集（3）[C];2009年

3 ;An Ensemble SVM using Entropy-Based Attribute Selection[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

4 吴月明;王益群;李莉;;基于神经网络集成的可靠性分布模型的智能识别[A];2006年全国机械可靠性学术交流会论文集[C];2006年

5 袭祝香;赵泽会;;三种短期气候预测集成方法及集成预测试验[A];第28届中国气象学会年会——S5气候预测新方法和新技术[C];2011年

6 俞善贤;;神经网络和预报集成的若干问题及其对策[A];首届长三角气象科技论坛论文集[C];2004年

7 俞善贤;;神经网络和预报集成的若干问题及其对策[A];首届长三角科技论坛——气象科技发展论坛论文集[C];2004年

8 安金霞;朱纪洪;袁夏明;;基于神经网络知识库的多神经网络集成方法[A];2009年中国智能自动化会议论文集（第六分册）[中南大学学报（增刊）][C];2009年

相关博士学位论文 前10条

1 于化龙;基于DNA微阵列数据的癌症分类技术研究[D];哈尔滨工程大学;2010年

2 齐峰;人工神经树网络模型的优化研究与应用[D];山东师范大学;2011年

3 张翔;文本挖掘技术研究及其在综合风险信息网络中的应用[D];西北大学;2011年

4 石振国;资源网络的精化学习及应用研究[D];上海大学;2011年

5 曾水玲;训练模式的不确定性对模糊系统的影响[D];南京理工大学;2011年

6 王飞;入侵检测分类器设计及其融合技术研究[D];南京理工大学;2011年

7 王清;集成学习中若干关键问题的研究[D];复旦大学;2011年

8 罗建宏;粒计算分类知识发现算法及其应用[D];浙江大学;2010年

9 袁丽华;基于物种进化的遗传算法研究[D];南京航空航天大学;2009年

10 方育柯;集成学习理论研究及其在个性化推荐中的应用[D];电子科技大学;2011年

相关硕士学位论文 前10条

1 曹彦;基于支持向量机的特征选择及其集成方法的研究[D];郑州大学;2010年

2 李晓光;数据挖掘技术在高校招生和教务管理中的应用[D];哈尔滨工程大学;2010年

3 侯宗仁;TD-SCDMA网络性能分析系统的设计与实现[D];大连理工大学;2010年

4 刘晓飞;基于相关反馈的图像检索研究[D];大连理工大学;2010年

5 李卫斌;数据仓库和数据挖掘在航空维修信息分析中应用研究[D];西安电子科技大学;2010年

6 王冰玉;集成学习算法的改进及其应用[D];西安电子科技大学;2009年

7 葛春苑;基于神经网络的人脸识别系统研究[D];山东师范大学;2011年

8 陈洁;基于进化计算的随机神经网络优化及其应用研究[D];山东师范大学;2011年

9 张冬威;基于网络聚类选择的神经网络集成方法及其在农业中的应用[D];吉林大学;2011年

10 韩超远;基于神经网络的内模控制在温度控制系统的研究[D];西华大学;2011年

【二级参考文献】

相关期刊论文 前2条

1 崔伟东;周志华;李星;;神经网络VC维计算研究[J];计算机科学;2000年07期

2 周志华;何佳洲;陈世福;;神经网络国际研究动向——2000年国际神经网络联合大会评述[J];模式识别与人工智能;2000年04期

【相似文献】

相关期刊论文 前10条

1 张新东;亢俊健;陈嶷瑛;李文斌;;选择分类器进行入侵检测[J];微计算机信息;2010年06期

2 徐冲;王汝传;任勋益;;基于集成学习的入侵检测方法[J];计算机科学;2010年07期

3 吴焕政;吴渝;肖开州;;基于粗糙集和集成学习的BBS网络舆情分类[J];广西大学学报(自然科学版);2009年05期

4 徐鹤;王锁萍;王汝传;赵丹;;基于神经网络集成的P2P流量识别研究[J];南京邮电大学学报(自然科学版);2010年03期

5 常卫东;;基于集成学习的智能入侵检测系统[J];中国科技信息;2006年22期

6 姜伟;杨炳儒;;基于双层分类器入侵检测算法[J];微计算机应用;2010年06期

7 李凯;陈武;;基于集成学习的入侵检测方法[J];计算机工程;2008年11期

8 王艳芳;张连华;白英彩;;基于粗糙集数据挖掘和分类集成学习的网络入侵检测模型[J];计算机应用与软件;2006年04期

9 严岳松;倪桂强;缪志敏;潘志松;汪肇强;;基于SVDD的半监督入侵检测研究[J];微电子学与计算机;2009年10期

10 黄湘宁;祝延波;;基于图论的节点分析[J];青海师范大学学报(自然科学版);2011年02期

相关会议论文 前4条

1 史艳青;朱培栋;王晓明;;基于代码多样性方法提高网络安全研究[A];2008年中国高校通信类院系学术研讨会论文集（下册）[C];2009年

2 付焕焕;李俊;张洁;;入侵检测中机器学习算法的集成[A];中国电子学会第十七届信息论学术年会论文集[C];2010年

3 张红梅;高海华;王行愚;;抑制样本噪声的AdaBoost算法及其在入侵检测中的应用[A];2007年中国智能自动化会议论文集[C];2007年

4 张红梅;;基于粗糙集特征约简的SVM集成入侵检测模型[A];2009中国控制与决策会议论文集（3）[C];2009年

相关博士学位论文 前4条

1 孔德光;结合语义的统计机器学习方法在代码安全中应用研究[D];中国科学技术大学;2010年

2 赵月爱;基于非均衡数据分类的高速网络入侵检测研究[D];太原理工大学;2010年

3 周俊临;基于数据挖掘的分布式异常检测[D];电子科技大学;2010年

4 李军;基于用户行为挖掘的数据流管理技术研究[D];北京邮电大学;2012年

相关硕士学位论文 前10条

1 常卫东;智能入侵检测中的特征提取和集成学习技术研究[D];国防科学技术大学;2005年

2 李子健;遗传算法的改进及其在入侵检测系统中的应用[D];天津大学;2005年

3 闫瑞;博客数据特征提取与基于分类的垃圾博客过滤[D];中国科学技术大学;2009年

4 凌霄汉;集成学习方法及其在入侵检测中的应用研究[D];南京师范大学;2007年

5 邱玉祥;特征选择和集成学习及其在入侵检测中的应用[D];南京师范大学;2008年

6 姚晓娜;BBS热点话题挖掘与观点分析[D];大连海事大学;2008年

7 刘丽丽;基于智能算法的网络入侵检测技术研究[D];江南大学;2009年

8 李晓薇;基于管理Agent的协作式入侵检测技术的研究[D];江苏大学;2007年

9 王浩;流量预测算法在入侵检测系统中的应用[D];河南大学;2009年

10 付焕焕;基于集成学习的入侵检测系统的研究与实现[D];南京航空航天大学;2010年

，

本文编号：1694060