深度学习在社交网络文本分类中的应用研究

发布时间：2020-12-11 11:50

　　近年来,伴随着互联网产业的迅猛发展,计算机硬件端的普及,尤其是智能手机的流行,让移动互联网端的产业井喷式发展,移动流量资费的下降,WiFi等硬件设施的覆盖,使得网民数量呈几何倍数式上升,网民年龄段基本涵盖了从小学生到青年中年老年人的全段式人群。淘宝、京东以及国外的亚马逊等电商购物平台的兴起,以微博、微信、以及国外的Twitter、Facebook等社交网络平台为代表的互联网社交产品也流传广泛。随着越来越多的活跃用户不断地更新自己的状态,每时每刻都有大量的文本数据发布在这些社交平台上,例如发布自己的状态,评价商品或事件,包括聊天记录等信息,这些海量的文本数据如何准确高效地提取出有价值的信息,无论是对于互联网服务提供商、科研院所还是政府事业单位来说,文本分类技术应该如何正确而高效地应用,从庞大数量的网络文本数据中提取并返回更加精准、简洁的信息,是迫切需要解决的问题。深度学习的相关理论在2006年被提出后,经过研究人员不断的完善,其在图像、语音识别等领域中,取得了丰硕的研究成果。随后逐渐有研究人员尝试在文本分类中应用深度学习,利用可自我学习特性,解决了对文本分类中自然语言理解可行性的问题;利... 

【文章来源】：大连交通大学辽宁省

【文章页数】：58 页

【学位级别】：硕士

【图文】：

图２．１深度学习核心思想??Ｆｉｇ?２．１?ｄｅｅｐ?ｌｅａｒｎｉｎｇ?ｃｏｒｅ?ｉｄｅａ??

新查询进行检索时运用普通的向量空间模型。在不关联文档的向量被减去之后，向??量空间之中的正值分量将被保留。Ｒｏｃｃｈｉｏ中，如果权重分量为负值，此分量就没有了??价值，将被忽略，即此〇作为分量权重。Ｒｏｃｃｈｉｏ应用于关联反馈的场景如下图２．４所??７Ｊｎ?〇??１１??

〇相关文档??？不相关文档??图２．４查询示意图??Ｆｉｇ?２．４?Ｑｕｅｒｙ?ｄｉａｇｒａｍ??在实际中的信息检索应用场景里，如果有一个有关于用户的查询，而且在开始时知道部??分关联文档与不关联文档的相关信息，于是查询向量ｑ经过修改之后可以表示为公式??（２．３）：??＝ａ＾〇?＋?＾Ｔ７７｜?＾?ｄｊ￣ｙ＼Ｐｒ￣＼Ｙｊ?ｄｊ?（２．３）??＼Ｕｒ＼?ｄ＾Ｃ，?｜?ｄｊｅＣｒ??ｑ代表初始的查询向量，Ｄｎｒ与Ｄｒ二者代表己知的关联文档集合与不关联文档集合。??ａ、Ｐ和丫代表ｑ、Ｄｒ与Ｄｉｉｒ的权承：。ａ、Ｐ和ｙ能通过如下方式调节判定结果与初始??查询向量二者的平衡：若已判断的文档己经大部分存在，就可以将较高的权重赋予Ｐ??和Ｙ。新查询在修改后由％开始，往关联文档的质心向量缩短一段距离，于此同时，又??远离了不关联文档的质心向量。??新查询进行检索时运用普通的向量空间模型。在不关联文档的向量被减去之后，向??量空间之中的正值分量将被保留。Ｒｏｃｃｈｉｏ中

【参考文献】：
期刊论文
[1]一种面向文本分类的特征向量优化方法[J]. 郭正斌,张仰森,蒋玉茹.  计算机应用研究. 2017(08)
[2]基于SVM的在线商品评论的情感倾向性分析[J]. 肖江,王晓进.  信息技术. 2016(07)
[3]基于深度信念网络的文本分类算法[J]. 陈翠平.  计算机系统应用. 2015(02)
[4]基于深度学习的微博情感分析[J]. 梁军,柴玉梅,原慧斌,昝红英,刘铭.  中文信息学报. 2014(05)
[5]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[6]SVM文本分类中一种新的特征提取方法[J]. 姜鹤,陈丽亚.  计算机技术与发展. 2010(03)
[7]一种基于特征重要度的文本分类特征加权方法[J]. 刘赫,刘大有,裴志利,高滢.  计算机研究与发展. 2009(10)
[8]基于向量空间模型中义项词语的无导词义消歧[J]. 鲁松,白硕,黄雄.  软件学报. 2002(06)

硕士论文
[1]基于位置和语义特征的中文命名实体关系抽取研究[D]. 李海光.合肥工业大学 2011



本文编号：2910474