基于潜在语义分析的迁移学习方法研究

迁移学习论文 潜在语义分析论文 种子特征集论文
论文详情
机器学习通过研究计算机如何模拟人类的学习行为以获取新的知识或技能,重新组织已有的知识结构达到不断改善自身性能的目的。但是机器学习有一个很重要的假设前提,就是训练数据和测试数据必须服从相同的数据分布。这给实际应用带来了很大的麻烦。如今信息更新迅速,当出现一个新的领域时,样本空间的数据往往较少、特征稀疏,此时再利用传统的机器学习对数据分类就会产生较大的泛化误差。迁移学习是一种跨领域、跨任务的学习方法。当目标领域带标签的数据非常少时,单独学习难以达到较好的性能。迁移学习通过对多个相似领域、任务之间知识的迁移与共享,达到使单个目标任务性能提高的目的。这一特点使得迁移学习能很好地解决机器学习中数据稀疏性问题。针对已有迁移学习方法中存在需要提前提供源领域数据集、或者只考虑文本的语义信息、或者只考虑保持文本的数据结构的问题,本文提出一种基于潜在语义分析的迁移学习方法。首先,从目标文本数据中提取关键词输入某搜索引擎,选取前几页文本作为最相关数据,利用扩展的潜在语义分析方法从目标领域数据中提取出与目标分类标签语义相关的关键词作为种子特征集;然后,从社交媒体无向图中提取包含所有种子特征集的子图,利用扩展的拉普拉斯特征映射方法,将每个数据在一个低维的潜在语义空间中表示出来;最后,以SVM分类方法为基分类器对目标测试文本数据进行分类。实验结果表明本文方法在目标分类器的分类精度上优于传统的机器学习和迁移学习方法,并且本文方法并不需要提前给出源领域数据,减轻了源领域数据提供者的负担。
摘要第5-6页
Abstract第6页
第1章 绪论第9-15页
    1.1 研究背景和意义第9-10页
    1.2 国内外研究现状第10-12页
    1.3 研究方向与重点第12-13页
    1.4 论文组织结构第13-15页
第2章 相关理论第15-31页
    2.1 文本分类第15-18页
        2.1.1 文本分类过程第15-16页
        2.1.2 文本分类方法第16-18页
        2.1.3 文本分类中存在问题第18页
    2.2 潜在语义分析方法第18-23页
        2.2.1 潜在语义分析方法过程第19-23页
        2.2.2 潜在语义分析方法的影响因素第23页
    2.3 迁移学习第23-30页
        2.3.1 迁移学习与传统机器学习的区别和联系第23-24页
        2.3.2 迁移学习定义第24-25页
        2.3.3 迁移学习形式化分类第25-26页
        2.3.4 几种典型的迁移学习方法第26-30页
    2.4 本章小结第30-31页
第3章 基于潜在语义分析的迁移学习方法第31-41页
    3.1 问题描述第31页
    3.2 方法思路第31-33页
        3.2.1 筛选种子特征集第31-32页
        3.2.2 搭建两领域之间的桥梁第32页
        3.2.3 方法概要第32-33页
    3.3 基于潜在语义分析的迁移学习方法第33-40页
        3.3.1 关键词的提取第33-34页
        3.3.2 特征项权重计算第34-36页
        3.3.3 提取新的特征空间第36-38页
        3.3.4 方法描述第38-40页
    3.4 本章小结第40-41页
第4章 实验与结果分析第41-49页
    4.1 实验环境第41-42页
        4.1.1 实验平台第41页
        4.1.2 实验数据集第41-42页
    4.2 实验内容及方案第42-43页
    4.3 实验结果及分析第43-48页
        4.3.1 参数敏感度测试第43-44页
        4.3.2 对比实验第44-48页
    4.4 本章小结第48-49页
结论第49-50页
参考文献第50-55页
攻读硕士学位期间发表的论文和取得的科研成果第55-56页
致谢第56页
论文购买
论文编号ABS3535542,这篇论文共56页
会员购买按0.30元/页下载,共需支付16.8
不是会员,注册会员
会员更优惠充值送钱
直接购买按0.5元/页下载,共需要支付28
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文

点击收藏 | 在线购卡 | 站内搜索 | 网站地图
版权所有 艾博士论文 Copyright(C) All Rights Reserved
版权申明:本文摘要目录由会员***投稿,艾博士论文编辑,如作者需要删除论文目录请通过QQ告知我们,承诺24小时内删除。
联系方式: QQ:277865656