检索结果-内蒙古大学图书馆

小型微型计算机系统 2012年第11期33卷 2414-2417页

作者：王颖静王正群张国庆徐伟扬州大学信息工程学院江苏扬州225009

标签传播算法(LP)是一种基于图的半监督学习算法,通过保持数据间的某些特殊结构,将部分有标签数据的标签信息迭代传递给无标签数据,直至获得全局的稳定状态.结合标签传播算法和线性鉴别分析提出一种流形结构保持的传播半监督降维算法(SD... 详细信息

标签传播算法(LP)是一种基于图的半监督学习算法,通过保持数据间的某些特殊结构,将部分有标签数据的标签信息迭代传递给无标签数据,直至获得全局的稳定状态.结合标签传播算法和线性鉴别分析提出一种流形结构保持的传播半监督降维算法(SDRMPP),采用流行结构上的重构权重并结合已知的部分标签信息进行标签传播,利用传播后获得的全体软标签信息构造离散度矩阵实现鉴别分析,通过求解目标函数的最优值获得特征抽取空间,从而对测试样本进行分类.在Yale和Feret两个标准人脸库上实验验证了该算法的有效性,尤其在只存有少量有标签样本的情况下,该算法仍能保持良好的分类性能.

关键词：标签传播算法 LDA 流形学习半监督降维人脸识别

来源：评论

学校读者我要写书评

暂无评论

基于情绪词与情感词协作学习的情感分类方法研究

引用

计算机科学 2012年第12期39卷 241-244页

作者：代大明李寿山李培峰朱巧明江苏省计算机信息处理技术重点实验室苏州215006 苏州大学计算机科学与技术学院苏州215006

情感分类任务旨在自动识别文本所表达的情感色彩信息(例如,褒或者贬、支持或者反对)。提出一种基于情绪词与情感词协作学习的情感分类方法:在基于传统情感词资源的基础上,引入少量情绪词辅助学习,只利用大规模未标注数据实现情感分类。... 详细信息

情感分类任务旨在自动识别文本所表达的情感色彩信息(例如,褒或者贬、支持或者反对)。提出一种基于情绪词与情感词协作学习的情感分类方法:在基于传统情感词资源的基础上,引入少量情绪词辅助学习,只利用大规模未标注数据实现情感分类。具体来讲,基于文档-单词二部图的标签传播算法框架,利用情绪词与情感词构建两个视图,通过协作学习的方法从大规模未标注语料中抽取高正确率的自动标注样本作为训练数据,然后训练分类器进行情感分类。实验表明,该方法在多个领域的情感分类任务中都取得了较好的分类效果。

关键词：情绪词情感词二部图标签传播算法协作学习

来源：评论

学校读者我要写书评

暂无评论

搜索引擎查询分类方法的研究与实现

搜索引擎查询分类方法的研究与实现

引用

作者：刘晓兵北京大学

学位级别：硕士

查询意图被定义为查询背后的信息需求，正确分类用户的查询意图，能够帮助商业化搜索引擎优化检索结果，提供更加准确的检索服务。由于用户的查询　　关键词一般较短(平均长度2-3)，通过查询词本身的特征对查询进行分类比较困难。本文... 详细信息

查询意图被定义为查询背后的信息需求，正确分类用户的查询意图，能够帮助商业化搜索引擎优化检索结果，提供更加准确的检索服务。由于用户的查询　　关键词一般较短(平均长度2-3)，通过查询词本身的特征对查询进行分类比较困难。本文从丰富查询表示方式和利用无标签数据两个方向，研究查询分类的可行方法，并在识别查询的商业意图上验证方法的有效性。　　本文主要包括四个部分：　　1.使用查询点击文档的摘要信息或者相似查询的集合丰富查询的特征，实验表明这两种丰富查询特征的方法对于识别用户商业意图非常有效。　　2.根据查询之间的关联关系构建了四种查询图，在图上使用标签传播算法进行查询分类，实验验证，这种方法可以达到有监督机器学习方法同等的分类效果。　　3.通过组合多种查询图丰富查询图的先验知识，或者是使用最大熵分类器扩展有标签的数据集改进标签传播算法的分类效果。实验表明，组合后的图更适合于标签传播算法，扩展有标签数据集的方法也可以很好的提升标签传播算法的分类效果。　　4.组合使用标签传播算法和最大熵分类器，一种方法是通过标签传播算法扩大最大熵分类器的训练集，另外一种方法使用互学习的方式结合两种分类器，实验表明，训练集扩展后的最大熵分类器分类效果有明显提升，当有标签的数据集很少的时候，互学习的方法可以获得很好的优化。

关键词：查询分类商业意图标签传播算法检索服务

来源：评论

学校读者我要写书评

暂无评论

在线社会网络社区发现和社区特征分析

在线社会网络社区发现和社区特征分析

引用

作者：杨阳北京交通大学

学位级别：硕士

随着大规模在线社会网络应用迅速发展,研究发现在线社会网络都具有社区的结构。在社会网络中搜寻和发现社区,可以帮助人们理解社会网络的演进过程和组织方式,目前对大规模的社会网络如何快速高效地进行社区发现仍是一个难题。分析社区... 详细信息

随着大规模在线社会网络应用迅速发展,研究发现在线社会网络都具有社区的结构。在社会网络中搜寻和发现社区,可以帮助人们理解社会网络的演进过程和组织方式,目前对大规模的社会网络如何快速高效地进行社区发现仍是一个难题。分析社区呈现的特征有利于改善现有网络的应用,也有助于设计出更好的网络。本文从社区的角度对在线社会网络进行社区划分和社区特征的分析。实验使用的数据源是在线社会网络YouTube和Flickr的部分实测数据。本文的工作分为三个方面。第一,从两种不同策略出发运用标签传播算法对YouTube网络进行社区划分。标签传播算法是一种高效的局域更新算法,本文利用“博弈”的观点,用度值表征邻居节点和节点本身标签的权重,选择权重最大的标签作为节点标签进行网络的社区划分。另一方面,从社区中存在交叠的结构的思想入手,将算法划分中处于平局的节点作为跨界的点,以减少标签震荡对时间效率的影响,得到良好的社区划分结果。第二,对Flickr超大规模网络采用社区收缩的思想进行分层的社区划分。本文将Flickr网络切割成子网进行划分后又以社区为节点构建网络进行多次社区聚合,得到最终的社区划分和网络的连通片数量。第三,在社区划分结果的基础上从社区规模、社区密度、最大社区三个方面对两种不同策略的社区特征进行分析。实验结果表明,社区规模呈幂律分布,中等社区的稠密程度较高,最大社区在聚合系数和度分布方面表现出来的特征与划分策略有密切的关系,博弈策略得到的社区划分结果更接近原始划分的最大社区的特性。本文的最后指出了在本文基础上进一步的工作方向。

关键词：在线社会网络社区发现标签传播算法社区特征

来源：评论

学校读者我要写书评

暂无评论

在线社会网络团结构分析

在线社会网络团结构分析

引用

作者：马延妮北京交通大学

学位级别：硕士

随着互联网的发展,产生了包括Web在内的许多不同的信息系统。最近,在线社会网络广受欢迎,已经成为Web中最受欢迎的网站之一。这些网站的用户组成了在线社会网络,提供了分享、组织、查找资料的最好途径。这些网站为研究规模很大的在线社... 详细信息

随着互联网的发展,产生了包括Web在内的许多不同的信息系统。最近,在线社会网络广受欢迎,已经成为Web中最受欢迎的网站之一。这些网站的用户组成了在线社会网络,提供了分享、组织、查找资料的最好途径。这些网站为研究规模很大的在线社会网络的特性提供了条件。理解在线社会网络的结构既有利于改进现有的网络,也有助于设计出更好的网站。本文从团的角度分析在线社会网络YouTube的结构特性。所使用的数据源是采用滚雪球采样法获取到的YouTube在线社会网络的部分数据。本文的重点工作是利用标签传播算法检测团结构、优化算法并且分析团特性。本文的工作证明,在大规模网络中,标签传播算法是一种高效的团结构检测算法,利用这种算法划分出的团结构是优良的划分。但是,随着结束条件逐步严格,算法收敛速度显著变慢。为了提高算法运行速度,本文对标签传播算法做了优化。通过在合适的条件下介入循环过程,对那些已经划分入所属团的节点不再处理,只处理还没有达到稳定状态的节点。本文的研究证明,只要选择的条件合适,算法收敛速度会得到显著提高,同时团划分还保持在优良的水平。本文还分析了网络团结构的特性。尽管相同初始条件和结束条件下的划分仍然不是唯一的,但是通过分析f系数和Jaccard索引发现这些划分是彼此相似的。团划分与现实中的群之间是相互影响的,即在团划分中属于同一个团的用户往往也属于同一个群,或者分散在少数几个群中。而在一个群中的用户在团划分的结果中也往往同属于一个团,或者分散在少数几个团中。本文最后指出了在本文研究工作的基础上的进一步工作的方向。

关键词：在线社会网络团结构标签传播算法群

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：