基于半监督的svm迁移学习文本分类方法

《基于半监督的svm迁移学习文本分类方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、广东工业大学硕±学位论文（王学硕±）基于半监督的ＳＶＭ迂移学习文本分类方法谭建平二〇—六年五月１１８４５分类号：；学校代号抓Ｃ：密级：学号：２１１１３０４０９１广东工业大学硕±学位论文（工学硕±）基于半监督的ＳＶＭ迂移学习文本分类方法谭建平指导教师姓名、职称；刘波教授学科（专业）或领域名称：控制科学与工程学生所属学院：自动化学院论文答辩日期；２０１６年０５月３１日ＡＤｉｓｓｅｒｔａｔｉｏｎＳｕｂｍｉｔｔｅｄｔｏＧｕａｎｇｄｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅ

2、ｃｈｎｏｌｏｇｙｆｏｒｔｈｅＤｅｒｅｅｏｆＭａｓｔｅｒｇＭａｓｔｅｒｏｆＥｎｉｎｅｅｒｉｎＳｃｉｅｎｃｅ（ｇｇ）Ｓｅｍ－－ｉｓｕｐｅｒｖｉｓｅｄＳＶＭＢａｓｅｄＴｒａｎｓｆｅｒＬｅａｒｎｉｎｇｆｏｒＴｅｘｔＣｉｉｔｉｌａｓｓｆｃａｏｎＣａｎｄｉｄａｔｅ；ＴａｎＪｉａｎｉｎｐｇｒＳｕｅｖｓｏｒ：Ｐｒｏ．ｐｉｆＬｉｕＢｏＭａｙ２０化ＳｃｈｏｏｌｏｆＡｕｔｏｍａｔｉｏｎＧｕａｎｄｏｎＵｎｉｖｅｒｓｉｔｏｆＴｅｃｈｎｏｌｏｇｇｙｇｙＧｕａｎｚｈｏｕＧｕａｎｄｏ

3、ｎＰ．Ｒ．Ｃｈｉｎａ５１０００６ｇ，ｇｇ，，摘要摘要随着互联网的快速发展，各种信息风靡网络，而这些网络信息主要通过文本的形式来表法，因此对文本数据进行合理有效的处理是十分必要的。文本分类是进行一信息挖掘的种重要数据分析方法，它能够从数据中挖掘关键信息并构建模型，使计算机从过去的数据中获取知识，解决问题。传统的文本分类方法在要求有充足标注数据训练模型的同时还要求训练数据一一。与测试数据属于同分布支持向量机（ＳＶＭ）作为常用文本分类方法之，特别适合处理像文本这样的数据集较大的分类问题。然而，ＳＶ

4、Ｍ在处理分类问题时也常会因为训练样本不充分而无法学习到高精度的分类模型。近年来，在ＳＶＭ算法中一引入半监督学习模式，利用大量未标注数据与少量标注数据共同训练分类器，在定程度上解决了训练数据不充分的问题，但半监督学习仍需满足训练数据与测试数据同分布假设一。迁移学习是最近兴起的种有效解决上述问题的学习方式，其可Ｗ利用相似领域中大量标注数据来帮助新领域目标任务的学习。于是在ＳＶＭ中引入。迁移学习，在提供大量标注数据的同时还放宽了对数据分布的要求本文通过结合迁移学习和半监督学习来研究文本分类问题，主要研究内容如下；

5、（１）针对传统有监督ＳＶＭ文本分类方法的不足，详细描述了半监督式的自训练ＳＶＭ分类方法，包括其基本思想、具体流程Ｗ及存在的缺陷。（２）针对Ｗ往ＳＶＭ迁移学习方法在训练过程中大量迂移与目标数据很不相似的源领域数据的问题一，提出了种利用源域支持向量进行相似迂移的方法。该方法先利用源领域训练得到的支持向量代表源领域数据，再利用源域支持向量与目标训。练集的相似度来衡量源域数据的重要性，进而有效的对源领域知识进行迁移（３）考虑到未标注数据可能包含有对分类起重要作用的信息，提出了结合目标领域未标注数据共同学习分类模型的

6、基于半监督的ＳＶＭ迁移学习分类方法。该方法ＷＳＶＭ迁移模型为基础分类器，给未标注数据带上初始标签并共同学习分类模型一，进步提高了分类器性能。将本文提出的ＳＶＭ迁移学习方法Ｗ及基于半监督的ＳＶＭ迂移学习方法与传统Ｉ广东工业大学硕壬论文的ＳＶＭ方法在２０Ｎｅｗｓｇｒｏｕｐｓ数据集上进行实验对比，证明了本文提出方法的有效性。然后与传统的文本分类方法进行比较，证明了本文方法的可行性与优越性。关键词：迁移学习；半监督学习；ＳＶＭ；文本分类ＩＩＡＢＳＴＲＡＣＴＡＢＳＴＲＡＣＴＷｉｔｈｔｈｅｒ

7、ａｐｉｄｄｅｖｅｌｏｐｍｅ打ｔｏｆＩｎｔｅｒｎｅｔ，ｔｈｅｒｅａｒｅａｌｌｋｉｎｄｓｏｆｉｎｆｏｒｍａｔｉｏ打ｉｎｔｈｅ，ｎｅｔｗｏｒｋ，ａｎｄｔｈｅｙａｒｅｍａｉｎｌｙｅｘｐｒｅｓｓｅｄｔｈｒｏｕｇｈｔｈｅ化对．Ｓｏｉｔｓｎｅｃｅｓｓａｒｙｔｏｄｅａｌｗｉｔｈｔｈｅｔｅｘｔｄａｔａｒｅａｓｏｎａｂｌｅｅｆｅｃｔｉｖｅｌ．Ｔｅｘｔｃｌａｓｓｉｆｉｃａｔｉｏ打ｉｓａｎｉｍｐｏｒｔａｎｔｄａｔａａｎａｌｓｉｓｙｙｍｅｔｈｏｄｆｂｒｉｎｆｏｒｍａｔｉｏｎｓｃ

8、ｉｅｎｃｅｉｔｃａｎｍｉｎｅｔｈｅｋｅｙｉｎｆｏｒｍａｔｉｏｎｆｒｏｍｔｈｅｄａｔａｔｏｂｕｉｌｄａ，ｍｏｄｅｌａｎｄａｃｕｉｒｅｓｋｎｏｗｌｅｄｅｆｒｏｍ