排序方式: 共有182条查询结果,搜索用时 15 毫秒
71.
人物群体人格分析的社会需求日益迫切。提出一种基于TF-IDF方法的文本人物群体人格分析方法。通过模拟情景对志愿者做调查获取数据,再分别使用VSM技术、PCA技术、Wavelet技术提取志愿者的文本特征,得到三个特征空间。在三个空间里使用KNN分类方法获得九型人格分类的候选项,综合候选项获得志愿者们的人格判别分布。实验表明,该方法不但判别速度相较人类专家分类有了很大地提升,而且具有相当的可信度参考价值。这对未来人物群体人格分析会产生较大的影响。 相似文献
73.
以西北地区城市为研究区域,以2008—2017年地方政府颁布的政策文件为研究对象,运用TF-IDF文本分析法,探讨了10年间西北五省地方政府工业绿色转型的政策导向,以期为中国西北地区城市和其他地区城市的绿色转型发展提供经验和借鉴,并丰富国内关于城市绿色转型的研究内容。西北地区政府出台的关于工业绿色转型的政策数量整体上呈上升趋势,陕西和甘肃出台的相关政策数量始终排在前列,宁夏和青海则一直较少。通过对政策文本进行关键词提取,得出各省份中“建设”“企业”“质量”“污染”等词语权重较大,部分省份中“扬尘”“燃煤”“锅炉”“机动车”等词语的权重排名也较靠前。西北地区出台工业绿色转型相关政策的城市数量呈增长趋势,各市较为重视效率提升和安全生产,对于环境保护与科技创新的政策导向力度明显不足。 相似文献
74.
75.
《计算机科学与探索》2019,(1):138-146
针对推荐算法中数据的稀疏性难题,把用户标签融合至实值条件受限玻尔兹曼机(real-valued conditional restricted Boltzmann machine,R_CRBM)模型,利用R_CRBM强大的拟合任意离散分布的能力,预测出用户对未交互商品的评分缺失值。具体来说,首先提出显层单元为实值的R_CRBM模型,接着运用文本分类中的TF-IDF算法预测出用户对所应用过的标签的喜爱度,与标签基因数据相乘得到用户对商品的预测评分,融合至用户历史评分数据中。R_CRBM条件层在原有评分/未评分{0,1}向量中,融入用户标签/未标签{0,1}向量。通过真实数据集进行对比分析,实验结果表明提出的方法在一定程度上提升了推荐的准确性。 相似文献
76.
互联网法律咨询平台为公众提供了便捷的咨询服务,公众在平台进行法律咨询后,平台精准地将咨询问题推送给相关律师进行解答.然而平台在推送前,需要先对咨询问题文本进行自动分类.针对法律咨询文本分类这一问题,从互联网法律咨询平台采集数据建立语料库,通过TF-IDF算法对经过预处理的文本进行特征提取,通过朴素贝叶斯分类算法进行分类.实验结果表明,在一定程度上能实现法律咨询文本的自动分类. 相似文献
77.
文本分类是自然语言处理领域中的重要内容,常用于信息检索、情感分析等领域.针对传统的文本分类模型文本特征提取不全面、文本语义表达弱的问题,提出一种基于改进TF-IDF算法、带有注意力机制的长短期记忆卷积网络(Attention base on Bi-LSTM and CNN,ABLCNN)相结合的文本分类模型.该模型首先利用特征项在类内、类间的分布关系和位置信息改进TF-IDF算法,突出特征项的重要性,并结合Word2vec工具训练的词向量对文本进行表示;然后使用ABLCNN提取文本特征,ABLCNN结合了注意力机制、长短期记忆网络和卷积神经网络的优点,既可以有重点地提取文本的上下文语义特征,又兼顾了局部语义特征;最后,将特征向量通过softmax函数进行文本分类.在THUCNews数据集和online_shopping_10_cats数据集上对基于改进TF-IDF和ABLCNN的文本分类模型进行实验,结果表明,所提模型在两个数据集上的准确率分别为97.38%和91.33%,高于其他文本分类模型. 相似文献
78.
利用Python语言对5000条新闻数据进行了文本分类.通过词频和TF-IDF统计量构建特征向量,通过精准率和召回率对比前后2种特征提取算法的分类效果,通过逻辑回归、朴素贝叶斯和支持向量机进行分类结果对比,结果表明:对于目标新闻文本,在同等条件下,使用TF-IDF构建词向量模型的精准率和召回率比使用词频词襞模型分别高出0.013和0.012个百分点.在使用TF-IDF特征的基础上,朴素贝叶斯、逻辑回归和支持向量机算法的准确率是依次上升的,其中支持向量机的精度最好. 相似文献
79.
随着电子商务的发展,网上购物已经逐渐成为我们生活中不可缺少的一部分,随之而产生的大量评价也成为商家改善服务的重要指标之一.论文提出基于Word2vec、改进TF-IDF和LSTM三者结合的物流评价模型,利用Word2vec模型训练得到所有词向量,结合改进TF-IDF对词向量进行加权,使用LSTM模型对物流评价进行最终的分类预测.实验结果表明综合三者的物流评价模型比单个Word2vec、TF-IDF、LSTM模型及组合预测结果要好. 相似文献
80.