基于机器学习的情景词库构建与实现
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 背景与意义 | 第9-10页 |
| 1.2 国内外现状 | 第10-11页 |
| 1.3 论文研究工作 | 第11-13页 |
| 第二章 相关理论介绍 | 第13-22页 |
| 2.1 常用的分类算法 | 第13-15页 |
| 2.2 朴素贝叶斯分类的基本原理 | 第15-17页 |
| 2.2.1 全概率公式与贝叶斯定理 | 第15-16页 |
| 2.2.2 朴素贝叶斯分类算法 | 第16-17页 |
| 2.3 TF-IDF 加权算法 | 第17-18页 |
| 2.4 机器学习 | 第18-20页 |
| 2.5 分布式并行计算 | 第20-21页 |
| 2.6 本章小结 | 第21-22页 |
| 第三章 算法的改进与实现 | 第22-36页 |
| 3.1 TF-UIDF 特征权重算法 | 第22-26页 |
| 3.1.1 传统 TF-IDF 算法的缺点 | 第22-24页 |
| 3.1.2 引入分布均匀度的 UIDF 公式 | 第24-25页 |
| 3.1.3 构建平衡数据集的 TF 公式 | 第25-26页 |
| 3.1.4 改进的 TF-UIDF 权重计算公式 | 第26页 |
| 3.2 DaSyx 轻量级分布式并行框架 | 第26-35页 |
| 3.2.1 架构设计 | 第27-30页 |
| 3.2.2 基于计算类型的负载均衡 | 第30-32页 |
| 3.2.3 主服务机的实时切换 | 第32-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第四章 构建完整的情景词库 | 第36-49页 |
| 4.1 系统总架构 | 第36-38页 |
| 4.2 构建情景训练集 | 第38-39页 |
| 4.3 中文分词与过滤 | 第39-41页 |
| 4.4 朴素贝叶斯分类模型 | 第41-43页 |
| 4.5 机器学习系统 | 第43-48页 |
| 4.5.1 贡献度计算 | 第45-46页 |
| 4.5.2 评估系统 | 第46-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第五章 情景词库测试 | 第49-63页 |
| 5.1 测试环境 | 第49-50页 |
| 5.1.1 单机环境 | 第49页 |
| 5.1.2 分布式环境 | 第49-50页 |
| 5.2 测试结果与分析 | 第50-62页 |
| 5.2.1 情景词库的识别效果 | 第50-56页 |
| 5.2.2 机器学习效果测试 | 第56-58页 |
| 5.2.3 分布式环境下的情景词库性能测试 | 第58-62页 |
| 5.3 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 研究工作总结 | 第63页 |
| 6.2 对未来工作的展望 | 第63-65页 |
| 参考文献 | 第65-67页 |
| 攻读硕士学位期间取得的研究成果 | 第67-68页 |
| 致谢 | 第68-69页 |
| 附件 | 第69页 |
