基于LDA的文本分类并行化方法研究
摘要 | 第5-6页 |
abstract | 第6-7页 |
第1章 绪论 | 第11-17页 |
1.1 课题的研究背景及意义 | 第11-12页 |
1.1.1 课题的背景 | 第11页 |
1.1.2 课题的意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-15页 |
1.2.1 LDA主题模型的研究现状 | 第12-14页 |
1.2.2 文本分类的研究现状 | 第14-15页 |
1.3 主要研究内容和预期研究成果 | 第15页 |
1.4 论文的组织结构 | 第15-17页 |
第2章 相关技术理论基础 | 第17-27页 |
2.1 文本分类关键技术 | 第17-19页 |
2.1.1 文本预处理 | 第17页 |
2.1.2 特征提取 | 第17-18页 |
2.1.3 特征加权 | 第18页 |
2.1.4 文本表示 | 第18-19页 |
2.2 常用分类算法 | 第19-21页 |
2.2.1 朴素贝叶斯 | 第19页 |
2.2.2 KNN | 第19-20页 |
2.2.3 支持向量机 | 第20-21页 |
2.3 优化算法 | 第21-23页 |
2.3.1 遗传算法 | 第21-22页 |
2.3.2 粒子群算法 | 第22-23页 |
2.4 Spark并行分布式框架 | 第23-25页 |
2.4.1 Spark概述 | 第23-24页 |
2.4.2 弹性分布式数据集RDD | 第24-25页 |
2.5 本章小结 | 第25-27页 |
第3章 基于LDA的并行文本表示 | 第27-39页 |
3.1 基于LDA的文本表示 | 第27-30页 |
3.1.1 LDA主题模型 | 第27-28页 |
3.1.2 Gibbs采样算法 | 第28-29页 |
3.1.3 基于LDA的文本表示 | 第29-30页 |
3.2 LDA模型的并行化 | 第30-32页 |
3.2.1 LDA模型的并行化研究 | 第30-31页 |
3.2.2 算法思想 | 第31-32页 |
3.3 CO-PLDA并行算法 | 第32-38页 |
3.3.1 基于齐普夫定律的通信优化 | 第32-35页 |
3.3.2 基于高斯函数的词加权方法 | 第35-38页 |
3.3.3 基于LDA的并行文本表示 | 第38页 |
3.4 本章小结 | 第38-39页 |
第4章 文本分类的并行化 | 第39-49页 |
4.1 基于SVM的文本分类 | 第39-41页 |
4.1.1 核函数的选择 | 第39-40页 |
4.1.2 问题提出 | 第40-41页 |
4.2 基于粒子群算法的SVM参数调优 | 第41-42页 |
4.3 SVM的并行化 | 第42-47页 |
4.3.1 Cascade SVM算法 | 第43-44页 |
4.3.2 改进的Cascade SVM算法 | 第44-46页 |
4.3.3 SVM的并行化 | 第46-47页 |
4.4 本章小结 | 第47-49页 |
第5章 实验及结果分析 | 第49-57页 |
5.1 实验数据集 | 第49页 |
5.2 实验平台及环境 | 第49-50页 |
5.3 评价方法 | 第50-51页 |
5.3.1 困惑度 | 第50页 |
5.3.2 准确率和召回率 | 第50-51页 |
5.3.3 宏平均准确率和召回率 | 第51页 |
5.4 实验结果及分析 | 第51-56页 |
5.4.1 对比实验一 | 第51-53页 |
5.4.2 对比实验二 | 第53-54页 |
5.4.3 对比实验三 | 第54-56页 |
5.5 本章小结 | 第56-57页 |
结论 | 第57-59页 |
参考文献 | 第59-63页 |
致谢 | 第63页 |