首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

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

论文共63页,点击 下载论文
上一篇:双酚AP环氧丙烯酸树脂的合成及其光固化性能研究
下一篇:内蒙古全新世湖泊沉积物古地磁场长期变研究