搜索结果: 1-9 共查到“计算机科学技术 向量空间模型”相关记录9条 . 查询时间(0.135 秒)
基于词对向量空间模型的新事件检测方法
向量空间模型 词对特征 新事件检测
2010/4/21
新事件检测（NED）的目标是从一个或多个新闻源中检测出报道一个新闻话题的第一个新闻。传统向量空间模型采用单个词来表示文本特征，考虑到词的位置信息以及其他的表示内容的信息，提出了词对表示文本的方法，并结合HowNet资源对所抽取的词对进行归一化处理，最后对不同类别新闻中不同词性对的权重参数进行优化。通过在已有的突发性新闻语料上进行实验，表明这种改进方法的效果比较明显，性能也有一定的提高。
基于向量空间模型的文本聚类算法
向量空间模型 文本聚类 语料库
2009/8/6
文本聚类是聚类的一个重要研究分支，是聚类方法在文本处理领域的应用。该文探讨了基于向量空间模型的文本聚类方法，提出了一种文本聚类的改进算法——LP算法。同时，基于语料库的实际聚类效果，就维度确定、特征选择等方面提出优化方案。实验证明，LP算法有效地减少了聚类所消耗的时间，实用性和灵活性都较高。
基于向量空间模型的网页文本可信性分类方法
可信文本分类 信任特征向量 分类
2009/7/16
开放网络环境下存在大量的信息文档，如何判断文档内容的可信性、安全性一直是一个值得深入研究的问题。论文研究了可信文本分类的方法，收集了体现文本可信性的点滴素材，建立了文本的信任特征向量，并结合已有的特征选择方法，实现了一个基于向量空间模型的文本可信性分类算法，实验表明该方法具有较好的分类效果。
基于本体的向量空间模型的压缩算法
向量空间模型 分层聚类算法 语义距离
2009/6/25
采用本体（Ontology）为向量空间模型提供更为丰富、详细的概念空间，在本体的支持下，文档中的术语不再被孤立地看成关键词，而是彼此间有了一定的语义联系。以已获得丰富而详细的本体为前提，考虑当本体空间很大时，解决向量空间的高维数给计算带来复杂性与难度这一问题，提出基于HCA（Hierarchical Clustering Algorithm）的向量空间压缩算法。
基于Ajax与向量空间模型的个性化搜索引擎
Ajax 向量空间模型 用户文档
2009/6/16
针对个性化搜索的三个关键问题：用户信息搜集，用户信息库的动态更新与个性化检索算法，探索性地提出了基于Ajax用户行为跟踪方案，以会话为单位动态更新用户行为信息库策略与加入用户文档的向量空间检索模型，在此基础上设计并实现了个性化搜索引擎实验系统。
基于句类向量空间模型的自动文本分类研究
文本分类 句类 向量空间模型
2009/4/9
向量空间模型是自动文本分类中成熟的文本表示模型，通常以词语或短语作为特征项，但这些特征项通常只能提供较少的局部语义信息。为实现基于内容的文本分类，该文用HNC理论中的句类作为特征项，通过混合句类分解等技术对句类向量空间降维，使用tfc算法对特征项进行权重计算，用KNN算法进行分类。该分类器的平均准确率和召回率都是可接受的，对类别的抽象程度无要求，即抽象度较高和较低的类别可以同时分类。通过使用更好的...
基于向量空间模型的视频语义相关内容挖掘
向量空间模型 主题关键帧 视频摘要
2009/3/4
对海量视频数据库中所蕴涵的语义相关内容进行挖掘分析，是视频摘要生成方法面临的难题。该文提出了一种基于向量空间模型的视频语义相关内容挖掘方法：对新闻视频进行预处理，将视频转化为向量形式的数据集，采用主题关键帧提取算法对视频聚类内容进行挖掘，保留蕴涵场景独特信息的关键帧，去除视频中冗余的内容，这些主题关键帧按原有的时间顺序排列生成视频的摘要。实验结果表明，使用该视频语义相关内容挖掘的算法生成的新闻视频...
基于向量空间模型的中文文本层次分类方法研究
层次分类 向量空间模型 二重特征选择 权重计算
2009/1/19
在文本分类的类别数量庞大的情况下，层次分类是一种有效的分类途径。针对层次分类的结构特点，考虑到不同的层次对特征选择和分类方法有不同的要求，提出了新的基于向量空间模型的二重特征选择方法FDS以及层次分类算法HTC。二重特征选择方法对每一层均进行一次特征选择，并逐层改变特征数量和权重计算方法；HTC算法把分别对粗分和细分更有效的类中心向量法与SVM方法相结合。实验表明，该方法相对于平面分类和一般的层次...
基于向量空间模型的文本过滤系统
2007/11/2
AbstractText filtering is the procedure of retrieving documents relevant to the requirements of specific users from a large-scale text data stream. First, the TREC (text retrieval conference) as well ...