文本挖掘中若干关键问题研究

出版时间：2008-12  出版社：中国科学技术大学出版社  作者：陆旭  页数：117  
Tag标签：无  

内容概要

本书介绍了文本分类和偏最小二乘回归，提出了基于变量投影重要性指标的文本分类特征选择方法，论述了偏最小二乘Logistic文本分类模型，阐述了CHTC层次文本分类模型的研究工作，本书可供相关领域科研工作者、大学高年级学生和研究生阅读。

书籍目录

前言第1章 导论  1.1 研究背景  1.2 文本分类综述  1.3 本书的内容结构  1.4 本书的创新工作第2章 文本分类概述  2.1 文本分类的数学定义  2.2 文本分类任务的特点  2.3 文本分类系统的组成  2.4 文档预处理  2.5 文档的表示  2.6 常用文本分类模型  2.7 文本分类器学习、测试和评价第3章 偏最小二乘回归方法的基本理论  3.1 偏最小二乘回归的发展历史  3.2 偏最小二乘回归的基本原理  3.3 偏最小二乘回归的基本思想  3.4 数学原理  3.5 偏最小二乘回归的理论算法  3.6 成分数的确定第4章 基于变量投影重要性指标的特征选择方法研究  4.1 维数约简技术  4.2 符号约定  4.3 常用的特征选择方法  4.4 常用的特征抽取方法  4.5 基于变量投影重要性指标的特征选择方法  4.6 实验结果和分析第5章 偏最小二乘Logistic文本分类模型研究  5.1 Logistic回归模型  5.2 偏最小二乘Logistic回归模型  5.3 偏最小二乘Logistic文本分类模型  5.4 实验结果和分析第6章 GHTC层次文本分类模型研究  6.1 层次分类概述  6.2 层次特征选择  6.3 GHTC层次文本分类模型  6.4 实验结果和分析第7章 总结与展望  7.1 总结  7.2 研究展望附录1 REUTERS-21578前10个常见类和前10个稀有类的前20个特征VIP值附录2 复旦文本分类语料库部分类别的前20个特征VIP值附录3 OHSUMED语料库层次结构附录4 20 Newsgroups语料库各节点各特征维数的微平均F1值和宏平均F1值变化情况参考文献后记

章节摘录

　　第2章 文本分类概述　　2.5　文档的表示　　2.5.1　文档的特征　　对文档进行预处理以后，需要根据文本分类模型对文档进行相应的特征表示，从文档的组成来看，它是字符串的集合，一般来说，文档的特征项应该具有以下特点：特征项是能够对文档进行充分表示的语言单位；文档在特征项集合上的分布具有较为明显的统计规律；特征项分离比较容易实现，计算复杂度不太大，在文本分类中，按照文档特征的粒度来划分，常用的特征单位有词、词组、N—Gram（N元）项和概念等，中文有时也把词性作为文档的特征，　　1.词　　在信息检索领域，词（Word）是使用最为普遍的文档特征，英语、法语和德语等西方语言通常采用空格或标点符号将词隔开，具有天然的分隔符，所以词的获取简单，中文、日文和韩文等东方语言，句子之间有分隔符，但词与词之间没有分隔符，所以需要分词来得到词。

编辑推荐

《文本挖掘中若干关键问题研究》:自动文本分类是将自然文本文件根据内容自动分为预先定义的一个或几个类别的过程，基于统计学习、机器学习的文本分类技术已经成为主流技术，《文本挖掘中若干关键问题研究》对基于统计学习的文本分类及其相关技术进行了研究，为解决文本分类的稀疏性和高维性问题，基于偏最小二乘理论，提出一种新的维数约简算法，从提高文本分类性能和准确性出发，运用偏最小二乘的最新理论成果，提出了一种能较好提取潜在语义的新文本分类模型，对于数量庞大的文档类别，传统的平坦文本分类的性能受到很大的制约，层次文本分类是一种有效的解决方法，由此提出了一种新的层次文本分类模型。

用户评论 (总计6条)

•   还不错，就是送货稍微晚了点
•   送货速度真快。该书已浏览，有收获再来说。
•   这本书整体还可以，毕竟是博士论文。但文中有一些符号作者没有介绍，如文中有一处关于主成分分析的介绍，但后来又说PCA，PCA是什么意思？虽然有这方面背景的一看就知道什么意思，但是对于初学者则不知，PCA从何处来。如果作者将分词部分介绍的更详细点就好了。虽然这不是博士论文必须的，但是你在出书，出书和出论文，还是有区别的，作者可以做一下论文和书的文本分类。这仅仅是个人的看法，仅供参考。如有错误请指正。
•   书的质量和内容都还不错，绝对值这个价钱。内容还未进行深入研究，很充实，应该很不错。
•   还可以，入门学习用，类似书不多。
•   介绍文本挖掘的基础入门书籍