检索结果-南通市图书馆

基于深度学习和柯西—施瓦茨散度的多视图多聚类算法研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习和柯西—施瓦茨散度的多视图多聚类算法研究

作者：韦绍玮西南大学

学位级别：硕士

聚类,也称为聚类分析,是最基本和最重要的无监督学习范式之一。它旨在根据数据样本间的相似度情况,将样本划分到不同的簇(组),分配到同一个簇中的样本的相似性高,不同簇中的样本的相似性低。传统的聚类算法仅能从给定的数据中找出一个... 详细信息

聚类,也称为聚类分析,是最基本和最重要的无监督学习范式之一。它旨在根据数据样本间的相似度情况,将样本划分到不同的簇(组),分配到同一个簇中的样本的相似性高,不同簇中的样本的相似性低。传统的聚类算法仅能从给定的数据中找出一个聚类结果。然而,由于数据采集和存储技术的进步,人们所分析的数据更为复杂,其中可能包含不同种类的异构特征。例如,数据集中的特征可能包含不同量纲的特征或采集自多个来源。这些特征的不同组合可能提供数据的不同分析视角,而多聚类算法就旨在从不同视角发现隐藏在数据中的多个有意义的聚类结构,为用户提供更多不同角度的聚类信息。因此,多聚类成为近年来聚类研究的热点和难点,不同的多聚类方法相继出现。传统的多聚类算法模型主要是为单视图数据设计。随着信息技术的发展和大数据时代的到来,越来越多的多视图数据得以产生。同一个样本的数据可以从不同来源获取,从而产生多视图的特征表示。而这些多视图数据很难直接适用于传统的多聚类算法。而目前的多视图多聚类算法存在着以下不足:(1)属于直推式的聚类模型,难以处理增量数据;(2)主要关注控制聚类间的差异性,而忽略了聚类的质量性;(3)无监督学习,存在生成琐碎解的风险。针对上述多聚类研究中存在的问题,本文基于多视图数据,进行多视图多聚类深度学习模型建模,以获取具有质量和差异性的聚类结果,扩展多聚类的研究维度,主要工作如下:1.提出了一种基于深度学习的归纳式多视图多聚类算法(IMVMC,Inductive Multi-view Multiple Clusterings)。IMVMC首先利用深度网络对异构的多视图数据进行编码对齐,把对齐的特征向量进行特征聚合后,将其作为一组深度编码器网络的输入,以归纳的方式生成多个公共聚类子空间,进而得到多个聚类结果。此外,为了控制聚类间的差异性,IMVMC引入冗余控制项,最小化这些子空间之间的冗余。最后,为了提高模型的鲁棒性,避免模型陷入琐碎解,IMVMC进一步引入岭回归正则项来约束模型参数。在常用的真实多视图数据上的实验结果表明,IMVMC相对于其它的多聚类算法,能以归纳式的方式生成具有差异性的多聚类结果,而且还保持了较高的聚类质量。2.提出了一种基于柯西-施瓦茨散度的多视图多聚类算法(MVMC-CS,Multi-view Multiple Clusterings using Cauchy-Schwarz Divergence)。MVMC-CS同样是先利用深度网络对异构的多视图数据进行编码对齐。而在视图聚合的时候,由于不同视图在聚类时的重要性不同,采用加权聚合的方式。这些聚合的特征通过下游的神经网络,以端到端的方式同时得到样本的特征表示和聚类分配向量。除了设置冗余控制项约束聚类的差异性之外,MVMC-CS还引入柯西-施瓦茨散度和自正交正则化项来提升聚类的质量性。与现有的多聚类方法在不同的多视图数据集上的多种评价度量比较结果显示,MVMC-CS不仅能以端到端的方式得到多个聚类结果,而且这些结果还能保持较高的质量和差异性。

关键词：聚类多聚类多视图学习深度学习柯西-施瓦茨散度

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于滑动窗口的流式张量多聚类方法研究

基于滑动窗口的流式张量多聚类方法研究

作者：孙佳宇华中科技大学

学位级别：硕士

在大数据、物联网和5G时代,随着各类智能终端、智能应用和传感器的普及和发展,数据呈现快速动态增长的趋势,需要面对流式数据的应用也越来越多。流式数据中虽然蕴藏着巨大的潜在价值,但因其具有增长迅速、持续不断、时效性强等特点,如... 详细信息

在大数据、物联网和5G时代,随着各类智能终端、智能应用和传感器的普及和发展,数据呈现快速动态增长的趋势,需要面对流式数据的应用也越来越多。流式数据中虽然蕴藏着巨大的潜在价值,但因其具有增长迅速、持续不断、时效性强等特点,如何对流式数据进行高效、动态的挖掘分析成为重要的课题。基于张量的多聚类作为聚类领域在高阶数据上较为先进的方法,能够在多个不同维度上对高阶大数据进行多模态分析挖掘。目前关于张量多聚类,乃至大多数聚类方法理论的研究仅限于静态、较小规模数据处理,还没有针对流式数据进行张量多聚类的相关研究。通过对张量多聚类的加权张量距离和最终聚类两个阶段进行流式计算研究,在使用滑动窗口机制处理流数据的基础上,重点解决了张量多聚类方法中权重张量流式更新和流式聚类两个挑战,讨论了权重张量流式更新和流式聚类中精确度和成本的权衡,并分别讨论了应用场景和算法方案,给出了流式张量多聚类在不同场景下的最优方法。首先,通过对张量多聚类中权重张量学习方法进行研究和推导,提出了在高阶张量上进行流式权重更新的两种不同方法——继续迭代法和微分法,两种方法都能准确高效地完成流式增量权重学习,两种方法的区别在于继续迭代法侧重精确性,微分法更侧重效率。另一方面,对张量多聚类中聚类部分的流式更新进行了深入探讨分析,也根据结果精确性和效率的不同侧重点,分别基于密度峰值聚类和K-medoids方法提出了两种流式聚类方法,其中流式密度峰值聚类侧重于精确性,流式K-medoids侧重于效率。四个方法模块可以组合成两种流式方案,微分法和流式K-medoids方法组合能够满足效率较敏感的场景,如边缘计算、雾计算等,继续迭代法和流式密度峰值聚类组合能够满足精确度较敏感的场景,如云计算等。最后,通过用大规模数据集模拟流式数据,对流式张量多聚类方法进行了真实实验,使用多种评价标准对流式张量多聚类方法进行了全面的评估,评估结果验证了方法的有效性。

关键词：张量多聚类滑动窗口流数据

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于矩阵分解的多聚类算法研究

基于矩阵分解的多聚类算法研究

作者：王星西南大学

学位级别：硕士

聚类是传统无监督学习的代表,它基于样本之间的相似度,将相似的样本划分到同一个簇,不相似的样本划分到不同的簇。然而,大多数传统的聚类算法只能产生一个聚类结果,在许多现实应用中,针对同一数据集,却可能存在多种划分方式,并且每一种... 详细信息

聚类是传统无监督学习的代表,它基于样本之间的相似度,将相似的样本划分到同一个簇,不相似的样本划分到不同的簇。然而,大多数传统的聚类算法只能产生一个聚类结果,在许多现实应用中,针对同一数据集,却可能存在多种划分方式,并且每一种划分方式都可以从不同的视角来解释得到的聚类结果。例如:水果可以根据颜色划分,也可以通过品种划分;在生物信息学中,蛋白质可以根据氨基酸序列划分,也可以通过3D结构划分。显然根据不同的视角聚类会得到不同的聚类结果,进而从不同的角度来反映数据的内在结构,因此从一个数据集中挖掘多种不同的聚类结果是非常具有现实意义。多聚类(Multiple Clusterings)研究近年来成为聚类分析中的热点和难点。现有的多聚类算法大致分为无监督和半监督的方式。无监督多聚类算法通过将冗余控制整合到统一的目标方程可以同时挖掘多个聚类,它们的不足是:(1)不能很好的控制多个聚类的差异性,聚类结果之间存在较高的冗余;(2)随着多聚类数目增加,目标方程不仅难以优化,冗余控制也随之变差。半监督多聚类算法利用已知聚类约束后续聚类的产生,它们的缺点是:(1)易受到已知聚类结果的影响,若前期聚类的结果较差,则后续的聚类结果都会受到影响;(2)在特征空间的独立性控制并不完善,通常仅使用正交的策略,且得到的多个聚类结果的可解释性较弱。此外,现有的多聚类算法几乎都仅关注样本维度的聚类,忽略了特征维度的聚类结果,而同时从样本和特征维度进行聚类(即双聚类Co-Clustering)同样也是研究者关注的重点。本文针对多聚类研究中存在的上述问题,结合独立子空间分析和基于矩阵分解的聚类方法,以提高多聚类的准确性和可解释性,以及扩展多聚类的研究维度,围绕多单向聚类和多双向聚类进行研究,主要工作如下:1.提出了一种基于独立子空间分析和非负矩阵分解的多聚类算法(MISC,Multiple Independent Subspace Clustering)。MISC首先利用独立成分分析,对特征进行独立子空间划分;为了确定子空间的个数,本文利用最小编码技术对不同子空间的划分情况进行编码,从中选择最小编码长度对应的子空间划分;然后针对不同的独立子空间分别利用基于非负矩阵分解的单聚类算法进行聚类;此外,考虑到数据的流形结构和非线性簇,将核技巧和流形正则项嵌入到非负矩阵分解的目标方程中指导分解,最终得到多个优化的子空间聚类结果。在模拟数据和真实数据上的实验结果都表明MISC相对于其它多聚类算法不仅能够对子空间进行更好的划分,而且能得到更高精度的多聚类结果,这些结果之间还具有较大的差异性。2.提出了一种基于三因式非负矩阵分解的多双聚类算法(MultiCC,Multiple Co-Clusterings),拓展了现有多聚类研究的维度。MultiCC通过执行一次三因式非负矩阵分解可以得到一个行簇指示矩阵和列簇指示矩阵,即一个双聚类结果;为了得到多个双聚类结果,同时降低它们之间的冗余,MultiCC对原始矩阵进行多次分解,同时利用行簇指示矩阵和列簇指示矩阵构建了两个冗余控制项,分别约束行簇和列簇的冗余;最后将该冗余控制项整合到目标方程中指导矩阵分解,从而指导多个差异性双聚类的发现。在多种真实数据集上的多种评价度量和基因表达数据集的上的可视化结果表明,相比现有算法,MultiCC不仅能得到多个较低冗余的单向聚类,而且能挖掘多个高质量的双聚类。3.提出了一种基于三因式非负矩阵分解的子空间多双聚类算法(MCC-SS,Multiple Co-Clusteirngs in Subspaces),优化了MultiCC算法,从数据的子空间进行多双聚类挖掘。MCC-SS假设多个双聚类是嵌入在不同的子空间中的,它首先通过引入一个投影矩阵将原始数据映射到新的子空间,然后借鉴MultiCC的方式,利用三因式非负矩阵分解得到的列簇指示矩阵和不同的投影矩阵构建冗余控制项,最后将该项整合到目标方程中指导矩阵分解,通过同时优化投影矩阵、行簇和列簇指示矩阵得到多个子空间的双聚类结果。在多个真实数据集上的结果表明,相比现有的多聚类算法,MCC-SS不仅能得到多个较低冗余的单向聚类,而且能有效的挖掘多个嵌入在子空间的双聚类。

关键词：聚类双聚类多聚类独立子空间非负矩阵分解

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于粒计算的子空间多聚类模型研究与实现

基于粒计算的子空间多聚类模型研究与实现

作者：黄利利大连理工大学

学位级别：硕士

随着信息技术的广泛应用以及信息量的增长,数据的复杂度日益增加,聚类算法的应用需求也更加复杂了。例如,基因表达序列的功能分析,使用传感器的监督网络中传感器的聚类,具有综合性质的文本聚类,多特征客户的聚类分析等。传统的聚类算法... 详细信息

随着信息技术的广泛应用以及信息量的增长,数据的复杂度日益增加,聚类算法的应用需求也更加复杂了。例如,基因表达序列的功能分析,使用传感器的监督网络中传感器的聚类,具有综合性质的文本聚类,多特征客户的聚类分析等。传统的聚类算法已经不能够很好地适应这样的应用需求,多聚类正是基于上述背景提出的。多聚类从不同的视角对数据库做出解释,可以得到多个有效的数据分组方案,同时每个分组方案都有其独立存在的意义和价值,换句话说,每个数据分组都是非冗余的聚类方案,用户可以根据应用需求从中选取合适的分组方案。本文构建了三个不同的子空间多聚类模型,在前两个模型中分别采取了不同的策略来达到多聚类目的。第一个模型采用ENCLUS （Entropy-based Subspace Clustering）算法来选取显著子空间,然后分别在这些显著子空间中进行K-Means聚类,该模型主要在于聚类代价和簇集相似两个概念的提出以及通过这两个概念的运用对所得的多个簇集进行再次化简整合。通过选择大小不同的簇集相似度阈值,可以影响最终多聚类结果的粗糙度,间接地对结果集中簇集的数目多少进行控制。第二个模型则是基于单维聚类的多聚类解决方案,在每个单一的维度空间进行K-Means聚类,对数据对象在各个维度上进行标记,通过标记对象之间的两两比对可以得出一种基于相似度的多聚类解决方案。第三个模型则结合了粒计算的思想,将多聚类运算归结为建立扩展信息表以及寻找有趣信息两个步骤,从另一个理论层面上对本文的研究成果进行了总结和扩展。本文在模拟客户档案数据集上进行了相关实验,其结果表明,使用模型一可以很好地对多聚类结果进行简化,簇集相似度阈值为2时,简化率达65%,在保证结果信息量的同时,极大地增强了其可理解性,能够为用户提供多个无冗余的可选的分组方案;模型二也获得了较好的聚类效果,具体表现在使用该模型可以发现一些之前多聚类算法难于发现的特殊簇集,也是多聚类模型与应用需求更多结合的初步尝试。与此同时,基于粒计算的子空间多聚类模型,作为另一个理论层面上的分析和研究,为接下来的工作提供了更好的铺垫和指导。

关键词：多聚类粒计算子空间聚类聚类代价

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于局部保留投影的多可选聚类发掘算法

智能系统学报 2016年第5期11卷 600-607页

作者：程旸王士同江南大学数字媒体学院江苏无锡214122

绝大多数的聚类分析算法仅能得到单一的聚类结果,考虑到数据的复杂程度普遍较高,以及看待数据的视角不同,所得到的聚类结果在保证其合理性的基础上应当是不唯一的,针对此问题,提出了一个新的算法RLPP,用于发掘多种可供选择的聚类结果。R... 详细信息

绝大多数的聚类分析算法仅能得到单一的聚类结果,考虑到数据的复杂程度普遍较高,以及看待数据的视角不同,所得到的聚类结果在保证其合理性的基础上应当是不唯一的,针对此问题,提出了一个新的算法RLPP,用于发掘多种可供选择的聚类结果。RLPP的目标函数兼顾了聚类质量和相异性两大要素,采用子空间流形学习技术,通过新的子空间不断生成多种互不相同的聚类结果。RLPP同时适用于线性以及非线性的数据集。实验表明,RLPP成功地发掘了多种可供选择的聚类结果,其性能相当或优于现有的算法。

关键词：可供选择的聚类结果无监督学习流形学习多聚类特征分解

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于多聚类和多示例的协同显著性目标检测

基于多聚类和多示例的协同显著性目标检测

作者：丁玲大连理工大学

学位级别：硕士

随着互联网技术的飞速发展,图像采集设备如数码相机和智能手机等的广泛普及,每天都会有海量的图像数据产生,在这些数据中掺杂着大量冗余信息。人们在观测这些图像数据时会首先注意图像中感兴趣的区域,进而对其进行优先处理。显著性检测... 详细信息

随着互联网技术的飞速发展,图像采集设备如数码相机和智能手机等的广泛普及,每天都会有海量的图像数据产生,在这些数据中掺杂着大量冗余信息。人们在观测这些图像数据时会首先注意图像中感兴趣的区域,进而对其进行优先处理。显著性检测就是利用计算机技术模仿人类的视觉注意机制,自动提取图像中显著区域,这不仅可以大大压缩计算机待处理的数据,节约计算机的存储空间,同时可以提高计算效率。目前显著性检测方法已获得许多成果,但更多仅适用于单图检测,不适用于多图协同显著性检测。多图协同显著性目标检测一般应用于从多幅图像或多个视频中,寻找相同或相似的显著性目标,其强调显著性和协同性。本文在研究已有工作基础上,提出了两种协同显著性目标检测算法:基于多聚类的协同显著性目标检测算法、基于多特征融合多示例学习的显著性目标检测算法。观察发现,当图像场景简单时,选用较少的聚类数目就可以有较准确的聚类结果;而当图像场景复杂时,选用较多的聚类数目才会有准确聚类结果,为了能对不同场景实现自主选择更准确的聚类数目,本文提出了基于多聚类的协同显著性目标检测算法。该算法将多聚类数目下生成的协同显著性结果进行不同权重的融合,即对每一场景图像执行多个聚类数目下的聚类,再在每一聚类数目下计算该聚类数目对应的置信度,置信度越高,则在最后融合过程中赋予越大的权值。另外,本文提出了基于多特征融合多示例学习的显著性目标检测算法。该算法考虑到不同特征检测出的结果对于不同场景图像的贡献度不同,因此构建了如下算法步骤:首先提取示例构建正负包,提取所有包的颜色、纹理、对比度、VGG16特征,分别进行多示例学习,测试出的多个结果由低秩分解重构误差计算出的权重进行融合,再分别经图内的协同显著值排序扩散和组内的类间协同显著值传播,生成最终的结果图。两种算法皆采用了初始显著图,来源于现有的显著性检测算法。实验部分,本文将这两种算法应用于现有显著性检测算法的后处理,并对性能的提升与否做了定性和定量的评判,同时在两个公开的协同显著性检测数据库上与其他算法进行了对比。

关键词：协同显著性检测多聚类多特征融合多示例学习

基于多聚类语义增强和自监督学习的跨域三维模型检索

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多聚类语义增强和自监督学习的跨域三维模型检索

作者：赵小倩天津大学

学位级别：硕士

随着3D技术的发展和成熟,三维模型的数量呈现爆炸式增长,如何在丰富多样的三维模型数据库中检索到用户想要的模型已成为当今研究的重点。考虑到自然图像易于获取和视觉信息较为完整的特点,本文以自然图像为查询条件,从三维模型数据库中... 详细信息

随着3D技术的发展和成熟,三维模型的数量呈现爆炸式增长,如何在丰富多样的三维模型数据库中检索到用户想要的模型已成为当今研究的重点。考虑到自然图像易于获取和视觉信息较为完整的特点,本文以自然图像为查询条件,从三维模型数据库中搜索相关的模型。然而,图像和三维模型来自两种不同的模态,两者的视觉特征存在显著差异,不利于检索。目前大多数解决方法利用深度对抗网络缩小域特征差异,同时为了实现跨域类级别特征对齐,直接或间接地利用图像域的监督信息训练分类器为三维模型分配伪标签,并依赖该伪标签训练网络的迁移能力。但在图像域上训练的分类器严重偏向自然图像属性,使得其为三维模型分配的伪标签不可避免地存在错误情况,容易误导网络的训练方向。为了克服此缺点,本文提出了两种方法:1)基于多聚类的跨域三维模型检索:针对三维模型的特征空间进行多次K-means聚类,以提取不同语义分类水平时三维模型间的相似度信息,然后结合特征表示与相似度信息得到最终三维模型域上较可靠的伪标签集合,最后对齐图像域和三维模型域相同类别的特征中心,实现将网络对图像域的强类鉴别力迁移至三维模型域;2)基于自监督学习的跨域三维模型检索:在三维模型的多视图特征间通过构建锚点、正样本和负样本进行对比学习训练网络学习无标签三维模型域的鉴别性特征。由于每次迭代中选取负样本的数量和质量决定着对比学习的效率,所以设计三维模型特征存储库,并基于熵最小化得到每个三维模型的代表性视图表示以更新存储库内容。在该领域公开数据集MI3DOR和MI3DOR-2基准上的实验结果表明,我们所提出的两种检索算法比已有方法具有更好的性能。

关键词：基于图像的三维模型检索域适应多聚类自监督对比学习鉴别性特征表示

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的无监督行人再识别算法研究

基于深度学习的无监督行人再识别算法研究

作者：张艳秋南昌大学

学位级别：硕士

行人再识别(Re-ID)技术一直是计算机视觉和模式识别领域的关键任务。一般将该技术视为图像检索的子集,行人再识别是一种特定的识别技术,其旨在给定特有行人在跨摄像头视频或图像中定位该特定行人。该技术通常结合人脸识别、行人追踪等技... 详细信息

行人再识别(Re-ID)技术一直是计算机视觉和模式识别领域的关键任务。一般将该技术视为图像检索的子集,行人再识别是一种特定的识别技术,其旨在给定特有行人在跨摄像头视频或图像中定位该特定行人。该技术通常结合人脸识别、行人追踪等技术,结合应用于视频监控和智能安防领域。在基于伪标签预测的跨域行人再识别方法中,模型的性能较大程度上依赖于伪标签的质量,并且聚类产生的离群点包含了丰富的知识。急需解决的一个问题是如何在迭代训练中提升伪标签的质量、如何利用丰富的离群点。其次,挖掘更准确的正样本以提升模型的学习能力一直是行人再识别算法中的常用做法,如何使模型挖掘更加精确地正样本,并设计模型框架和损失函数提升模型学习鉴别性特征的能力是另一个难题。针对上述第一个问题,本文首先提出一种基于多聚类的跨域行人再识别算法。该算法利用多种聚类算法分配伪标签,为每个样本生成多伪标签,并且为离群点重新分配伪标签,结合多分支网络,在迭代过程中逐步提升伪标签质量和模型的识别性能。针对上述第二个问题,本文在多聚类的跨域行人再识别框架的基础上,提出一种联合正样本挖掘与多聚类的跨域行人再识别算法。该算法基于数据增强技术,通过结合伪标签和交叉选择挖掘正样本,在迭代过程中逐步提升模型的学习能力。总之,本文的主要贡献如下所示:(1)本文提出了一种基于多聚类的跨域行人再识别算法,以解决在迭代训练过程中标签质量不高的问题。首先,使用有标签的源数据集(source dataset)训练基础模型,利用基础模型提取无标签样本的全局特征和局部特征;然后,计算特征对之间的距离,对不同的特征使用不同聚类算法并分配伪标签;其次,将离群点分配给最相似的簇;最后,使用伪标签作为监督信息,进行监督学习,从而实现模型的跨域识别能力。实验结果表明,本文提出的基于多聚类的跨域行人再识别算法能够取得较佳的识别效果。(2)本文提出了一种联合正样本挖掘与多聚类的跨域行人再识别算法,以解决挖掘正样本提升模型学习鉴别性特征的能力。首先基于多聚类的跨域行人再识别框架,将网络划分为原始分支和增强分支;然后利用交叉选择方式选择正样本;最后,结合伪标签和选择的正样本训练模型,直至深度模型稳定。实验结果表明,本文提出的联合正样本挖掘与多聚类的跨域行人再识别算法在评估指标上能够取得明显的提升。

关键词：多聚类行人再识别深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多样化文本表示的文本分类研究

基于多样化文本表示的文本分类研究

作者：李念奇南京大学

学位级别：硕士

文本分类是自然语言处理领域一项非常重要的基础工作,在学术界与产业界均得到广泛的应用与研究。提升文本表示质量是改进文本分类的重要途径。文本是由字或字符构成词,由词构成短语,再由短语构成句、段、节、章、篇等。机器学习算法无... 详细信息

文本分类是自然语言处理领域一项非常重要的基础工作,在学术界与产业界均得到广泛的应用与研究。提升文本表示质量是改进文本分类的重要途径。文本是由字或字符构成词,由词构成短语,再由短语构成句、段、节、章、篇等。机器学习算法无法对文本直接进行处理,需要转化成特定的格式作为机器学习模型的输入。文本表示是将文本数字化的过程,将文本表示成机器学习模型可以识别的实数向量或矩阵的形式。文本表示的核心是真实地反映文本内容的同时,对不同的文本保持区分度。文本数据包含多样化的内容特征,如主题、语言风格、情感倾向等。每个内容特征分别包含文本不同的关键信息点。当前的文本表示方法,如向量空间模型、主题模型、词向量模型等,均只生成单一的文本表示。使用单一的文本特征还原具有多样化内容特征的文本信息,会削弱文本不同内容特征的特征描述,不利于还原文本的真实内容。针对该问题,本文提出一种新的文本表示方式方法,即多样化文本表示。本文认为,使用多样化的内容特征,可以增强特征提取的能力,更好的还原文本的真实信息。多样化文本表示是一种使用无监督学习强化特征提取的方法,其关键在于如何获取多样化的文本表示。本文提出了如下三种解决方案:*** K-Means模型。Alter k-Means模型可以生成多组、差异较大的聚类,每个聚类对应一组表示向量。聚类的差异性将在下文中进行详细描述。每个聚类的一组表示向量作为基底,将样本映射到新的特征空间当中,通过捕获样本在新的特征空间当中的位置信息,强化对样本的特征提取。*** LDA模型。Alter LDA模型是对主题模型LDA的泛化。可以生成多组、差异较大的主题结构,捕获文本在不同主题结构下的特征表示。Alter LDA模型使用“主题-词”分布描述文本的主题结构,使用“文档-主题”分布作为样本的特征表示,主题结构的差异将使用KL散度进行度量。3.横向多样化文本表示模型。横向多样化文本表示模型使用不同的文本表示模型,分别挖掘文本数据中不同的内容特征,生成差异较大、包含不同特征信息的文本表示。实验结果表明,多样化文本表示可以提升文本分类的效果。同时,多样化文本表示相较于已有的文本表示方法有着明显的降维效果。

关键词：文本表示多聚类多样化特征文本分类