计算机科学 ›› 2006, Vol. 33 ›› Issue (3): 200-201.
• • 上一篇 下一篇
出版日期:
发布日期:
基金资助:
Online:
Published:
摘要： 在文本分类中获得有类别标记训练样本的代价是很高昂的，本文针对这个问题对传统的模糊聚类方法进行改进，提出模糊划分聚类方法FPCM，将聚类的无监督性和样本的先验知识结合起来，通过相似度度量聚类相关文本，取得比较客观的簇和少量标记文本，为监督学习找到分类依据，并结合朴素贝叶斯增量学习方式进行分类器的学习.本文进一步用估计分类误差损失的方法平衡选取候选样本，提高了分类准确率，实现了应用范围更加广泛的无标记文本分类学习模型.
关键词: Web文本分类 模糊聚类 朴素贝叶斯
Abstract: Bayes learning theory is to obtain estimate of non-labeled samples by transcendental information and sample data. The application of text classification is to classify non-labeled texts by learning labeled class samples. But it is very difficult to obtain
Key words: Web text classification, Fuzzy clustering, Naive Bayes
. 无标记训练样本的Web文本分类方法[J]. 计算机科学, 2006, 33(3): 200-201. https://doi.org/
0 / / 推荐
导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks
链接本文: https://www.jsjkx.com/CN/
https://www.jsjkx.com/CN/Y2006/V33/I3/200
Cited
首页