隨著信息處理技術(shù)和網(wǎng)絡(luò)傳輸技術(shù)的急速發(fā)展,進(jìn)入了信息爆炸的空前時(shí)代,人們急切的想通過(guò)互聯(lián)網(wǎng)獲得世界各地的最新新聞資訊,但每個(gè)人關(guān)注新聞的時(shí)間有限,無(wú)法快速的從雜亂的新聞消息中獲得自己想看,關(guān)心的內(nèi)容。新聞分類(lèi)是一項(xiàng)對(duì)新聞進(jìn)行分門(mén)別類(lèi)的技術(shù),能夠按照新聞內(nèi)容的領(lǐng)域、涵蓋范圍、種類(lèi)等劃分方式,將新產(chǎn)生的新聞進(jìn)行自動(dòng)化歸類(lèi)。用戶可根據(jù)新聞?lì)惸靠焖僬业阶约核枰馁Y訊內(nèi)容。新聞分類(lèi)屬于一種監(jiān)督性的機(jī)器學(xué)習(xí)技術(shù),算法需要根據(jù)已經(jīng)標(biāo)注好正確類(lèi)別的新聞內(nèi)容進(jìn)行模型訓(xùn)練,再用模型對(duì)未知類(lèi)別的新聞進(jìn)行自動(dòng)化分類(lèi)。文章根據(jù)新聞?lì)惸繕?biāo)注需求設(shè)計(jì)了一個(gè)新聞標(biāo)注系統(tǒng),采用眾籌的思想,讓各個(gè)類(lèi)別領(lǐng)域的人員參與新聞?lì)悇e標(biāo)注,為了保證標(biāo)注質(zhì)量,設(shè)計(jì)了一套標(biāo)注規(guī)范及標(biāo)注效果驗(yàn)證方法。根據(jù)新聞內(nèi)容特點(diǎn),文章對(duì)傳統(tǒng)文本分類(lèi)算法進(jìn)行研究,綜合分析算法原理及應(yīng)用范圍,選擇了適合新聞分類(lèi)的SVM算法。以SVM算法為基礎(chǔ),設(shè)計(jì)了一個(gè)基于SVM的新聞自動(dòng)分類(lèi)架構(gòu),并對(duì)架構(gòu)中每個(gè)模塊的設(shè)計(jì)思想進(jìn)行了詳細(xì)的介紹。針對(duì)SVM分類(lèi)算法特點(diǎn),對(duì)算法模型指標(biāo)進(jìn)行改進(jìn),將算法計(jì)算需要的特征進(jìn)行關(guān)鍵特征選擇操作,不斷對(duì)特征抽取進(jìn)行迭代運(yùn)算,選取對(duì)分... 

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
引言
第1章 緒論
    1.1 課題的研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文主要研究?jī)?nèi)容
    1.4 論文的組織結(jié)構(gòu)
第2章 分類(lèi)系統(tǒng)基本原理及算法
    2.1 分類(lèi)系統(tǒng)介紹
    2.2 常用的文本分類(lèi)算法
    2.3 深度學(xué)習(xí)分類(lèi)算法
    2.4 TensorFlow和Sk-learn
    2.5 本章小結(jié)
第3章 基于SVM算法的分類(lèi)系統(tǒng)設(shè)計(jì)
    3.1 分類(lèi)系統(tǒng)架構(gòu)設(shè)計(jì)
    3.2 數(shù)據(jù)收集和存儲(chǔ)模塊
        3.2.1 新聞?lì)惸看_認(rèn)
        3.2.2 新聞?lì)悇e標(biāo)注
        3.2.3 新聞內(nèi)容獲取
        3.2.4 新聞內(nèi)容存儲(chǔ)
    3.3 數(shù)據(jù)分析和處理模塊
        3.3.1 語(yǔ)料預(yù)處理
        3.3.2 特征選擇
        3.3.3 文本向量表示
        3.3.4 歸一化處理
    3.4 分類(lèi)模塊
    3.5 本章小結(jié)
第4章 融合深度學(xué)習(xí)特征的分類(lèi)研究
    4.1 深度卷積網(wǎng)絡(luò)構(gòu)建
    4.2 數(shù)據(jù)收集和存儲(chǔ)模塊
    4.3 TensorFlow實(shí)現(xiàn)圖片卷積特征提取
    4.4 特征融合及模型訓(xùn)練
    4.5 本章小結(jié)
第5章 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
    5.1 實(shí)驗(yàn)設(shè)計(jì)
    5.2 算法性能評(píng)測(cè)指標(biāo)
    5.3 實(shí)驗(yàn)環(huán)境
    5.4 實(shí)驗(yàn)結(jié)果及分析
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝
導(dǎo)師簡(jiǎn)介
作者簡(jiǎn)介
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]一種新聞網(wǎng)頁(yè)關(guān)鍵信息的提取算法[J]. 向菁菁,耿光剛,李曉東.  計(jì)算機(jī)應(yīng)用. 2016(08)
[2]基于事件要素加權(quán)的新聞?wù)崛》椒╗J]. 郭艷卿,趙銳,孔祥維,付海燕,蔣金平.  計(jì)算機(jī)科學(xué). 2016(01)
[3]Framework Construction and Application for Global Health Information Platform[J]. ZHOU Jing,Lü Chaozhen,JI Donghong,LIANG Xiaohui.  Wuhan University Journal of Natural Sciences. 2015(02)
[4]深度學(xué)習(xí)的研究與發(fā)展[J]. 張建明,詹智財(cái),成科揚(yáng),詹永照.  江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(02)
[5]深度學(xué)習(xí)研究進(jìn)展[J]. 劉建偉,劉媛,羅雄麟.  計(jì)算機(jī)應(yīng)用研究. 2014(07)
[6]Deep Learning算法分析和模型改進(jìn)[J]. 魯向擁,陳悅,張瞳,葛貝.  計(jì)算機(jī)光盤(pán)軟件與應(yīng)用. 2014(06)
[7]“新聞是新近信息的媒介互動(dòng)”——試論新媒體傳播背景下“新聞”的定義[J]. 陳響園.  編輯之友. 2013(11)
[8]基于LDA主題模型的短文本分類(lèi)方法[J]. 張志飛,苗奪謙,高燦.  計(jì)算機(jī)應(yīng)用. 2013(06)
[9]KNN分類(lèi)算法改進(jìn)研究進(jìn)展[J]. 奉國(guó)和,吳敬學(xué).  圖書(shū)情報(bào)工作. 2012(21)
[10]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽(yáng)明,王正.  計(jì)算機(jī)應(yīng)用研究. 2012(08)

博士論文
[1]文本分類(lèi)中文本表示模型和特征選擇算法研究[D]. 楊杰明.吉林大學(xué) 2013

碩士論文
[1]基于詞向量的短文本分類(lèi)方法研究[D]. 江大鵬.浙江大學(xué) 2015
[2]基于Deep Learning的領(lǐng)域概念抽取方法研究[D]. 洪俊.華東師范大學(xué) 2014
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D]. 陳先昌.浙江工商大學(xué) 2014
[4]文本分類(lèi)特征選擇與分類(lèi)算法的改進(jìn)[D]. 鄭俊飛.西安電子科技大學(xué) 2012
[5]KNN文本分類(lèi)中特征詞權(quán)重算法的研究[D]. 趙小華.太原理工大學(xué) 2010
[6]中文分詞關(guān)鍵技術(shù)研究[D]. 曹衛(wèi)峰.南京理工大學(xué) 2009
[7]中文文本分類(lèi)技術(shù)研究[D]. 旺建華.吉林大學(xué) 2007



本文編號(hào)：3695119