由于互聯(lián)網(wǎng)信息的的高速發(fā)展,同時熱愛新聞的人們不斷上升,導(dǎo)致新聞傳播的方式發(fā)生了變化。盡管現(xiàn)有的自媒體經(jīng)營商已經(jīng)針對安全的上網(wǎng)問題做出了巨大的貢獻(xiàn),但是網(wǎng)絡(luò)具有開放性的特點,它仍然無法完全阻止網(wǎng)絡(luò)惡意營銷事件,因此識別營銷意圖是非常重要的。目前對于營銷意圖的主要研究是基于外部資源來進(jìn)行有效的識別,但是由于外部資源難以獲取的特性,一些意圖識別的方法未被廣泛的應(yīng)用。通過參考國內(nèi)外文獻(xiàn)得知,現(xiàn)在營銷意圖識別主要的三種方法分別是:通過日志信息匹配的方式;以詞典為模板的規(guī)則判斷;基于分類的方法來進(jìn)行意圖識別。由于相應(yīng)的數(shù)據(jù)集很難發(fā)現(xiàn),導(dǎo)致日志信息和詞典的方式很難自動化實現(xiàn),因此分類的方法顯得更為優(yōu)越。由于短新聞文本數(shù)據(jù)的稀疏性,以及數(shù)據(jù)集規(guī)模龐大的特性,需要優(yōu)化特征提取方式以及構(gòu)建泛化能力強(qiáng)的分類模型是至關(guān)重要的。針對以上問題本文提出了基于集成學(xué)習(xí)和主題記憶網(wǎng)絡(luò)的營銷意圖識別方法,做了如下的幾點工作:(1)構(gòu)建了LSI-Word2vec主題提取方式,由于Word2vec算法在文檔表達(dá)方向具有優(yōu)越性,建立LSI-Word2vec模型,使得算法優(yōu)勢被充分利用到特征提取過程中。(2)利用決策剪枝的策略...

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.1論文結(jié)構(gòu)圖

濟(jì)南大學(xué)碩士學(xué)位論文5種組合方法的優(yōu)點是既能反映語義信息，又能反映文本的主題，本文在3.3將會進(jìn)行詳細(xì)分析。（2）簡化Stacking模型融合方式。使用剪枝后的Stacking模型可以減少集成學(xué)習(xí)的計算資源，提高學(xué)習(xí)效果，本文在3.4章節(jié)會詳細(xì)分析。（3）改進(jìn)了一種基于NTM的神....

圖3.1營銷意圖識別框架

濟(jì)南大學(xué)碩士學(xué)位論文17第三章基于集成學(xué)習(xí)的營銷意圖識別為了識別惡意營銷意圖，我們采用分類的措施來解決這一問題，為了處理大量數(shù)據(jù)的問題，采用集成學(xué)習(xí)的方式去判別惡意營銷意圖。首先本章先展示集成學(xué)習(xí)模型的整體框架，再根據(jù)每一個部分分別展開。3.1節(jié)提出Stacking模型識別營銷意....

圖3.2數(shù)據(jù)預(yù)處理流程

首先，從抓取的數(shù)據(jù)中刪除HTML標(biāo)簽，按照J(rèn)ieba的方式完成分詞。首先，利用Trie樹進(jìn)行單詞和圖形的掃描工作，然后再利用句子中包含的所有可能存在的單詞組合方式生成一個向無環(huán)圖。利用動態(tài)規(guī)劃的策略來獲得2最大概率的路徑，此方法能夠發(fā)現(xiàn)基于詞頻的最大分割策略以及組合....

圖3.3特征提取流程

濟(jì)南大學(xué)碩士學(xué)位論文19映射的方法進(jìn)行特征提齲通過Word2vec算法對分詞階段之后的數(shù)據(jù)完成訓(xùn)練步驟，把所有詞語通過上下文函數(shù)映射到相應(yīng)的低緯度實數(shù)的空間向量之中，然后利用詞語的詞性與詞頻來獲得TF-IDF權(quán)值，Word2vec詞向量與權(quán)值結(jié)合并且進(jìn)行加權(quán)操作來生成文本向量，利....

本文編號：3934439