排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
2.
在基于图的机器学习算法中,构造一个能较好反映数据内在结构信息的图尤为重要.文中提出一种基于分割Bregman方法的非负稀疏图构建算法.该算法通过使用分割Bregman方法求解稀疏表示优化问题的一个等价形式,以此得到一个能将每个数据样本表示成其他样本的非负线性组合的图的边权矩阵.算法构建的稀疏图能较好描述数据之间存在的线性关系.在半监督学习的框架下进行测试的实验表明,文中算法能较好反映数据内部潜在的结构信息. 相似文献
3.
高维数据中许多特征之间互不相关或冗余,这给传统的学习算法带来了巨大的挑战。为了解决该问题,特征选择应运而生。与此同时,许多实际问题中数据存在多个视图而且数据的标签难以获取,多视图学习和半监督学习成为机器学习中的热点问题。本文研究怎样从"部分标签"的多视图数据中选择最大相关最小冗余的特征子集,提出一种基于多视图的半监督特征选择方法。为了剔除冗余和无关的特征,探索蕴含于多视图数据中的互补信息以及每个视图中不同特征之间的冗余关系,并利用少量标签数据蕴含的信息协同未标签数据同时进行特征选择。实验结果验证了本算法能够获得很好的特征选择效果及聚类效果。 相似文献
4.
许多自然语言应用需要将输入的文本表示成一个固定长度的向量,现有的技术如词嵌入(Word Embeddings)和文档表示(Document Representation)为自然语言任务提供特征表示,但是它们没有考虑句子中每个单词的重要性差别,同时也忽略一个句子在一篇文档中的重要性差别.本文提出一个基于层级注意力机制的文档表示模型(HADR),而且考虑文档中重要的句子和句子中重要的单词因素.实验结果表明,在考虑了单词的重要和句子重要性的文档表示具有更好的性能.该模型在文档(IMBD)的情感分类上的正确率高于Doc2Vec和Word2Vec模型. 相似文献
5.
文本分类任务是自然语言处理领域内一个重要的研究问题.近年来,因处理复杂网络结构的出色能力,图神经网络模型(Graph Neural Network,GNN)受到广泛关注并被引入到文本分类任务中.在之前的研究中,基于图卷积网络(Graph Convolutional Neural Netw ork,GCN)的分类模型使用紧耦合方式将语料库中的文本和单词组织到同一张网络中,然而这种紧耦合处理方法存在消耗内存过大、对新样本不友好等问题.为解决上述问题,本文设计了一个松耦合图卷积文本分类网络模型(Loosely Coupled Graph Convolutional Neural Netw ork,LCGCN).模型将分类过程分解为核心提取和一般计算两部分,从而完成对紧耦合模型的解耦合操作.该模型能够在保持分类性能的基础上,有效地降低模型内存需求并动态地处理新来测试样本.另外,模型还将标签信息引入到图卷积网络中,进一步提升分类能力.实验表明,相比于其他文本分类网络模型,我们的模型在多个公开文本分类数据集上取得了最优的表现. 相似文献
1