基于SVM的维吾尔文文本分类研究

文本自动分类技术在提高文本信息利用的有效性和准确性上具有重要的现实意义和广阔的应用前景。随着Internet上维吾尔文信息的迅速发展,维吾尔文文本分类成为处理和组织这些大量文本数据的关键技术。研究维吾尔文文本分类相关技术和方法,针对维吾尔文文本在向量空间模型表示下的高维性,本文采用词干提取和χ2统计量相结合的方法对表示空间进行降维。采用SVM算法构造了维吾尔文文本分类器。针对维吾尔文文本分类语料进行的实验结果表明,SVM分类器的MacroF1值达到了84.6%,明显好于kNN方法。     

利用EasyType和Final Cut Pro制作高标清手拍对白字幕

在利用苹果非编软件Final Cut Pro(以下简称为FCP)制作高标清影片时,客户要求制作对白字幕,但利用FCP直接添加对白字幕相当繁琐,而且速度很慢。EasyType高标清手拍字幕对白软件的问世,为FCP制作对白字幕提供了新途径和新方法。本文作者结合自身工作经验,和读者一起分享利用EasyType和Final Cut Pro制作高标清手拍对白字幕的方法和步骤,整理后供大家参考。     

基于相对熵的KNN文本分类方法的研究

摘要:为提高处理文本相似度的效果,提出了一种基于相对熵度量文本差异的KNN算法.该算法首先对文本进行预处理(分字与删去停用字)和构建特征字字典; 然后计算训练集中所有文本特征字的概率,并组成训练集(特征字概率矩阵); 最后计算预测文本的特征字概率向量,并通过计算和统计K个预测文本与训练集文本间相对熵最小的文本类别个数后将数目最多的类别作为测试样本的类别.实验结果表明,该算法的分类效果不仅显著优于传统KNN、SVM、Decision Tree、朴素Bayes算法的分类效果,且在小样本数据情况下     

基于课程思政理念的大学语文教学思考与实践

大学语文的思政教育应遵循语文学科"以文育人"的特色,立足文本开展教学.课前明确思政目标,精选文本构建专题;课堂教学借助文本,了解作家的精神与品格,运用讨论的方式品味文本,挖掘文本的思政内涵;课内外强化写作教学,鼓励并指导学生创作文本,由此把隐形的思政教育根植于显性的文本教学和创作中,逐步渗透,进而内化,潜移默化地实现思政教育的目标.     

抽取式文本摘要新闻文本分类

采取TF-IDF、LDA、位置权重指派与MMR相结合的方式,对不同的句子分配不同的权重.结合Word Embedding模型,分析了在BERT、RoBERTa-wwm-ext等模型测试的分类效果.     

图像中的文本定位技术研究综述

介绍了图像中文本定位技术的研究现状,依据定位所利用的特征进行分类,分析了其中几种典型算法,并对文本定位算法的性能评价标准进行了深入讨论。     

基于网络文本的山地景观游客行为与形象感知研究——以重庆市长嘉汇弹子石老街为例

剖析网络评价文本能为景观规划设计提供科学的依据支撑,弥补因快速城镇化建设发展而导致的公众参与不足,对于景观设计而言是非常重要的。以重庆市弹子石老街为例,基于网络文本内容分析法,利用rostcm6、excel及python等分析和数据抓取软件,采集大众点评的相关评论数据,以山地景观设计视角结合相关数据分析软件进行定性定量分析并制作可视化分析图,最终从多维度分析游客评论得出结果及改进建议,总结针对重庆弹子石老街及山地景观设计的6条设计策略:(1)交通可达的组织方式;(2)垂直上下的衔接转换;(3)对景远眺的外向空间;(4)本土文化的特色彰显;(5)城市事件的策划安排;(6)游览夜景的慢行系统,期望对今后的类似山地景观空间规划设计提供一定参考和借鉴价值。     

基于随机词汇迭代模型的POI分类检索

从特征选择、局部区域划分和词汇语义相似性计算入手,利用随机词汇迭代模型(random terms iterativemodel,RTIM)进行海量兴趣点(point of interest,POI)文本分类.通过词汇频度、集中度和离散度方法筛选出特征词汇;依据文本与各POI类别间的相似度进行局部区域划分;在每个局部区域内基于词汇在文本中的排列顺序构建词频向量,基于词频向量中词频的随机删除和重构,获取特征映射矩阵;通过特征映射矩阵将文本转为特征向量,并采用SVM分类器进行POI文本分类.实验证明,该方法有效提升了POI文本分类准确性和覆盖率.     

结合双粒子群和K-means的混合文本聚类算法

传统K-means算法对初始聚类中心选择较敏感, 结果有可能收敛于一般次优解, 为些提出一种结合双粒子群和K-means的混合文本聚类算法。设计了自调整惯性权值策略, 根据最优适应度值的变化率动态调整惯性权值。两子群分别采用基于不同惯性权值策略的粒子群算法进化, 子代间及子代与父代信息交流, 共享最优粒子, 替换最劣粒子, 完成进化, 该算法命名为双粒子群算法。将能平衡全局与局部搜索能力的双粒子群算法与高效的K-means算法结合, 每个粒子是一组聚类中心, 类内离散度之和的倒数是适应度函数, 用K-means算法优化新生粒子, 即为结合双粒子群和K-means的混合文本聚类算法。实验结果表明, 该算法相对于K-means、PSO等文本聚类算法具有更强鲁棒性, 聚类效果也有明显的改善。     

基于蚁群聚集信息素的半监督文本分类算法

半监督文本分类中已标记数据与未标记数据分布不一致,可能导致分类器性能较低。为此,提出一种利用蚁群聚集信息素浓度的半监督文本分类算法。将聚集信息素与传统的文本相似度计算相融合,利用Top-k策略选取出未标记蚂蚁可能归属的种群,依据判断规则判定未标记蚂蚁的置信度,采用随机选择策略,把置信度高的未标记蚂蚁加入到对其最有吸引力的训练种群中。在标准数据集上与朴素贝叶斯算法和EM算法进行对比实验,结果表明,该算法在精确率、召回率以及F1度量方面都取得了更好的效果。