基于高效用神经网络的文本分类方法

现有的基于深度学习的文本分类方法没有考虑文本特征的重要性和特征之间的关联关系,影响了分类的准确率.针对此问题,本文提出一种基于高效用神经网络（High Utility Neural Networks,HUNN）的文本分类模型,可以有效地表示文本特征的重要性及其关联关系.利用高效用项集挖掘（Mining High Utility Itemsets,MHUI）算法获取数据集中各个特征的重要性以及共现频率.其中,共现频率在一定程度上反映了特征之间的关联关系.将MHUI作为HUNN的挖掘层,用于挖掘每个类别数据中重要性和关联性强的文本特征.然后将这些特征作为神经网络的输入,再经过卷积层进一步提炼类别表达能力更强的高层次文本特征,从而提高模型分类的准确率.通过在6个公开的基准数据集上进行实验分析,提出的算法优于卷积神经网络（Convolutional Neural Networks,CNN）,循环神经网络（Recurrent Neural Networks,RNN）,循环卷积神经网络（Recurrent Convolutional Neural Networks,RCNN）,快速文本分类（Fast Text Classifier,FAST）,分层注意力网络（Hierarchical Attention Networks,HAN）等5个基准算法.     

基于改进PSO-BP神经网络的教学质量评价模型

教学质量评价是教学研究中的重点之一，但已有的数学评价模型不适合解决非线性问题，神经网络模型收敛速度慢、准确率不高。针对以上问题，文中提出一种基于改进PSO(Particle Swarm Optimization)-BP(Back Propagation)神经网络的教学质量评价模型。通过引入动量和自适应学习率优化BP神经网络，采用惯性权重线性递减、学习因子异步变化，并引入速度收缩因子和自适应变异策略来优化PSO算法；再使用PSO粒子群优化算法计算BP神经网络的初始连接权重和阈值，从而提升模型的全局寻优能力和收敛速度、精度。为验证模型效果，使用评价体系指标层的10个指标数据作为模型的输入，评价结果作为输出，进行模型对比实验。实验结果表明，所提模型的准确率达到96.33%，比一般BP神经网络模型提高4.68%，比自适应BP神经网络模型提高4.07%，比PSO-BP神经网络模型提高1.2%，且收敛曲线平稳，整体性能优于其他模型，说明运用该模型能够有效地对教学质量进行评价。     

基于差集的高效用项集挖掘方法

高效用项集挖掘已成为关联规则中的一个热点研究问题.一些基于垂直结构的算法已用来挖掘高效用项集,此类算法的主要优点是将项集的事务和效用信息存储到效用列表中.在求一个项集的超集所在事务可以通过对它的子集进行一次交集运算得到.这种算法在稀疏数据集中非常的有效.但在稠密数据集中存在一个问题,即列表中存储的事务太多,在计算用于剪枝的效用上界时,需要耗费大量的存储空间,同时也影响运行速度.并且在现有的算法中,缺乏针对稠密数据集的高效用项集挖掘算法,往往需要设置很高的最小效用阈值,影响算法的运行效率.针对此问题,提出一个新的算法D-HUI （mining High Utility Itemsets using Diffsets）以及一个新的数据结构—项集列表,首次在高效用项集挖掘中引入差集的概念.利用事务的差集求项集的效用上界,减少计算量以及存储空间,从而提高算法的运行效率.实验结果表明,提出的算法在稠密数据集中,执行速度更快,内存消耗更少.