发明名称 |
一种基于最大熵话题模型的在线文档分类方法及装置 |
摘要 |
本发明具体涉及一种基于最大熵话题模型的在线文档分类方法及装置。本发明提供的一种基于最大熵话题模型的在线文档分类方法及装置,通过提取训练文档集中每个文档的每个单词对应的隐式话题特征,得到特征向量,更新最大熵话题模型的词典和分类器权值,完成对最大熵话题模型的在线学;然后计算待识别文档的特征向量与分类器权值的点积,得到点积最大值所对应的类别即为待识别文档的类别。有效提高了话题模型对大规模文档数据集进行分类处理的速度并能够实现对流输入文档的处理,同时能够有监督地训练话题模型,提高话题模型训练的准确率。 |
申请公布号 |
CN104391902A |
申请公布日期 |
2015.03.04 |
申请号 |
CN201410645904.X |
申请日期 |
2014.11.12 |
申请人 |
清华大学 |
发明人 |
施天麟;朱军 |
分类号 |
G06F17/30(2006.01)I;G06F17/27(2006.01)I |
主分类号 |
G06F17/30(2006.01)I |
代理机构 |
北京路浩知识产权代理有限公司 11002 |
代理人 |
李相雨 |
主权项 |
一种基于最大熵话题模型的在线文档分类方法,其特征在于,所述方法包括:S1,获取训练文档集,提取所述训练文档集中每个文档的每个单词对应的第一隐式话题特征,并根据所有所述第一隐式话题特征在最大熵话题模型词典上的分布得到第一特征向量;S2,根据所述第一特征向量更新最大熵话题模型的词典;根据所述第一特征向量以及最大熵话题模型的分类损失函数更新最大熵话题模型的分类器权值;S3,针对待识别文档,提取所述待识别文档中每个单词对应的第二隐式话题特征,并根据所有所述第二隐式话题特征在最大熵话题模型词典上的分布得到第二特征向量;S4,将所述第二特征向量与S2中的分类器权值进行点积;S5,选取点积值最大的分类器权值所对应的类别作为所述待识别文档的类别。 |
地址 |
100084 北京市海淀区清华园北京100084-82信箱 |