暂无评论
跨领域分类旨在利用已标记的源领域信息来为概率分布不同、未标记的目标领域训练一个精确的分类器。已有工作大多以文本主题为特征表现形式，并基于共享主题来建立领域间独有主题的映射关系，从而达到跨领域学习的目的
基于最近邻子空间搜索的两类文本分类方法，李玉鑑，王影，在文本分类中，最近邻搜索算法具有思想简单、准确率高等优点，但通常在分类过程中的计算量较大。为克服这一不足，本文提出了一种
为了获得更好的文本分类准确率和更快的执行效率,研究了多种Web文本的特征提取方法,通过对互信息(MI)、文档频率(DF)、信息增益(IG)和χ2统计（CHI）算法的研究,利用其各自的优势互补,提出一种
文本分类技术作为文本数据处理的一种重要手段,如何提高文本分类的效率具有重大的意义。基于传统的文本分类技术采用TFIDF算法计算权重没有考虑特征项在类别间的分布情况而影响了文本分类效果。本文通过对TFI
提出了一种基于概念网络和主题概念树的文本分类算法。该算法可以根据关联度传播模型对未知文本中的一些概念进行一定程度上的语义复合。
文本分类技术是文本挖掘的核心，本文简单介绍了该研究热点的研究动态、定义并针对其系统结构给出了一个简要的概述，然后分析了文本分类处理过程中的关键技术，最后对依然存在的某些问题进行了展望。
文档介绍了文本分类中基于关联规则的分类研究，在舆情监控中有很重要的研究意义。
基于深度学习的新闻文本分类算法的研究与实现，张维，何所惧，文本分类属于自然语言处理领域一个非常典型的问题，应用普遍。使用深度学习算法处理文本分类任务可以避免繁杂的人工特征工程，但
文本分类中用于协同训练的特征集分割，张博锋，苏金树，用于文本分类领域的协同训练往往需要特征集的一个自然独立分割,但对大多数语料而言这种分割都很难获取或不存在.本文给出了特征子�
获取概念的属性信息有助于构建概念间的关系，进而改进基于概念的信息检索等应用的性能。研究了如何从机器可读词典中获取释义项的属性信息并实现了一个相应的系统DAE（Dictionary Attribute
暂无评论