-
题名基于数据相似度的自适应半监督随机森林算法
- 1
-
-
作者
胡志鹏
彭亦功
-
机构
华东理工大学信息科学与工程学院
-
出处
《微电子学与计算机》
CSCD
北大核心
2018年第7期117-121,共5页
-
文摘
提出一种基于数据相似度的自适应半监督随机森林算法.利用随机森林对带标签和无标记数据进行路径编码、相似度分析和无标签数据的伪标记选择;再选择满足条件的数据迭代训练随机森林,改善其分类性能.实验结果表明:提出的算法可以有效地利用无标记数据信息,提高分类精度.
-
关键词
随机森林
半监督学习算法
数据相似度
路径集合稀疏编码
自适应
-
Keywords
random
orests
semi-supervised algorithm
data similarity
path set sparse coding
adaptive
-
分类号
TP312
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于深度文本聚类的关键词语义多模态挖掘方法
- 2
-
-
作者
周春良
杨畅畅
李晓辉
-
机构
郑州西亚斯学院电信与智能制造学院
-
出处
《信息技术与信息化》
2025年第3期153-157,共5页
-
基金
郑州西亚斯学院2024年度校级科研项目(2024XKD077)
河南省本科高校2023年度产教融合研究项目
郑州西亚斯学院应用型本科高校建设专项教改项目(2022YYXZX01)。
-
文摘
多模态数据具有信息丰富性,但单一挖掘方法往往难以全面把握其互补、冗余和协同的关联,导致结果不精确或片面。针对这一问题,文章提出了一种新颖的基于深度文本聚类的关键词语义多模态挖掘方法。首先,利用深度学习的半监督学习算法,精准抽取并有效融合多模态数据中的语义特征。接着,通过结合BWP指标和FCM聚类法,确定最佳聚类数,并实现对这些特征的精准聚类分析,形成语义聚类簇。最后,借助语义映射技术,将不同模态的特征映射到同一语义空间,从而全面挖掘关键词的深层语义信息。实验结果表明,所提方法在关键词语义挖掘任务中表现优异,BWP值最高达到了0.9,R@1、R@5和R@10指标分别高达0.985、0.974和0.969,挖掘性能良好。
-
关键词
深度文本聚类
半监督学习算法
BWP指标
语义映射
关键词语义挖掘
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
