为了能够快速有效地将中文商品评论识别为好评或差评,提出一种算法。针对不同类别的商品,预先根据其评论语料构建领域情感词典,评论文本与情感词典集匹配提取情感特征,构建情感特征向量空间模型SF-VSM(Sentiment Feature Vector Space M...为了能够快速有效地将中文商品评论识别为好评或差评,提出一种算法。针对不同类别的商品,预先根据其评论语料构建领域情感词典,评论文本与情感词典集匹配提取情感特征,构建情感特征向量空间模型SF-VSM(Sentiment Feature Vector Space Model),解决传统的特征向量空间模型维数较高及特征选择误差问题。然后基于该模型结合改进的多项式朴素贝叶斯方法对评论进行情感倾向分类。实验结果表明,相比分别基于原始特征和基于χ2特征选取的朴素贝叶斯分类算法,该算法分类精度较高且分类速度快。展开更多
针对传统宽带阵列信号波达方向(direction of arrival,DOA)估计方法中由入射角预估带来的DOA估计偏差及其在多径效应等环境下的应用问题,提出基于特征向量空间聚焦的宽带阵列DOA估计方法。首先,考虑多径干扰等对DOA估计算法的影响,对接...针对传统宽带阵列信号波达方向(direction of arrival,DOA)估计方法中由入射角预估带来的DOA估计偏差及其在多径效应等环境下的应用问题,提出基于特征向量空间聚焦的宽带阵列DOA估计方法。首先,考虑多径干扰等对DOA估计算法的影响,对接收信号自相关矩阵进行平滑处理。然后,以平滑自相关矩阵特征向量空间过渡性为基础,构造聚焦矩阵,并证明其完美聚焦性。理论分析及仿真结果表明,该方法无需对入射信号角度值进行预估,有效避免了聚焦误差,算法复杂度较低,提高了估计精度及效率。展开更多
文摘为了能够快速有效地将中文商品评论识别为好评或差评,提出一种算法。针对不同类别的商品,预先根据其评论语料构建领域情感词典,评论文本与情感词典集匹配提取情感特征,构建情感特征向量空间模型SF-VSM(Sentiment Feature Vector Space Model),解决传统的特征向量空间模型维数较高及特征选择误差问题。然后基于该模型结合改进的多项式朴素贝叶斯方法对评论进行情感倾向分类。实验结果表明,相比分别基于原始特征和基于χ2特征选取的朴素贝叶斯分类算法,该算法分类精度较高且分类速度快。
文摘针对传统宽带阵列信号波达方向(direction of arrival,DOA)估计方法中由入射角预估带来的DOA估计偏差及其在多径效应等环境下的应用问题,提出基于特征向量空间聚焦的宽带阵列DOA估计方法。首先,考虑多径干扰等对DOA估计算法的影响,对接收信号自相关矩阵进行平滑处理。然后,以平滑自相关矩阵特征向量空间过渡性为基础,构造聚焦矩阵,并证明其完美聚焦性。理论分析及仿真结果表明,该方法无需对入射信号角度值进行预估,有效避免了聚焦误差,算法复杂度较低,提高了估计精度及效率。
