|
|
各企業資料集普遍存在資料不完整的情況。據統計，在機器學習和資料採擷應用過程中，不完整資料的前置處理花費大量的時間和精力。不完整資料處理是現實世界中分類知識採擷必須認真考慮和對待的重要問題。有效地處理不完整資料有助於更加充分地利用已經搜集到的資料，進一步加強機器學習和資料採擷的效率。
本書即探討不完整資料分類演算法的改進策略，及其在文體風格識別中的應用。
前言
Chapter 01 概述
1.1 分類知識發現
1.1.1 知識發現的概念和過程
1.1.2 資料採擷中的知識表示模式
1.1.3 分類知識發現主要演算法
1.1.4 不完整資料分類知識發現
1.2 文字挖掘
1.3 本書內容組織
Chapter 02 不完整資料分類演算法研究
2.1 不完整資料分類知識發現
2.1.1 不完整資料的型態
2.1.2 不完整資料的處理
2.1.3 不完整資料分類演算法
2.1.4 穩固貝氏分類
2.1.5 單純信念分類
2.2 對現有方法的思考
2.2.1 單純信念分類演算法的加權假設簡單
2.2.2 缺乏屬性資料和類別標記同時缺失情況下分類知識發現的研究
2.2.3 半監督演算法的效率問題
2.3 不完整資料加權單純信念分類演算法
2.3.1 相關分析及相關係數
2.3.2 加權保守推理規則
2.3.3 加權單純信念演算法分類過程
2.4 標準資料集UCI 上的比較實驗
2.4.1 實驗資料集及實驗設計
2.4.2 實驗結果分析
2.5 本章小結
Chapter 03 兩階段半監督加權單純信念分類演算法研究
3.1 半監督分類知識發現研究現狀
3.2 問題分析
3.2.1 未標記樣本在分類學習中的作用
3.2.2 現有半監督分類方法分析
3.3 兩階段分類方法相關想法
3.3.1 以規則模型為基礎的兩階段分類
3.3.2 兩階段半監督文字分類
3.4 兩階段半監督加權單純信念分類
3.4.1 TSS-WNC 分類主要過程
3.4.2 時間複雜度分析
3.5 在標準資料集UCI 上的實驗
3.5.1 分類比較實驗
3.5.2 實驗結果及分析
3.6 本章小結
Chapter 04 放鬆區間優勢的單純信念分類演算法研究
4.1 問題分析
4.2 區間優勢比較
4.3 以放鬆區間優勢推理規則為基礎的不完整資料分類
4.3.1 放鬆的區間優勢
4.3.2 放鬆的區間優勢推理規則
4.3.3 以放鬆區間優勢推理規則為基礎的分類過程
4.4 在標準資料集UCI 上的實驗
4.4.1 RCIR-NCC 分類比較實驗
4.4.2 實驗結果分析
4.5 本章小結
Chapter 05 典籍英譯文體風格識別研究
5.1 文體風格特徵
5.2 文體風格識別演算法
5.3 典籍英譯文體風格向量空間模型
5.3.1 典籍英譯語料特點
5.3.2 典籍英譯多層面文體風格模型
5.4 文體風格特徵選擇
5.4.1 資訊增益
5.4.2 χ2 統計量
5.4.3 典籍英譯文體風格識別特徵選擇
5.5 特徵資料項目缺失文體識別實驗
5.5.1 加權單純信念文體風格識別實驗
5.5.2 兩階段半監督文體風格識別實驗
5.5.3 放鬆區間優勢單純信念文體風格識別實驗
5.5.4 類別不平衡文體識別實驗
5.6 本章小結
Chapter06 基於特徵缺失補償最大熵模型的文字分類
6.1 最大熵模型
6.2 以Gaussian 先驗平滑特徵補償為基礎的最大熵模型
6.3 混合特徵選擇演算法
6.4 以特徵缺失補償最大熵模型為基礎的文字分類
6.5 本章小結
Chapter 07 以文字分析為基礎的網路輿情研究
7.1 以微博為基礎的網路輿情指標系統
7.1.1 網路輿情指標系統
7.1.2 以微博為基礎的網路輿情指標系統
7.1.3 微博輿情預警對策
7.2 以關鍵字為基礎的微博輿情傳播規律
7.2.1 網路輿情傳播規律
7.2.2 微博網路輿情傳播規律和對策
7.3 以關鍵字為基礎的網路輿情個案研究
7.3.1 個案研究環境及實驗資料
7.3.2 大連地區搶鹽潮個案分析
7.4 微博輿情的跨語言特徵
7.4.1 跨語言微博特徵表示
7.4.2 跨語言微博輿情預警研究架構
7.5 網路文字情感傾向
7.5.1 網路文字情感分析粒度
7.5.2 網路文字情感分析基本問題
7.5.3 網路文字情感分析前端問題
7.5.4 網路文字情感分析研究架構
7.6 本章小結
Appendix A 參考文獻
