基于潛在語(yǔ)義分析的文本分割技術(shù)研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩60頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、一篇文檔通常涉及多個(gè)子主題,然而傳統(tǒng)的文本處理系統(tǒng)如信息檢索和文本摘要以整篇文檔作為基本處理單元,隱性假設(shè)文檔主要討論一個(gè)主題。如果能夠準(zhǔn)確地識(shí)別和劃分文本的子主題結(jié)構(gòu),將語(yǔ)義段落作為文本處理的基本單元,會(huì)大大提高文本處理系統(tǒng)的性能。 文本分割的任務(wù)是將含有多個(gè)子主題的文檔切分成多個(gè)語(yǔ)義段落,每個(gè)語(yǔ)義段落描述一個(gè)子主題,而各個(gè)語(yǔ)義段落之間涉及不同的子主題。本文主要探討線(xiàn)性文本分割,其中每個(gè)語(yǔ)義段落由連續(xù)的文本片段組成。

2、現(xiàn)有的文本分割方法可以分為兩類(lèi),第一類(lèi)是基于詞條重現(xiàn)的方法,認(rèn)為文本片段內(nèi)部詞匯重復(fù)程度越高,則越有可能是一個(gè)語(yǔ)義段落。此類(lèi)方法易于計(jì)算,對(duì)資源要求較低,但是忽略了詞之伺潛在的語(yǔ)義關(guān)系對(duì)語(yǔ)義連貫性的影響,造成分割的準(zhǔn)確率下降。第二類(lèi)方法利用語(yǔ)言學(xué)資源(如詞典和訓(xùn)練語(yǔ)料)來(lái)挖掘詞間的語(yǔ)義關(guān)系,并將這些語(yǔ)義知識(shí)引入語(yǔ)義連貫性的計(jì)算。此類(lèi)方法對(duì)資源要求較高,分割性能較好。 本文主要研究了把潛在語(yǔ)義分析(LSA)用于文本分割的效果。潛在

3、語(yǔ)義分析能夠通過(guò)詞出現(xiàn)的上下文來(lái)估計(jì)詞間潛在的語(yǔ)義關(guān)系。通過(guò)對(duì)詞頻矩陣進(jìn)行奇異值分解,詞被表示為低維語(yǔ)義空間上的特征向量,由此可以計(jì)算詞與詞、句子與句子之間的語(yǔ)義相似度。 本文設(shè)計(jì)實(shí)現(xiàn)了一個(gè)基于潛在語(yǔ)義分析的文本分割算法,在對(duì)文檔中的詞進(jìn)行潛在語(yǔ)義分析的基礎(chǔ)上,采用分裂式聚類(lèi)(divisive clustering)對(duì)文檔進(jìn)行分割,并自動(dòng)確定分割的語(yǔ)義段落數(shù)目。實(shí)驗(yàn)結(jié)果顯示,與基于詞重現(xiàn)的Baseline算法相比,本算法取得了更

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論