声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-2223/N
国际刊号：1000-0054
发布日期:
作者：屠守中, 杨婧, 赵林, 朱小燕
单位：1. 清华大学 计算机科学与技术系, 北京 100084;<br>2. 中国科学院 计算技术研究所, 网络数据科学与技术重点实验室, 北京 100190;<br>3. 中国科学院 信息工程研究所, 信息安全国家重点实验室, 北京 100093
关键词：社交网络,支持向量机,k近邻,噪声过滤,惩罚代价
基金：国家自然科学基金资助项目（61332007，61303049）
社交网络中存在大量营销、招聘等垃圾信息以及无实质内容的短文，为话题建模工作带来很多干扰，更严重影响社交网络方面的学术研究及商业应用。因此，该文提出了一种结合支持向量机与k近邻模型（pSVM-kNN）的半监督话题噪声过滤方法。该方法融合了SVM和kNN算法，在SVM计算得到超平面的基础上使用kNN算法在局部范围内迭代寻找分类超平面的最优解；同时为减少误分类发生，分别在SVM和kNN阶段引入惩罚代价和比例权重，以提高噪声过滤的效果。通过选取新浪微博中不同大小的数据集进行实验与其他方法进行比较，结果表明：该方法只利用了少量的标注样本进行训练，在准确率、召回率和F值方面均优于其他的对比方法。
来源：2019年第3期
《清华大学学报(自然科学版)》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。