云模型与文本挖掘【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

云模型与文本挖掘PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 文本挖掘的产生背景1

1.2 文本挖掘的重要意义2

1.2.1 推进信息化建设2

1.2.2 提高信息利用效率2

1.2.3 提高人工智能水平3

1.2.4 保障决策支撑3

1.3 不确定性人工智能及其研究方法4

1.3.1 不确定性人工智能概述4

1.3.2 不确定性人工智能的主要研究内容5

1.3.3 不确定性人工智能的主要研究方法10

第2章 文本挖掘及其关键问题16

2.1 引言16

2.2 文本挖掘16

2.2.1 文本挖掘定义16

2.2.2 文本挖掘流程18

2.3 文本挖掘研究基础19

2.3.1 国内外研究现状19

2.3.2 面临的问题21

2.4 文本挖掘的关键问题22

2.4.1 文本表示及特征提取22

2.4.2 文本特征权重计算方法23

2.4.3 文本分类系统概述及应用26

2.4.4 文本聚类系统概述及应用28

2.5 文本挖掘面临的机遇及挑战30

2.6 本章小结31

第3章 云模型及其在文本挖掘中的理论扩充32

3.1 引言32

3.2 知识的不确定性33

3.2.1 知识的随机性33

3.2.2 知识的模糊性34

3.2.3 随机性与模糊性之间的内在联系35

3.2.4 自然语言的不确定性36

3.3 云模型37

3.3.1 自然语言37

3.3.2 自然语言中的概念与知识表示38

3.3.3 概念中随机性与模糊性的关联性40

3.3.4 云模型41

3.3.5 云模型数字特征43

3.3.6 云规则发生器44

3.3.7 正态云及其普适性47

3.3.8 云模型常用算法49

3.3.9 云模型主要应用50

3.4 基于云模型的概念层次划分57

3.4.1 概念层次57

3.4.2 概念层次的自动生成58

3.4.3 云变换59

3.5 基于VSM模型的文本知识表示61

3.5.1 基于VSM模型的文本表示61

3.5.2 基于信息表的文本知识表示62

3.5.3 基于云模型的文本信息表转换63

3.6 基于云相似度的文本相似度量63

3.6.1 文本挖掘中的相似度量63

3.6.2 云相似度及文本云相似度量64

3.7 本章小结65

第4章 云模型与粒计算66

4.1 引言66

4.2 粒计算及粒度原理67

4.2.1 粒计算概述67

4.2.2 粒计算基本问题及主要理论方法68

4.2.3 粒计算研究进展69

4.2.4 粒计算面临的挑战70

4.3 基于云模型的快速信息粒化73

4.3.1 从粒计算角度看知识的不确定性73

4.3.2 云模型下的概念粒子74

4.3.3 基于云模型的信息粒化算法75

4.4 应用分析与讨论77

4.5 本章小结77

第5章 基于云模型的文本特征自动提取78

5.1 引言78

5.2 文本特征降维79

5.2.1 文本特征矩阵降维79

5.2.2 文本特征选择81

5.2.3 常用特征选择方法81

5.3 基于云模型的文本特征自动提取算法86

5.3.1 基于x2统计量的文本特征分布矩阵87

5.3.2 算法描述87

5.3.3 实验及分析90

5.4 本章小结93

第6章 基于云概念跃升的文本分类94

6.1 引言94

6.2 文本分类概述94

6.2.1 文本分类产生背景94

6.2.2 中文文本分类96

6.2.3 中英文本分类的异同96

6.3 文本分类常用方法97

6.3.1 常用文本分类方法98

6.3.2 性能分析106

6.4 文本分类模型的评估108

6.4.1 采样方法108

6.4.2 评估指标109

6.5 基于云概念跃升的文本分类110

6.5.1 虚拟泛概念树及概念跃升110

6.5.2 算法描述112

6.5.3 实验及分析113

6.6 本章小结115

第7章 基于主观信任云的文本分类116

7.1 引言116

7.2 主观信任云及信任决策117

7.2.1 信任模型117

7.2.2 主观信任云119

7.2.3 基于主观信任云的信任决策121

7.3 基于主观信任云的文本分类122

7.3.1 算法描述122

7.3.2 实验及分析124

7.4 本章小结127

第8章 基于云相似度量的无监督文本聚类128

8.1 引言128

8.2 文本聚类概述128

8.2.1 聚类分析定义128

8.2.2 数据挖掘应用对聚类分析的要求130

8.2.3 距离与相似系数131

8.2.4 聚类的特征与类间距离133

8.3 聚类分析的数据类型135

8.3.1 区间标度变量135

8.3.2 二元变量136

8.3.3 标称型、序数型和比例标度型变量137

8.3.4 混合类型变量139

8.4 文本聚类常用方法140

8.4.1 常用文本聚类方法140

8.4.2 算法性能比较148

8.5 文本聚类性能评价指标148

8.6 基于云相似度量的无监督文本聚类149

8.6.1 算法提出背景149

8.6.2 算法描述150

8.6.3 实验及分析152

8.7 本章小结153

第9章 结束语154

参考文献156