Phân loại văn bản tin tức dùng máy vec-tơ hỗ trợ
Luận văn · Thạc sĩ · năm 2019 · đề tài tham khảo
| Loại tài liệu | Luận văn |
|---|---|
| Bậc học | Thạc sĩ |
| Ngành | Công nghệ thông tin — Kỹ thuật |
| Tác giả | Ngô Hải Nam |
| Người hướng dẫn | Ninh Khánh Duy |
| Cơ sở đào tạo | Trường Đại học Bách khoa, Đại học Đà Nẵng |
| Năm | 2019 |
| Nguồn | Thư viện số Trường Đại học Bách khoa, Đại học Đà Nẵng · trang gốc |
Tóm tắt
Luận văn này thực hiện nghiên cứu, đánh giá việc phân loại văn bản tin tức dựa trên phương pháp máy học Support vector machine (SVM) cùng với sự kết hợp giữa biểu diễn văn bản bằng mô hình túi từ BoW (Bag-of-Words) và thuật toán TF-TDF (Term frequency – Inverse document frequency). Một số phương pháp máy học và khai phá dữ liệu văn bản phổ biến được áp dụng để huấn luyện tập dữ liệu cho phân loại văn bản như SVM, Bayes đơn giản (Naïve Bayes), Cây quyết định (Decision tree). Quá trình thực nghiệm phân loại văn bản tin tức với tập dữ liệu hơn 10.000 tin tức trong nhiều chủ đề được tổng hợp từ các nguồn báo chí trên Internet. Tập dữ liệu huấn luyện được trích xuất và tóm gọn trong một số chủ đề chính như: Thế giới, Giáo dục, Sức khỏe, Khoa học-Công nghệ…Kết quả thực nghiệm bước đầu đã khẳng định tính khả thi của mô hình khi kết quả phân loại đạt được độ chính xác khoảng 87%.
Bản toàn văn lưu tại thư viện Trường Đại học Bách khoa, Đại học Đà Nẵng
Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.
Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
- Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
- Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
- Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.
Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.
Đề tài cùng ngành
- Phân loại thực vật bằng mô hình học sâu
- Phân loại văn bản với phương pháp mạng Nurual kết hợp phương pháp cây quyết định
- Phân loại quan điểm của du khách với du lịch Phong Nha - Kẻ Bàng tỉnh Quảng Bình
- Phân tích dáng đi chống đau sử dụng máy véc tơ hỗ trợ
- Áp dụng học máy trong nhận dạng biển báo giao thông
- Phân tích dữ liệu khung xương và ứng dụng nhận dạng dáng đi
- Nhận dạng cử chỉ tay trong giao tiếp người - máy và ứng dụng hỗ trợ chọn trang phục
- Nghiên cứu giải pháp kết hợp Jmeter và Phantomjs trong việc kiểm thử tự động các ứng dụng Web
Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.