-
题名基于主题模型的短文本情感分析的研究
- 1
-
-
作者
花树雯
张云华
-
机构
浙江理工大学信息学院
-
出处
《电工技术》
2019年第4期91-94,共4页
-
文摘
针对物联网中的评论等短文本进行情感分析时,出现上下文依赖性差和严重的特征稀疏,以及评论类文本的情感分析具有时效性等问题,提出了基于词嵌入和时间加权的高斯LDA算法(TG-LDA)。实验结果证明,与同类的主题模型相比,该模型的关键词的区分度强,主题的一致性高。
-
关键词
情感分类
TG-lda
高斯lda
词嵌入
时间衰减函数
-
Keywords
sentiment classification
TG-lda
Gaussian lda
word embedding
time decay function
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
-
题名基于聚类和高斯LDA的服务发现方法
- 2
-
-
作者
唐菊
聂彤羽
-
机构
四川仪表工业学校
重庆大学大数据与软件学院
-
出处
《自动化与仪器仪表》
2022年第12期36-43,50,共9页
-
文摘
服务发现研究面临两个主要问题:(1)Web服务数量大量增长,服务管理和匹配难度大;(2)API市场中用户常用的基于搜索引擎的服务发现,存在用户查询语义稀疏问题。针对这两个挑战,提出了一种基于聚类和高斯LDA的服务发现方法。该方法首先使用Doc2Vec将服务数据集映射为服务段落向量,接着用K-Means++聚类方法对服务向量聚类。然后,使用Word2Vec生成的上下文信息来扩展用户查询和丰富服务描述,然后将服务描述加载到高斯LDA中获取服务描述表示。最后,按照服务描述表示和扩展的服务查询之间的概率相关性对服务进行排序。实验结果表明,该服务发现模型在Precision@5,Recall@50,F-Measure@50实验结果优于TFIDF-K,LDA,Doc2Vec-K、GLDA-QE方法,提高了查询服务搜索的准确性。
-
关键词
服务发现
聚类
语义稀疏
高斯lda
词嵌入
-
Keywords
service discovery
clustering
semantic sparseness
Gaussian lda
word embedding
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
