文档分类

摘要： 以书目题名数据为例,探究了一种基于线性空间基的超短文本特征向量生成方式,并在此基础上,利用改进的卷积神经网络进行深度学习,对超短文本进行多元分类的思路。经过测试,该算法针对22分类的准确率可达67%以上,部分专业分类准确率达到85%以上。由于语料集较小,验证设备配置太低,因此分类准确率有待提高。该方法对文献自动分类、图书馆智能助手应用都具有参考价值。

摘要： 文档分类是自然语言处理(NLP)领域中的一个基本问题.近年来,尽管针对这一问题的层级注意力网络已经取得了进展,但由于每条句子被独立编码,使得模型中使用的双向编码器仅能考虑到所编码句子的相邻句子,仍然集中于当前所编码的句子,并没有有效地将文档结构知识整合到体系结构中.针对此问题,提出一种上下文感知与层级注意力网络的文档分类方法(CAHAN).该方法采用分层结构来表示文档的层次结构,使用注意力机制考虑文档中重要的句子和句子中重要的单词因素,在单词级和句子级不仅依赖双向编码器来获取上下文信息,还通过在单词级注意机制中引入上下文向量,使单词级编码器基于上下文信息做出注意决策全面获取文本的上下文信息,从而提取出深度文档特征.此外,还利用门控机制准确地决定应该考虑多少上下文信息.在两个标准数据集上的实验结果表明,提出的CAHAN模型较长短时记忆网络(LSTM)、卷积神经网络(CNN)、分层注意网络(HAN)等模型分类效果更好,能够提高文档分类任务的准确度.

摘要： 自然语言处理中的文档分类任务需要模型从低层级词向量中抽取高层级特征.通常,深度神经网络的特征抽取会利用文档中所有词语,这种做法不能很好适应内容较长的文档.此外,训练深度神经网络需要大量标记数据,在弱监督情况下往往不能取得良好效果.为迎接这些挑战,本研究提出应对弱监督长文档分类的方法.一方面,利用少量种子信息生成伪文档以增强训练数据,应对缺乏标记数据造成的精度难以提升的局面.另一方面,使用循环局部注意力学习,仅基于若干文档片段抽取出摘要特征,就足以支撑后续类别预测,提高模型的速度和精度.实验表明,本研究提出的伪文档生成模型确实能够增强训练数据,对预测精度的提升在弱监督情况下尤为显著;同时,基于局部注意力机制的长文档分类模型在预测精度上显著高于基准模型,处理速度也表现优异,具有实际应用价值.

摘要： 文档分类是实现自动化网络舆情处理的一项必不可少的技术.针对文档分类任务中文档信息复杂、难以提取任务相关特征的问题,提出了一种结合注意力机制的层次卷积神经网络模型HCNN-AM.在模拟文档结构的层次化模型架构下,使用结合注意力机制的卷积神经网络提取同分类任务相关的整合相邻单元信息的文档特征.在大规模文档语料上的实验结果表明,HCNN-AM模型能够有效地提升文档分类精度.

摘要： 随着教育技术与信息技术的融合,实现面向小学生的语文写作自动辅助成为可能.快速自动地进行范文素材的分类入库是实现写作自动辅助的关键.作文素材语义信息丰富、种类较多,若采用现有方法进行自动分类入库操作往往难以取得好的效果.因此,在分析小学作文的类别特征并构建了一个数据集的基础上,提出基于TextRank和字符级卷积神经网络的小学作文自动分类模型.运用基于TextRank的关键句提取模型为范文素材,去除部分冗余的语义信息.应用word embedding对数据集进行文本表示,并将其作为卷积神经网络的输入.通过不断地迭代训练和测试,最终实现了该模型.实验表明了该方法对于作文分类任务能显著地提高分类的性能.

摘要： 针对文档水平情感分析传统模型存在先验知识依赖以及语义理解不足问题,提出一种基于注意力机制与层次网络特征表示的情感分析模型TWE-ANN.采用基于CBOW方式的word2vec模型针对语料训练词向量,减小词向量间的稀疏度,使用基于Gibbs采样的LDA算法计算出文档主题分布矩阵,继而通过层次LSTM神经网络获取更为完整的文本上下文信息从而提取出深度情感特征,将文档主题分布矩阵作为模型注意力机制提取文档特征,从而实现情感分类.实验结果表明:提出的TWE-ANN模型较TSA、HAN模型分类效果较好,在Yelp2015、IMDB、Amazon数据集上的F值分别提升了1.1%、0.3%、1.8%,在Yelp2015和Amazon数据集上的RMSE值分别提升了1.3%、2.1%.

摘要： 许多自然语言应用需要将输入的文本表示成一个固定长度的向量, 现有的技术如词嵌入 (Word Embeddings)和文档表示(Document Representation)为自然语言任务提供特征表示, 但是它们没有考虑句子中每个单词的重要性差别, 同时也忽略一个句子在一篇文档中的重要性差别. 本文提出一个基于层级注意力机制的文档表示模型(HADR), 而且考虑文档中重要的句子和句子中重要的单词因素. 实验结果表明, 在考虑了单词的重要和句子重要性的文档表示具有更好的性能. 该模型在文档(IMBD)的情感分类上的正确率高于Doc2Vec和Word2Vec模型.

摘要： 随着存储在信息系统中的企业文档数量的激增,为用户提供有效的分类服务成为一项重要的研究课题.传统的文档管理和目录服务需要执行大量的目录定义和操作完成对一个文档集合的分类.为了解决这个问题,本文给出了直接分类模式、树分类模式、分类法则和科目约束表达式等概念和形式化定义.在这些概念的基础上描述了文档分类元模型,并且构造了一个文档分类管理系统结构模型.采用这些研究方法设计的文档分类管理系统,允许任何独立用户和群组用户同时对任何文档集合定义和启用多个不同的分类模式.

摘要： 目前,对文档的分类的研究主要集中在提高分类准确率和效率两个方面.由于在现实世界中,大多数文档特别是学术性比较强的文档都是由标题,摘要,作者,日期,关键词，参考文献等外延构成。本文给出了结合外延的文档分类方法，该方法既兼顾文档分类的效率．又提高了文档分类的准确性．

摘要： 随着网络的迅猛发展,其中所包含的文本文档数以百万计,及时进行文档分类处理是十分必要的.本文基于"生产者/消费者"模型,提出了文档分类处理中的并行模型,进行了初步研究,并提出了改进模型性能的几种方法,在0penMP中得到了初步的实现.

摘要： 文档分类是管理大规模文档信息的一种有效方法,而文档属性选择是文档分类性能的关键.本文分别使用互信息法和遗传算法进行文档属性选择,并用KNN算法进行分类性能比较.初步实验结果表明遗传算法方法是可行、有效的.

摘要： 本文提出了一种基于单词相关度的聚类方法WCM(Document Clustering Method Based onWord Relation)。总体的思想首先充分利用单词之间的相关度分类夹确定词的分类，然后计算每个文档向量和各个类之间的距离将其归入一个或者多个类别中。该算法在“网上科研服务原型系统”项目中加以实现。在该系统中本文实现了一个基于SDARTS协议的元搜索器，搜索器退回的结果使用WCM进行分类显示，大大方便了使用者的查询。本文第2节简单介绍相关的研究，第3节介绍单词相关度模型，第4节介绍基于单词相关度的聚类WCM,第5节介绍文档分类，第6节为实验情况简介，最后是总结和展望。

摘要： 本文提出了一种对Web文档进行分类的技术，它能根据用户需求，利用模糊相关技术自动地将用户所需要的文档过滤出来。由于Web文档往往具有不确定的特征，例如:不同的长度、质量和来源等，因此本文在本方法中利用模糊集合理论对信息检索过程的不确定性建立模型，即采用模糊特征和模糊相关概念等对Web文档进行分类。实验结果表明，该方法比向量空间模型有较高的分类精度。

摘要： 文档分类是管理大规模文档信息的一种有效方法，但已有中文文档分类系统大都忽略了文档类的层次结构。该文基于Boosting方法，研究了中文文档的层次分类问题。为了使分类过程摆脱对词典和切词处理的依赖，该文利用N-gram信息进行中文文档分类，实现中文文档分类的领域无关性和时间无关性。

摘要： 在知识管理系统中实现文本挖掘,可帮助知识用户发现并不确切知道自己已有的信息.本文介绍了在知识管理系统中实现文本挖掘的问题.作者首先对目前知识管理的产品进行分类,然后阐述了在知识管理系统中实现文本挖掘的必要性,最后列出了目前主要的文本挖掘技术及其常见实现.

摘要： 在知识管理系统中实现文本挖掘,可帮助知识用户发现并不确切知道自己已有的信息.本文介绍了在知识管理系统中实现文本挖掘的问题.作者首先对目前知识管理的产品进行分类,然后阐述了在知识管理系统中实现文本挖掘的必要性,最后列出了目前主要的文本挖掘技术及其常见实现.

摘要： 在知识管理系统中实现文本挖掘,可帮助知识用户发现并不确切知道自己已有的信息.本文介绍了在知识管理系统中实现文本挖掘的问题.作者首先对目前知识管理的产品进行分类,然后阐述了在知识管理系统中实现文本挖掘的必要性,最后列出了目前主要的文本挖掘技术及其常见实现.

摘要： 可通过以下步骤来自动分类网站：(a)接受网站信息，(b)使用该网站信息来确定该网站的评分聚类(例如语义、词语同现等)构成的集，以及(c)使用该聚类集中的至少一些来确定预定义分类体系的至少一个类别(例如垂直类别)。语义聚类(例如词语同现聚类)可以通过以下方法来与预定义分类体系的一个或多个类别(例如垂直类别)相关联：(a)接受语义聚类，(b)使用所接受的聚类来标识一个或多个评分概念构成的集，(c)使用该一个或多个评分概念中的至少一些来标识一个或多个类别构成的集，以及(d)把该一个或多个类别中的至少一些与该语义聚类相关联。资产(例如网站)可以通过以下方法来与预定义分类体系的一个或多个类别(例如垂直类别)相关联：(a)接受关于资产的信息，(b)使用所接受的资产信息来标识一个或多个评分语义聚类(例如词语同现聚类)构成的集，(c)使用该一个或多个评分语义聚类中的至少一些来标识一个或多个类别(例如垂直类别)构成的集，以及(d)把该一个或多个类别中的至少一些与该资产相关联。

摘要： 本发明涉及相对于分类体系来分类诸如文档和/或聚类的对象以及从这种分类导出的数据结构。一种方法包括：接受在文档中重复出现的词语的具有频率的多个语义聚类；基于所接受的在文档中重复出现的词语的聚类，标识文档的一个或多个概念，每个概念标识具有相同含义的不同的重复出现的词语；对所标识的一个或多个概念评分，每个概念得分通过该概念所标识的重复出现的词语中的每个词语的聚类频率被加权；使用所述一个或多个评分概念中的至少一些来标识一个或多个类别的集，以在概念类别索引中查找一个或多个类别，其中类别对应于定义了类别的结构化集的预定义分类体系中的节点；及把所述一个或多个类别中的至少一些与所述语义聚类相关联。

摘要： 可通过以下步骤来自动分类网站：(a)接受网站信息，(b)使用该网站信息来确定该网站的评分聚类(例如语义、词语同现等)构成的集，以及(c)使用该聚类集中的至少一些来确定预定义分类体系的至少一个类别(例如垂直类别)。语义聚类(例如词语同现聚类)可以通过以下方法来与预定义分类体系的一个或多个类别(例如垂直类别)相关联：(a)接受语义聚类，(b)使用所接受的聚类来标识一个或多个评分概念构成的集，(c)使用该一个或多个评分概念中的至少一些来标识一个或多个类别构成的集，以及(d)把该一个或多个类别中的至少一些与该语义聚类相关联。资产(例如网站)可以通过以下方法来与预定义分类体系的一个或多个类别(例如垂直类别)相关联：(a)接受关于资产的信息，(b)使用所接受的资产信息来标识一个或多个评分语义聚类(例如词语同现聚类)构成的集，(c)使用该一个或多个评分语义聚类中的至少一些来标识一个或多个类别(例如垂直类别)构成的集，以及(d)把该一个或多个类别中的至少一些与该资产相关联。

摘要： 根据实施方式，文档分类装置具有：类目生成部(7)，以语言不同的多个文档当中的相同语言的多个文档为对象进行聚类，由此来按照每个语言生成类目；单词间对应关系抽取部(6)，使用语言不同的文档间的对应关系，基于语言不同的单词在存在对应关系的文档间同现地出现的频率，抽取不同单词的单词间的对应关系；以及类目间对应关系抽取部(8)，基于单词间的对应关系，抽取将语言不同的文档进行了分类的类目间的对应关系。

摘要： 本发明提供了一种对海量文档库的文档分类的方法，包括：确定文档库中所有文档的各个关键词、以及每个关键词与其所归属的各个文档的对应关系；将所述各个关键词逐个在术语库中匹配，将每个关键词匹配的术语的行业类别属性，作为该关键词在其对应的每个文档所归属的行业类别属性；根据所述对应关系，确定每个文档包含相同的最多的行业类别属性；将归属最多的行业类别属性作为每个文档的分类。本发明采取一种反向匹配的思路进行对参考库的文档进行术语检索，由于术语语料库是个具备字符顺序索引结构的集合，采用二分法在其中进行字符串匹配最多只需要1+log2n次匹配计算，极大的减少了匹配次数，简化了匹配过程，提高了对文档分类的效率。

摘要： 本发明提供一种文档分类系统，对诉讼中用于作为证据提交收集的数字化的文档信息进行分析，然后分类以容易地用于诉讼。文档分类系统具有：抽取部，其从收集的文档信息中抽取所规定数量的文档；文档显示部，其将所述抽取的文档群显示在画面上；分类符号接受部，其接受用户根据与所述诉讼之间的关联性对所述显示的文档群赋予的分类符号；选定部，其根据所述分类符号，将所述抽取的文档群按分类符号分类，并解析所述被分类的文档群中共同出现的关键词并选定；数据库，其记录所述选定的关键词；搜索部，其从所述文档信息搜索所述数据库中记录的关键词；得分计算部，其利用所述搜索部的搜索结果和所述选定部的解析结果，计算出表示分类符号和文档之间的关联性的得分；自动分类部，其根据所述得分的结果自动赋予分类符号。

摘要： 本发明提供一种文档分类系统，对诉讼中用于作为证据提交收集的数字化的文档信息进行分析，然后分类以容易地用于诉讼。文档分类系统具有：抽取部，其从收集的文档信息中抽取所规定数量的文档；文档显示部，其将所述抽取的文档群显示在画面上；分类符号接受部，其接受用户根据与所述诉讼之间的关联性对所述显示的文档群赋予的分类符号；选定部，其根据所述分类符号，将所述抽取的文档群按分类符号分类，并解析所述被分类的文档群中共同出现的关键词并选定；数据库，其记录所述选定的关键词；搜索部，其从所述文档信息搜索所述数据库中记录的关键词；得分计算部，其利用所述搜索部的搜索结果和所述选定部的解析结果，计算出表示分类符号和文档之间的关联性的得分；自动分类部，其根据所述得分的结果自动赋予分类符号。

摘要： 本申请提供了一种文档的分类分级方法、分类分级装置和文档系统，该方法包括：获取多个文档样本；采用中文文档向量对文档样本进行特征提取，得到文档特征向量；对文档特征向量进行聚类，得到多个类别和各类别对应的类簇中心点向量；去除各类别中偏心欧式距离大于预定距离的文档特征向量对应的文档样本，得到样本库，偏心欧式距离为文档特征向量对应的点与所属类别的类簇中心点向量对应的点的欧式距离；采用样本库对初始模型进行训练得到文档分类分级模型；采用文档分类分级模型对目标文档进行分类分级。该方法解决了现有技术中文档的分类分级方法中构建样本库的人力成本高的问题。

摘要： 本申请提供一种文档分类模型的训练方法、文档分类方法、装置及设备，涉及文档分类技术领域。其中，该训练方法包括：获取训练样本集，训练样本集包括多个样本文档；若存在目标文档类别对应的样本文档数量不满足预设分布条件，根据预设重构算法对训练样本集中的目标文档类别对应的样本文档进行重构，获取重构后的样本文档；采用重构后的样本文档增强训练样本集，获取满足预设分布条件的重构训练样本集，由于重构训练样本集中各文档类别下的样本文档分布更为均匀，进而根据重构训练样本集，训练获取文档分类模型时，文档分类模型可以学习到更多的目标文档类别对应的样本文档的特征，可以提高对分布较少的文档类别识别的准确率。

摘要： 根据实施方式，文档分类装置具有：类目生成部(7)，以语言不同的多个文档当中的相同语言的多个文档为对象进行聚类，由此来按照每个语言生成类目；单词间对应关系抽取部(6)，使用语言不同的文档间的对应关系，基于语言不同的单词在存在对应关系的文档间同现地出现的频率，抽取不同单词的单词间的对应关系；以及类目间对应关系抽取部(8)，基于单词间的对应关系，抽取将语言不同的文档进行了分类的类目间的对应关系。