Feb, 2012

使用 Wikitology 进行知识增强的文本分类中 SVM 和朴素贝叶斯分类器的比较

PDF
TL;DR本文比较了通过 Wikitology 对文本进行丰富的支持向量机和朴素贝叶斯分类器，验证结果表明，朴素贝叶斯分类器在外部知识库的丰富方面是更好的选择
text categorizationknowledge repositorieswikitologysupport vector machinenaive bayes
发现论文，激发创造
  • 朴素贝叶斯和文本分类 I - 介绍和理论

    本文主要介绍纳伊夫 - 贝叶斯分类器在文档分类中的主要概念和应用。

    Oct, 2014

  • 使用朴素贝叶斯和 K-NN 分类器对评论数据集进行情感分析

    本文介绍了一种利用情感分析的 Web 爬取框架，以便快速发现电影评论和酒店评论的情感内容及分析，并详细讨论了两种监督式机器学习算法：K - 最近邻算法（K-NN）和朴素贝叶斯算法，并比较了它们的总体准确度、精确度和召回率。研究发现，在电影评论方面，朴素贝叶斯算法比 K-NN 算法效果好得多，但在酒店评论方面这些算法效果相对较差并且几乎相同。

    Oct, 2016

  • 基于专用标注语料库的支持向量机短文本分类识别银行交易描述

    通过结合自然语言处理技术与机器学习算法，我们描述了一个将银行交易描述分类为个人财务管理的新系统，在一个实际客户交易数据集上进行了训练和测试，并在与其他方法的比较中表现出较高的准确性，同时考虑了复杂性和计算时间。

    Mar, 2024

  • SVM 与预训练语言模型（PLMs）在文本分类任务中的比较

    本文介绍了在使用传统的支持向量机（SVM）结合精细特征工程的方法进行文本分类任务时，与使用各种经过预训练的语言模型（PLMs）相比，其性能更便宜更优越的研究结果。

    Nov, 2022

  • 使用机器学习模型对文本进行分类并确定对话偏移

    该研究旨在使用自然语言特征提取方法在机器学习中，将朴素贝叶斯、逻辑回归和支持向量机等基本模型用于检测讨论线路偏离主题时教师必须介入的情况，从而实现文本分类和语义分析。

    Nov, 2022

  • 利用文本和图形向量表示来丰富分类学

    本文研究领域为知识图谱，提出了一种基于图结构表示与深度学习的分类体系扩展方法，实验结果表明该方法在多个数据集上具有优异的效果。

    Jan, 2022

  • 基于自然语言处理的原始研究文章分类之外

    本研究提出了一种针对未知类别的科学文献的文本分类的新方法，使用自然语言处理技术。该研究利用预训练的语言模型（特别是 SciBERT）从 ArXiv 数据集的摘要中提取有意义的表示。文本分类使用 K-Means 算法进行，并根据 Silhouette 得分确定最佳聚类数。结果表明，所提出的方法比传统的 arXiv 标签系统更有效地捕捉主题信息，从而改善了文本分类。该方法为科学研究文献快速增长的领域提供了更好的导航和推荐系统的潜力。

    Sep, 2023

  • 使用机器学习技术的情感分类

    通过使用电影评论数据，我们发现在情感分类方面，标准机器学习技术明显优于人类基准，但是我们使用的三种机器学习方法（朴素贝叶斯，最大熵分类和支持向量机）在情感分类方面表现不如传统基于主题的分类。我们得出结论，研究情感分类问题更具挑战性的因素。

    May, 2002

  • 使用 SVM 和 Naive BAYES 进行仇恨言论分类

    该研究主要通过使用支持向量机（SVM）和朴素贝叶斯算法，提出了一些解决自动检测仇恨言论问题的方法，并在实证评估中取得了近乎最佳的分类准确性。

    Mar, 2022

  • 数据分类的一种 SVM 方法替代方案

    支持向量机（SVM）是一种流行的用于数据分类的核方法，本文提出一种基于最佳子空间的最小距离的新方法，以解决 SVM 存在的时间处理、高维情况下优化过程失败、多类别泛化、不平衡类别和动态分类的问题，并取得了类似的性能改进。

    Aug, 2023