排序方式： 共有3条查询结果，搜索用时 0 毫秒
1
1.
Automated keyphrase extraction is a fundamental textual information processing task concerned with the selection of representative phrases from a document that summarize its content. This work presents a novel unsupervised method for keyphrase extraction, whose main innovation is the use of local word embeddings (in particular GloVe vectors), i.e., embeddings trained from the single document under consideration. We argue that such local representation of words and keyphrases are able to accurately capture their semantics in the context of the document they are part of, and therefore can help in improving keyphrase extraction quality. Empirical results offer evidence that indeed local representations lead to better keyphrase extraction results compared to both embeddings trained on very large third corpora or larger corpora consisting of several documents of the same scientific field and to other state-of-the-art unsupervised keyphrase extraction methods. 相似文献
2.
[目的/意义]大规模在线开放课程论坛具有丰富的用户评论数据。从大量未区分的评论数据中，自动识别出知识密度较高的探索型对话并挖掘其潜在价值，对于改善教师教学质量以及提高学生知识水平具有重要影响。[方法/过程]首先利用GloVe方法训练词向量，加强对文本语义的理解，然后利用卷积神经网络自动学习文本特征，提出一种基于深度学习的探索型对话自动识别模型，并在学堂在线平台《心理学概论》课程论坛标注数据集上进行实证与对比研究。[结果/结论]实验结果显示，利用GloVe方法预训练词向量以及在训练过程中不断对词向量进行学习修正能够提高模型效果。该模型识别探索型对话的F1值为0.94，相较于传统的朴素贝叶斯方法（0.88）、逻辑斯谛回归方法（0.89）、决策树方法（0.88）以及随机森林方法（0.88）取得较大提升，具有较高的实用性和较低的学习成本。 相似文献
3.
[目的/意义]本文探讨挖掘技术和应用间的关联关系，便于把握技术的目标应用场景和了解应用需求的可选技术方案，为技术转化提供基础。[方法/过程]首先，建立基于改进GloVe词向量的"技术——应用"发现模型，提出改进词向量的算法；然后，以机器学习技术为例，获取该领域学术论文文摘数据，预处理后建立训练文本集合，再使用改进GloVe模型训练获得词向量；最后，对词向量聚类获得"技术"和"应用"类词汇集，通过共现获得两者之间的关联并分析。[结果/结论]实验结果表明，本文改进GloVe模型后训练的词向量性能获得提升，聚类效果好，最终实现"技术——应用"的关联分析。 相似文献
1