给大家推荐6篇关于短文本聚类的计算机专业论文

今天分享的是关于短文本聚类的6篇计算机毕业论文范文, 如果你的论文涉及到短文本聚类等主题,本文能够帮助到你

微信公众号与短文本自动聚类在高校课堂中的应用

这是一篇关于微信公众号,自然语言分析,短文本聚类,高校课堂的论文, 主要内容为在最近的几年中,智能手机得到了广泛的使用,尤其是在高校学生这样一个群体中。目前,高校学生几乎每人都有一部甚至多部智能手机,而这样的情况,也给一部分高校课堂带来了潜在的问题。本文所述项目的目的就是在高校课堂中,在智能手机已经普及的大背景下,利用微信公众号这一平台,加强高校课堂中老师学生之间的互动,引导学生的注意力回到真实的课堂中。为了完成这一目的,项目实现了一个具备随堂测试、课堂点名、发布成绩等功能的微信公众号,一个对微信公众号进行功能补充的网站、一个针对问答题统计分析专门设计的短文本聚类算法。项目采用]2EE体系结构,使用了MVC模式的设计思想,结合了Spring、Hibernate、Play、自然语言分析、短文本聚类等技术。高校师生可以使用微信公众号来简化以往的课堂互动过程,原本需要提交纸质答案的随堂测试可以在数分钟之类完成,并且教师可以立刻得到此次随堂测试的统计分析结果。而原本需要教师通过签到等方式完成的课堂点名,也可以通过在微信公众号上发布点名任务,在学生参与之后立刻得到点名的结果。目前,微信公众号课堂帮手以及网站已经上线并得到了许多高校教师的使用,其中使用的问答题回答聚类技术也具有良好效果,同时这项技术已经向专利局申请了专利,在开发过程中形成的微信公众号开发框架也在实验室的后续项目得到了应用。

面向电商评论的多模态聚类方法研究

这是一篇关于短文本聚类,电商评论,狄利克雷多项式混合,K-means的论文, 主要内容为在日益信息化的现代社会,人们愈加喜欢在网上进行购物,因此越来越多的电商平台崛起,例如天猫、京东等等。电商经济也逐渐成为促进社会进步的一个重要组成部分。在购买完商品后,很多消费者都愿意发布自己对于所购买商品的使用体验或者消费过程中的满意程度,这些评论可以为其他有意购买同样商品的消费者提供参考意见。但是这些评论包含了很大的信息量,所以本文利用文本挖掘分析技术以及情感极性分析相关技术,对电商评论的信息进行聚类分析,进而提取出对于消费者有意义的信息,具有重要的实际意义。由于电商评论大多都是短文本,评论的数据类型是多模态的,包含评分、日期、评论文本等等。消费者想要从中搜寻到对自己有用的信息需要消耗大量的时间,因此针对短文本进行第一次聚类,聚类模型为GSDPMM。但是GSDPMM无法考虑评论的打分以及时间。因此,将用户的评论时间作为一个单词,将评论日期的年月提取出来,组成一个单词,将这两个模态的单词扩展到评论词汇表中,增加了评论数据的相似度,输入到GSDPMM模型中可以得到聚类结果。具有类似观点的评论文本会被归到同一聚类中,同时可以得出每个聚类中的主题词即消费者在消费过程中最关注的地方。由于评论文本的数量很大,因此采用狄利克雷及多项混合模型作为第一次聚类所使用的模型,因为此模型不需要提前设置好聚类的个数,在大规模的数据集上有着良好的表现。对于第一次聚类的结果,虽然可以分析出消费者的关注点,但很难判断消费者的态度,所以将聚类结果中的主题词作为输入,组成新的短文本,利用TF-IDF方法对主题词构建出来的短文本进行特征提取,随后利用K-means方法进行情感极性的判断。通过两次聚类的实验结果,可以很明确地得出消费者在购买某种商品后,最关注的点在哪里,例如在购买衣服后,大多消费者关注的点为衣服的用料以及品牌等方面。经过聚类,可以得出所有消费者的聚类结果以及聚类的主题词,也就是说在同一聚类中的消费者对于商品的关注点都是类似的。通过第二次聚类后,可以分析出消费者们的感情极性,对消费者的购买决策有着积极的意义。