基于Hadoop平台的大规模文本分类并行化研究

基于标签主题模型的网络文本分类研究

随着互联网的快速发展，文本自动分类在数据挖掘中显得尤为重要。基于标签主题模型的研究，更好地帮助人们挖掘和利用有用信息。

数据挖掘 2 2024-07-14

基于小规模标注语料的增量式Bayes文本分类算法

文本自动分类是数据挖掘和机器学习中重要的研究领域。针对难以获取大量带类标签的训练集的问题，提出了基于小规模标注语料的增量式Bayes文本分类算法。该算法分两种情况处理：一是对于新增有类标签的样本，直接重新计算其属于某类别的条件概率；二是对于新增无类标签的样本，利用现有分类器为其指定类标签，然后利用新样本来修正分类器。实验证明，该算法有效且可行，相较于Naive Bayes文本分类算法，精度更高。增量式Bayes分类算法的提出为分类器更新开辟了新的途径。

数据挖掘 1 2024-07-13

GreenplumDB：大规模并行处理利器

GreenplumDB是一款开源大规模并行数据仓库，具备以下特性：- 基于MPP架构，实现海量数据加载和分析- 优化查询，支持大数据超高性能分析- 多态数据存储和执行，提升数据处理效率- 集成Apache MADLib，提供高级机器学习功能GreenplumDB与PostgreSQL、PostGIS等工具协同，构建一体化数据架构。

数据挖掘 6 2024-05-01

构建大规模文本挖掘系统基于网格计算

详细阐述了基于网格计算构建大规模文本挖掘系统的重要性和实施方法。文本数据挖掘作为数据密集型、计算密集型和分布式协作的一般特点，在企业和政府组织中具有重要的应用前景。

数据挖掘 2 2024-07-21

基于类别特性的 KNN 文本分类算法改进

论文提出了一种基于独立类别特性的改进 KNN 文本分类算法，该算法通过利用文本的不同类别特征来提高分类精度。

数据挖掘 4 2024-04-30

论文研究-基于Hadoop平台的SVM_WNB分类算法的研究.pdf

SVM算法和朴素贝叶斯分类算法在复杂数据分类中表现优异，但其缺点影响了分类效果。传统数据挖掘算法无法满足海量数据处理需求。为解决这些问题，改进了朴素贝叶斯算法，提出SVM_WNB分类算法，并在Hadoop云平台上实现并行处理，从而处理大数据。实验表明，改进后的算法在准确性和效率上有显著提升，对大数据分类有显著效果。

数据挖掘 2 2024-07-12

Sum-Product Networks模型研究及其在文本分类中的应用

图模型在机器学习领域应用广泛。与传统图模型相比，Sum-Product Networks (SPN) 模型具有更强的表达能力和更快的推理速度，因此在文本和图像数据建模方面得到广泛应用。 SPN 是一种新型深度概率模型。固定结构 SPN 的参数学习方法为模型训练提供了基础。研究人员也针对不同输入数据，探索了 SPN 结构和参数的联合学习方法，进一步提升了模型的灵活性。 SPN 支持判别式和生成式模型，为不同类型的机器学习任务提供了有力工具。实践证明，SPN 在文本分类任务中表现出色，展现了其在处理复杂数据方面的潜力。

数据挖掘 3 2024-05-21

数据挖掘文本分类题目及附件

数据挖掘竞赛题目：文本分类 附件资源：* 训练数据集* 测试数据集* 评分标准

数据挖掘 2 2024-05-15

利用开源数据挖掘平台WEKA进行文本分类模拟实验

煤矿企业自动化系统中，文本分类方法的选择是一个关键问题。为了综合评估常用的分类方法的性能，分析了朴素贝叶斯（NB）、决策树（DT）、支持向量机（SVM）这三种方法，并使用开源数据挖掘平台WEKA进行了模拟实验。

数据挖掘 2 2024-07-17