基于TFIDF的特征选择方法

在文本分类系统中,特征选择方法是一种有效的降维方法。在分析了几种常用的特征选择评价函数之后,将权值计算函数应用于特征选择,并基于改进的TFIDF方法提出了一种新的评价函数,它将类别信息引入到特征项中,提取出与类别相关的特征项,弥补了TFIDF的缺陷。实验证明该方法简单可行,有助于提高所选特征子集的有效性。

针对评论文本的情感分析方法

为了克服传统基于机器学习的情感分析算法依赖手工建立情感词典、需要进行人工干预的缺点,该文提出1种加权word2vec注意力长短记忆网络(WWAL)情感分析模型。突出评论文本中关键词的作用,在word2vec的基础上引入了术语频率-逆文档频率(TFIDF)算法形成词向量,同时在长期短期记忆(LSTM)网络模型中加入了注意力机制。在标准数据集上的实验证明,该文WWAL模型的查准率、召回率和F1指标等实验衡量指标均优于传统机器学习方法。

基于TFIDF的文本特征选择方法

本文在分析比较几种用于文本分类的特征选择方法的基础上,提出了一种基于术语频率和逆文档频率的特征选择方法TDF。采用KNN和NaiveBayes两种分类算法对该方法进行了测试。实验结果表明,TDF方法较其他几种方法有较好的分类精度。

基于智能推荐的离退休干部信息管理系统研究

离退休干部管理对于人力资源部门关于干部管理以及人力资源利用有重要的作用,传统的信息系统仅实现了对于离退休干部人事信息、档案信息的基本管理,对于系统用户并不能提供智能化的人力资源信息推荐。本文提出一种基于术语频率(TF)和反向文档频率(IDF)等思想构建TF-IDuF方法实现档案信息的推荐,文中主要对关键的TF-IDuF模型进行了介绍,并于传统的TF-IDF模型进行了推荐准确率的对比,结果表明该模型的推荐效果较优。