实用高效的垃圾邮件过滤算法

为了提高电子邮件中垃圾邮件的过滤准确率和效率,以朴素贝叶斯算法和K最近邻(KNN：K-Nearest Neighbors)算法为基础,对传统垃圾邮件过滤算法进行改进,给出邮件的合法属性和非法属性的概念,并提出一种新的分类算法--基于邮件合法属性和非法属性的分类算法（SEASF：Simple and Efficient Algorithm to Spam Filter based on legitimate attribute and nonlicet attribute)。SEASF计算复杂度较低,可适用于大规模场合及邮件的在线过滤。将SEASF算法应用于垃圾邮件过滤的结果表明,该算法可大幅度提高分类精度,分类速度也令人满意。     

一种改进的贝叶斯分类器剪接位点预测

虽然现有的DNA剪接位点辨识算法取得很高的辨识精度,但是大多数方法计算量很大。朴素贝叶斯分类器是一种简单而高效的分类器,但是它的属性独立性假设使其无法表示现实世界属性之间的依赖关系,影响了它的分类性能。将朴素贝叶斯分类器进行改进,推导出决策属性和各条件属性对数值间存在线性关系,并用最小二乘法求出这种线性关系系数,设计出一种新的贝叶斯分类器。将改进的贝叶斯分类器应用于DNA序列剪接位点的辨识中。仿真结果表明,本算法计算时间和测试样本的数量成线性关系,辨识精度较朴素贝叶斯分类器有明显提高,同时高于现有辨识算法。     

基于两步策略的中文短文本分类研究

为更好地挖掘文本信息,研究了将两步策略用于中文短文本分类的3个关键问题,提出了基于组合朴素贝叶斯(NB)和K近邻(KNN)分类器的两步中文短文本分类方法:(1)直接利用NB和KNN的输出构造其对应的二维空间,根据该空间内错误文本的分布将测试文本集分为3部分:能被KNN可靠分类的文本集A,不能被KNN可靠分类但能被NB可靠分类的文本集B,其他文本集C.(2)用KNN、NB分别对文本集A和B进行分类,根据训练语料的类别分布,直接给属于文本集C的文本分配标签.与NB、KNN和支持向量机(SVM)的对比实验表明,该方法可获得较高的分类性能.     

连续属性朴素贝叶斯分类器的依赖扩展研究

针对朴素贝叶斯分类器不能有效利用属性之间依赖信息的问题,在将连续属性条件互信息计算、条件密度计算与通过建立类约束属性最大权重跨度树的父结点选择相结合的基础上,提出了连续属性朴素贝叶斯分类器选择性树结构依赖扩展方法.通过对比实验和分析,证实了扩展后分类器的分类准确率得到明显的改进.     

数据挖掘中朴素贝叶斯分类器的应用

朴素贝叶斯分类是数据挖掘中应用非常广泛的一种分类方法,本文利用该分类方法对高职院校教师测评数据进行了数据挖掘,提高了教师评价的科学性、客观性,从而更好地服务于教学.     

关于利益分配问题的多边谈判探讨

深入讨论了在利益分配过程中的多边谈判问题．首先，为确定有效容 量设计了奖罚谈判法，对谈判各方估价相同的离散型分配问题给出了最小 误差法；然后，讨论了利益分配问题的分配原则，提出了合理的分配过程应 满足的两个必要条件；最后，对朴素分配法做了改进，使其适用于谈判各方 估价不同的情况．     

浅析批判现实主义作家狄更斯

查尔斯·狄更斯是19世纪英国的杰出小说家,在英国古典作家中,其成就仅次于莎士比亚。本文论述了狄更斯创作的三个不同阶段的特点,他的创作从乐观向上的基调转向抑郁,表现了狄更斯从人道主义思想出发,对资本主义社会的黑暗进行揭露与批判,对其独特的艺术成就有所论及。     

学生综合素质评估的层次贝叶斯网络聚类方法

针对学生综合素质评估特点和现有评估方法存在的问题,建立了学生综合素质评估的层次朴素贝叶斯网络聚类方法,这种方法不需要许多例子,甚至在没有例子的情况下也能够进行规则提炼和预测.实验结果显示,层次朴素贝叶斯网络聚类方法具有良好的预测准确性,这将使基于层次朴素贝叶斯网络聚类的学生综合素质评估更加可靠.     

基于双向情感分析的实时性音乐推荐系统设计

目前的音乐推荐系统,一般采用基于个体兴趣的推荐方法,这种方式虽然能满足大部分情景下的用户需求,但无法感知到用户实时性的心情变化。考虑到不同情绪状态下用户对于音乐的需求往往也会发生改变,提出一种基于双向情感分析的算法并构建了实际系统,实时分析用户的情感需求来进行音乐推荐。一方面基于音乐在频域的梅尔倒谱系数构建特征分类器完成歌曲的情感分类;另一方面通过获取用户在社交网络中的实时文本信息,基于自然语言理解分析出用户当前的情感需求,最终为用户产生音乐推荐列表,实现基于情境感知的实时音乐推荐。实验表明,使用该个性化推荐算法具有更高的准确性,用户群体可以获得更为满意的用户体验。     

多策略中文微博细粒度情绪分析研究

针对中文微博用户的情绪分析问题, 提出一种基于多策略融合的细粒度情绪分析方法。首先采用朴素贝叶斯算法对微博的有无情绪分类问题进行研究, 然后构建有情绪微博的21维特征向量, 最后采用SVM和KNN算法对微博进行细粒度情绪分析。以新浪微博作为实验对象, 结果表明多策略集成方法好于单一分类 算法。在多策略集成方法中, “NB+SVM”方法略优于“NB+KNN”方法。