基于LDA主题相似度的SVM迁移学习

• 作者: 唐亚 白治江
• 来源期刊: 信息技术与网络安全
• 学科: 工学
• 关键词: 迁移学习 LDA 信息熵 分类 支持向量机
• 年，卷（期）: 2017,（22）
• 所属期刊栏目: 人工智能
• 页码范围: 62-65
• 页数: 4页
• 分类号: TP31
• 字数: 3914字
• 语种: 中文
• DOI: 10.19358/j.issn.1674-7720.2017.22.017

摘要

针对文本分类领域中的迁移学习方法,提出了一种基于LDA(Latent Dirichlet Allocation)主题生成模型相似度的支持向量机(SVM)迁移学习新思路.基于此思想,提出了迁移学习算法LDA-TSVM.本算法通过对目标域的主题进行分类,依据主题分类信息熵对训练数据进行筛选,分别计算每个训练样本的权重,使得训练集与目标集有很高的相似度,从而达到迁移学习的目的.本算法不仅未引入辅助集,而且还考虑了样本本身的差异,有效地提高了源域数据集与目标域数据集的相似性.实验结果表明了新迁移算法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	白治江	上海海事大学信息工程学院	16	86	5.0	9.0
2	唐亚	上海海事大学信息工程学院	1	0	0.0	0.0