基于word2vec的网站主题分类研究?

• 作者: 程元堃 程光 蒋言
• 来源期刊: 计算机与数字工程
• 学科: 工学
• 关键词: 网站分类 word2vec 词向量 DBSCAN 余弦相似度
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 信息处理与网络安全
• 页码范围: 169-173
• 页数: 5页
• 分类号: TP181
• 字数: 3757字
• 语种: 中文
• DOI: 10.3969/j.issn.1672-9722.2019.01.036

摘要

为了对网站主题高效的进行分类,建立一种基于word2vec的分类模型.针对预先定义的财经、娱乐、军事、科技、健康、体育、教育、社会共八个主题,首先通过word2vec训练得到包含语义的词向量.根据八个主题分别列举对应的特征词,将每个主题的特征词对应的词向量取平均作为该主题的中心词向量.对于待测网站文本,通过DBSCAN聚类提升文本的数据质量,计算文本与各主题的余弦相似度,取最大的作为该文本的所属主题.实验采用8000个文档进行测试,实验结果表明,利用该方法可以高效地对网页文本主题进行分类,有助于更好地了解人们的阅读偏好.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	程光	东南大学计算机科学与工程学院	59	1001	16.0	31.0
2	程元堃		2	11	2.0	2.0
6	蒋言		1	8	1.0	1.0