主题分类

摘要： 基于2014-2021年中文核心期刊所发表的相关论文,在主题分类的基础上,对大学生就业质量研究进行述评。分析了该研究领域的主题分布,具体分析了大学生就业质量影响因素与提升路径、大学生就业质量评价等两个研究主题。建议加强对高等教育相关因素、就业质量政策因素的研究;加强分类评价,完善大学生就业质量内部与外部保障体系;拓宽大学生就业质量评价研究的理论视野。

摘要： 1.投稿要求(1)来稿必须是作者原创稿件,具有科学创新性或技术先进性,论点明确,数据可靠。稿件一般不超过6页(包括图、表)。要求:文题、作者姓名、作者单位及邮政编码、中文摘要、关键词(4~6个)、中国图书馆分类号(数学稿件注明美国主题分类号)、正文、参考文献、英文摘要和英文关键词。文稿首页页脚处注明投稿日期、通信作者简介(姓名、性别、学历、职称及主要研究方向,E-mail等),如论文受基金资助,请注明基金项目名称及批准号。(2)英文部分包括题目、作者姓名(汉语拼音)、作者单位译名、摘要(和中文摘要对应)、关键词等,并符合英语语法规范。

摘要： 基于用户的网络行为数据进行画像分析,有益于解决因海量信息导致的难以精准了解用户喜好及需求的问题。以用户在涉及眼科医疗领域的互联网浏览行为为分析对象,对用户阅读内容进行文本挖掘,通过词向量模型构建、特征选择、主题分类等环节,完成对阅读内容的画像构建。对用户不同网络行为进行挖掘分析,同时考虑用户兴趣的实时变化,将用户不同的网络行为映射为相应的权重,并通过衰减系数进行计算,完成对用户画像的动态刻画,从而最终得到完整准确的基于文本挖掘增强的画像系统。

摘要： 为主动预测DDoS攻击的趋势,基于黑客论坛的文本挖掘,从主题分类和情感分析的角度出发,对DDoS攻击的趋势进行时序建模.以黑客论坛的在线帖子文本数据作为研究对象,运用数据挖掘和机器学习的方法,构建文本主题分类模型和情感分析模型,并融合两者进行DDoS攻击预测.研究结果表明:与仅基于主题分类或仅基于情感分析的DDoS攻击预测模型相比,融合主题分类和情感分析的DDoS攻击预测模型具有更好的准确性.基于黑客论坛文本特征的DDoS攻击预测模型具有较好的预测效果,丰富了基于黑客这一新视角的DDoS攻击预测研究,为信息安全管理防御提供管理决策支持.

摘要： 一、研究设计(一)研究方法和分析对象。本文将采用内容分析法进行统计。(二)编码方案。1.研究主题。参考许教授根据《教育研究百科全书》和《教育心理学百科全书》总结形成的18个类别的教育研究主题分类,并结合期刊定位删减至17个类别。2.方法论取向。量化研究旨在检验变量间的关系以检验客观理论;质性研究基于建构主义知识观,旨在探索和理解个人或群体归因于社会或人类问题的含义;混合研究方法立足实用主义知识观,收集量化和质性数据,整合量化和质性研究方法。

摘要： [目的/意义]从中观视角进行技术预测,对于企业、行业和国家至关重要,建立一套适合方法很有必要。[方法/过程]本文综合应用专利引文网络社区甄别和文本挖掘方法,建立了兼顾网络连接性和孤立节点的最大分割主题分类方法,对技术创新社区进行侦测,并应用S-曲线模型对分离出来的创新社区进行发展趋势预测。[结果/结论]对杂交水稻育种创新领域的实证研究表明,研究提出的方法既丰富了技术预测理论和方法,也从中观视角给出了相关创新机构和国家层面的策略建议。

摘要： [目的/意义]从中观视角进行技术预测,对于企业、行业和国家至关重要,建立一套适合方法很有必要.[方法/过程]本文综合应用专利引文网络社区甄别和文本挖掘方法,建立了兼顾网络连接性和孤立节点的最大分割主题分类方法,对技术创新社区进行侦测,并应用S-曲线模型对分离出来的创新社区进行发展趋势预测.[结果/结论]对杂交水稻育种创新领域的实证研究表明,研究提出的方法既丰富了技术预测理论和方法,也从中观视角给出了相关创新机构和国家层面的策略建议.

摘要： 公益招贴的主题分类较为广泛,可分为保护类、权益类、安全类、健康类、建设类等,主要以图形设计的形式展示和张贴在社会民众所能看到的场所,不为谋取任何经济与利润,并通过某种看法和理念视觉意义上的传播来提高民众关注社会道德与社会行为,向人们灌输和培养合乎社会公益的准则、公共意识和人文的精神。

摘要： 习近平同志在上海工作期间对虹口文化的定位是:"虹口是海派文化的发祥地,先进文化的策源地,文化名人的集聚地。"虹口区辅导员中心组依托区域丰富文化资源,结合党史教育,开展"虹"文化行走活动。我们根据资源主题分类和区域分布,联接成为四条行走研学路线,队员根据不同学段具体要求,开展选择性必修走访学习,以增强青少年的爱国爱党意识,铸就理想信念,同时在学习过程中提升关键能力和必备品质。

摘要： 随着信息时代的飞速发展,由此也衍生出刷垃圾评论等黑色产业.随着机器学习技术的兴起,人们研究出许多有效的方法来识别垃圾评论.传统统计机器学习方法通过人工特征工程提取能够区分垃圾评论和正常评论的评论类别特征,往往需要花费大量的精力进行特征选择;而深度学习方法利用神经网络自动学习评论特征.但是受限于标记数据的获取困难,现有的深度学习模型仍然存在较为严重的过拟合问题,另外不考虑主题信息,直接对评论文本进行训练也使得模型学习困难,泛化能力较弱.针对上述问题,本文提出一种用于垃圾评论分类的融合主题信息的生成对抗网络模型Topic-SpamGAN(Topic-SpamGenera-tive Adversarial Network).为解决标记样本获取困难的问题,Topic-SpamGAN采用GAN拟合真实标记样本,提升分类器的训练效果;其次,Topic-SpamGAN使用强化学习帮助生成器训练,改善生成样本的质量;此外,Topic-SpamGAN在模型学习中引入主题信息增强生成文本的相关性,并通过主题信息引导模型进行分类学习,使模型学习更为稳定.旅馆数据集上的实验结果证明,Topic-SpamGAN能获得优于现有垃圾评论分类模型的性能.

摘要： 为了更加准确地分辨文本主题、过滤无关信息,在分析现有分类算法的基础上选取了SNOW作为基本主题分类算法,并提出了信息反馈和阈值过滤的策略以达到准确过滤无关信息的目的,提出了IG和CHI融合特征提取算法进一步提高系统的准确率。实验结果表明,采用信息反馈和阈值过滤以及融合特征提取的分类算法使系统更高效地实现了将相关信息准确地分类到其所属主题领域、过滤掉无关信息的双重功能。

摘要： 本文构建了数字档案馆研究主题分类表,包括13个一级主题类目和相应的二级主题类目.以此为基础,选择了自"数字档案馆"概念出现在学术文献以来(1998-2013)十五年间WOS(Web of Science)收录的661篇和CNKI收录的1631篇数字档案馆研究文献,从研究主题、研究方法及其发表来源对文献进行了计量分析与比较研究,发现:WOS收录文献更关注系统与软件设计开发、利用与服务、数字保存等主题,而CNKI收录文献更关注基本理论分析、战略规划、收集与归档研究;国内学者更多地讨论概念性新技术在数字档案馆发展中的应用趋势,而国外学者则更注重数字档案馆的实用技术;WOS与CNKI收录文献中用得最多的都是概念与理论分析研究方法,用得最少的都是实证研究方法,但是WOS收录文献中计算机与系统设计与开发、案例分析、实证研究方法的文献所占比重均高于CNKI收录文献;国外大部分研究成果发表在数字图书馆类的学术会议与期刊上,国内则主要发表在档案学专业期刊上.

摘要： 信息社会理论研究是当今图书馆和情报学的一个重要研究领域.本文通过搜集、整理美国图书馆和情报学界在2013年以来发表在具有代表性的5种学术期刊上的信息社会理论相关研究文献,利用二级主题分类体系展现了文献的分布情况,并逐领域介绍了研究进展情况,进一步分析了美国图情界近年来关于信息社会理论研究的框架和特点.本文所搜集的文献具有一定的代表性,对其研究进展的分析有利于国内学者系统了解美国图情界在信息社会理论领域的研究进展.

摘要： 研究生课程是研究生教育的基本单元,它直接影响着研究生的培养质量和知识结构,近十年来关于研究生课程研究的成果丰硕.本文通过对2007—2016年间在七种核心期刊上发表的相关文献进行检索梳理后,按研究主题将文献分成课程建设、课程设置、课程教学和课程评价四大类,并在对各主题进行述评的基础上对未来研究生课程研究进行了展望.

摘要： 研究生课程是研究生教育的基本单元,它直接影响着研究生的培养质量和知识结构,近十年来关于研究生课程研究的成果丰硕.本文通过对2007—2016年间在七种核心期刊上发表的相关文献进行检索梳理后,按研究主题将文献分成课程建设、课程设置、课程教学和课程评价四大类,并在对各主题进行述评的基础上对未来研究生课程研究进行了展望.

摘要： 研究生课程是研究生教育的基本单元,它直接影响着研究生的培养质量和知识结构,近十年来关于研究生课程研究的成果丰硕.本文通过对2007—2016年间在七种核心期刊上发表的相关文献进行检索梳理后,按研究主题将文献分成课程建设、课程设置、课程教学和课程评价四大类,并在对各主题进行述评的基础上对未来研究生课程研究进行了展望.

摘要： 本文以CNKI中国知网中2000年至2014年收录的有关移动出版和移动阅读的研究文献为研究对象,运用传统的文献统计方法,从论文数量、核心作者、作者合作、发文单位等多个角度分析移动出版与移动阅读的研究现状;通过研究主题的学科分类,论文的高频关键词、共词聚类,以及对基金支持的论文主题的分析,探讨移动阅读与移动出版研究重点和研究方向的变化.基于以上两个层面的分析,以期为以后的研究工作提供参考.

摘要： 本文以CNKI中国知网中2000年至2014年收录的有关移动出版和移动阅读的研究文献为研究对象,运用传统的文献统计方法,从论文数量、核心作者、作者合作、发文单位等多个角度分析移动出版与移动阅读的研究现状;通过研究主题的学科分类,论文的高频关键词、共词聚类,以及对基金支持的论文主题的分析,探讨移动阅读与移动出版研究重点和研究方向的变化.基于以上两个层面的分析,以期为以后的研究工作提供参考.

摘要： 本文以CNKI中国知网中2000年至2014年收录的有关移动出版和移动阅读的研究文献为研究对象,运用传统的文献统计方法,从论文数量、核心作者、作者合作、发文单位等多个角度分析移动出版与移动阅读的研究现状;通过研究主题的学科分类,论文的高频关键词、共词聚类,以及对基金支持的论文主题的分析,探讨移动阅读与移动出版研究重点和研究方向的变化.基于以上两个层面的分析,以期为以后的研究工作提供参考.

摘要： 本文以CNKI中国知网中2000年至2014年收录的有关移动出版和移动阅读的研究文献为研究对象,运用传统的文献统计方法,从论文数量、核心作者、作者合作、发文单位等多个角度分析移动出版与移动阅读的研究现状;通过研究主题的学科分类,论文的高频关键词、共词聚类,以及对基金支持的论文主题的分析,探讨移动阅读与移动出版研究重点和研究方向的变化.基于以上两个层面的分析,以期为以后的研究工作提供参考.

摘要： 本申请公开基于LDA主题模型的文本分类系统、方法和警情分类系统和方法，所述文本分类方法包括：采集待分类文本；对所述待分类文本分词，基于词袋模型，构件所述待分类文本的文本和文本中词的tf‑idf向量集；通过LSA算法，基于所述待分类文本的文本和文本中词的tf‑idf向量集，拟合LDA主题模型中文本、文本主题以及文本中词的两两相关的分布。

摘要： 本发明公开了一种基于主题模型的微博用户情绪层次化分类方法和分类系统，分类方法包括S1：获取微博内容并进行预处理得到待分类词语，其中，所述待分类词语为副词、动词和形容词之中的一种或多种；S2：对所述待分类词语进行特征降维；以及S3：对特征降维后的待分类词语按照层次分类模型进行微博内容的情绪分类，其中，所述层次分类模型中所有层的节点为代表某种情绪的词语。本发明具有如下优点：设计了层次分类框架，并根据微博博文短文本的结构特点，采用了LDA这种概率生成模型来刻画数据进而进行特征降维和抽取。符合文本特点的模块引用提高了分类的准确性，获得了较好的分类结果。

摘要： 本发明公开了一种基于主题模型和卷积神经网络的issue标签分类方法，包括以下步骤：1)数据收集：通过GitHub Archive获取需要的issue数据作为数据集；2)数据处理：对收集到的issue文本进行数据清洗；3)LDA提取主题与词语：对每个issue的文本进行LDA模型处理；4)自定义主题：自定义主题，并统计相应主题下的高频单词；5)主题融合：将LDA和自定义主题结合，构建主题单词词典；6)向量拼接：将词向量和主题向量拼接；7)数据再平衡：应用数据再平衡技术平衡训练集；8)模型训练：采用卷积神经网络对issue进行识别分类；本发明是一种基于主题模型和卷积神经网络的issue标签分类方法，实现了issue标签的自动分类识别。

摘要： 本发明公开了一种基于图神经网络主题模型的文本分类方法，包括：1、对文本进行预处理；2、将文本中的各个词表示成两种词向量形式；3、对用单词袋表示的词向量，使用神经主题模型(NVDM‑GSM)得到文本的主题分布和主题向量；4、对用Glove模型表示的词向量，以文本中的单词为结点构建图结构，对图的每个结点使用门控图神经网络来获取结点的邻接信息；5、对结点间使用注意力机制；6、利用Softmax分类器对训练后的文档图进行分类。本发明不仅考虑文档中的单词对上下文依赖的特点，还引入注意力机制来权衡不同单词的重要性，并用文档的主题分布和主题向量从全局的角度来指导注意力机制，从而更好的对文本进行分类。

摘要： 本发明涉及一种融合主题信息和词向量提取文本特征的新闻分类方法。本发明所述的一种融合主题信息和词向量提取文本特征的新闻分类方法包括：使用Word2vec和LDA模型分别在语料库中训练词向量，word2vec经过TF‑IDF进行加权所得的词向量与LDA训练的特征扩展模型进行拼接得到短文本表示模型，将短文本表示模型输入到BIGRU中提取文本深层次信息的特征向量，最后使用softmax函数得到文本分类结果。本发明所述的一种融合主题信息和词向量提取文本特征的新闻分类方法，在提取过程中加入了文本的主题信息，将主题信息和文本的词向量进行融合，能够尽可能获得文本主题特征，具有分类准确率高的优点。

摘要： 本发明公开一种融合知识图谱和主题模型的短文本分类方法，属于自然语言处理领域，通过对知识图谱和主题模型技术的融合，利用知识图谱获取外部知识，进行特征扩展，在不改变原文本语义的同时，能够有效地扩充短文本的特征内容；使用扩展后的文本数据训练主题模型，挖掘文本之间的语义关联并将其作为扩展特征，缓解同义词现象对文本分类任务带来的不准确性，最终使用支持向量机进行短文本的分类预测。

摘要： 本发明提出一种基于文本分类的主题网络爬虫方法，包括：S1、接收主题，初始化URL任务队列；S2、从URL任务队列取出一个爬虫任务，获取网络文档内容；S3、获取所述网络文档内容的分类；S4、判断所述分类与主题是否相同；如果相同，则提取所述网络文档中的URL，并将其加入URL任务队列；如果不相同，且URL任务队列中还有任务，则执行步骤S2；S5、循环执行步骤S2‑S4，直至URL任务队列中没有任务。通过本发明，使得分类模型能够学习到网络文本的特征，可以有效提升分类任务的分类准确度。

摘要： 本发明公开了一种基于医学主题词表增强表征的文本多标签分类方法，包括对标签进行增强表征的步骤：S1、将文献中的医学主题词表作为标签，并建立标签的正样本集合；S2、从所述正样本集合中提取关于标签的关键词信息；S3、从所述关键词信息中提取语义特征，得到所述关键词信息的向量表示，记为第一向量；S4、将标签转化为向量，记为第二向量；S5、连接所述第一向量和所述第二向量以对标签进行增强表征。

摘要： 本发明公开了基于多源域集成迁移学习的文本主题分类模型，由目标域数据模块、加标签模块、多源域标签判定的集成学习模块和正确数据模块组成。基于多源域集成迁移学习的文本主题分类模型的分类方法，首先对无类标数据用加标签模块进行分类；随后对带有标签的数据进行判定，选出三个分类器都分类正确的数据将其加入到目标域数据模块，将三个分类器都进行分类得到不同类型文本主题的带有伪标签的数据，选用一种类型的文本主题作为目标域数据，其他类型的文本主题作为源域数据加入到目标域数据中，并用Softmax分类器测试正确率。有效的避免了单源域迁移带来的负迁移现象，数据的组成来自于目标域的各个方面，能够更好的满足了数据的平衡。

摘要： 本发明一种基于Bert和残差自注意力机制的政务文件主题分类方法，包括政务文件原始特征抽取和选择、政务文件原始特征清洗和优化、文本预训练以及基于残差自注意力机制的主题标签分类，本发明针对政务数据多源异构的特点，提出了统一的特征抽取、异常处理和特征选择方法，设计了具有针对性的特征清洗和优化策略，构建基于Bert预训练模型和残差自注意力机制的文件主题分类模型，解决了传统文件主题分类方法效率低和缺乏自适应能力的问题，实验基于公开政务文件数据集，在面向多达70种主题标签分类的实际应用场景中，分类准确率高达96.72％。