刻板印象挖掘中的关键技术

第1章 刻板印象挖掘 1 1.1 网络媒体影响力 1 1.2 刻板印象挖掘过程 3 1.2.1 连续属性值离散化算法 4 1.2.2 特征选择算法 9 本章小结 15 第2章 基于UMDA的离散化技术 16 2.1 连续属性值离散化模型 16 2.1.1 离散化问题描述 17 2.1.2 离散化算法分类 18 2.1.3 离散化步骤及评价指标 19 2.2 基于UMDA的离散化算法 20 2.2.1 候选断点的产生 20 2.2.2 UMDA算法 21 2.2.3 基于UMDA的离散化算法 24 2.3 实验结果 25 2.3.1 实验数据 26 2.3.2 评价指标 26 2.3.3 参数对算法性能的影响 27 2.3.4 适应度函数对算法性能的影响 27 2.3.5 实验结果及分析 29 本章小结 35 第3章 基于改进二进制粒子群优化算法的特征选择技术 37 3.1 特征选择模型 37 3.2 粒子群优化算法 39 3.3 多进化策略二进制粒子群优化算法(MBPSO)和多进化策略变异 ?二进制粒子群优化算法(M2BPSO) 41 3.3.1 MBPSO算法描述 42 3.3.2 M2BPSO算法描述 44 3.4 基于改进BPSO算法的特征选择方法 45 3.4.1 个体编码 45 3.4.2 适应度函数(FF)设计 45 3.4.3 算法描述 46 3.5 实验结果 47 3.5.1 改进BPSO算法有效性测试 47 3.5.2 特征选择实验数据 59 3.5.3 参数对算法性能的影响 59 3.5.4 实验结果及分析 61 本章小结 65 第4章 基于多种群单变量边缘分布估计算法的特征选择技术 66 4.1 MUMDA模型 67 4.1.1 单变量边缘分布估计算法 67 4.1.2 改进的UMDA 67 4.1.3 支持向量机 69 4.1.4 基于MUMDA和SVM的封装算法 70 4.2 实验结果 70 4.2.1 MUMDA有效性测试 70 4.2.2 特征选择实验数据 72 4.2.3 实验结果及分析 73 本章小结 79 第5章 基于粗糙集和改进UMDA的混合特征选择方法 81 5.1 RSTIUMDA模型 81 5.1.1 粗糙集理论(RST) 82 5.1.2 IUMDA 84 5.1.3 RSTIUMDA算法描述 84 5.2 编码问题的研究 86 5.3 实验结果 86 5.3.1 IUMDA有效性测试 86 5.3.2 特征选择实验数据 87 5.3.3 实验结果及分析 87 本章小结 93 参考文献 94