话题跟踪中静态和动态话题模型的核捕捉衰减(8)

3.1 基于词包的增量式学习

(1) 基本的增量式学习算法

基于增量式学习(incremental learning,简称位IL)的跟踪系统往往将话题描述为向量空间模型,特征选择与权重估算与第2.1节给出基本静态话题模型类似.区别是,当跟踪过程开始后,系统从时序新闻流中每检测到一篇相关报道,增量式学习机制都将对话题模型进行更新.更新过程则根据特征在所有已检相关报道(包括最新检测到的相关报道)和初始话题样本(Nt=4)中的分布,重新估算特征的权重,如公式(1),并进行重排序;然后抽取nt (nt=50)个权重最高的新特征重构话题模型.

增量式学习的理论依据是:随着学习过程不断利用新检测到的相关报道更新特征权重,后期相关报道中权重较高的特征将有机会融入话题模型.尤其是,当论述新颖事件的相关报道得以充分积累时,初始描述种子事件

搜索“diyifanwen.net”或“第一范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，第一范文网，提供最新人文社科话题跟踪中静态和动态话题模型的核捕捉衰减(8)全文阅读和word下载服务。