BoosTexter公司

BoosTexter:一个基于boosting的文本分类系统。这项工作的重点是学习的算法,以执行多类文本和语音分类任务。我们的方法基于一个新的和改进的boosting算法家族。我们详细描述了一个称为BoosTexter的实现,它是用于文本分类任务的新boosting算法。我们给出的结果比较了BoosTexter和其他一些文本分类算法在各种任务上的性能。最后,我们描述了我们的系统在无限制的口头客户响应中自动识别呼叫类型的应用。


zbMATH参考文献(70篇文章引用)

显示第1到第20个结果,共70个。
按年份排序(引用)
  1. 谭志浩;谭志浩;蒋、袁;周志华:多标签最优利润分配机(2020)
  2. 吴国强;郑若兵;田英杰;刘大连:联合排序支持向量机和鲁棒低秩学习的二元相关多标签分类(2020)
  3. 黄,明;庄,福珍;张,肖;敖,香;牛,郑宇;张敏玲;何,清:多标签分类的监督表征学习(2019)
  4. Ma,Jianghong;Chow,Tommy W.S.:标签特定特征选择和缺失标签多标签分类的两级标签恢复(2019)
  5. 张凤仪;廖志高;胡洪平:多输入Hamacher-ANFIS集成模型在股价预测中的应用(2019)
  6. Ma,Jianghong;Chow,Tommy W.S.:带缺失标签的半监督多标签学习的鲁棒非负稀疏图(2018)
  7. Li,Qian;Li,Gang;Niu,Wenjia;Cao,Yanan;Chang,Liang;Tan,Jianlong;Guo,Li:用Wiener过程过采样促进不平衡数据学习(2017)
  8. 吴玉平;林,田萱:成本敏感多标签分类的渐进随机(k)标签集(2017)
  9. Díez,Jorge;del Coz,Juan José;Luaces,Oscar;Bahamonde,Antonio:在多标签分类中使用张量积检测无条件标签依赖(2016)
  10. Li,Hua;Li,Deyu;翟彦辉;Wang,Suge;Zhang,Jing:一种基于粗糙集理论的多标签数据属性约简方法(2016)
  11. 孟军;韦克萨,贾尔三彦达;石,关丽;栾玉石:基于数据融合和功能相关性的蛋白质功能预测(2016)
  12. 徐建华:带随机块坐标下降法的多标签拉格朗日支持向量机(2016)
  13. Masnadi Shirazi,Hamed;Vasconcelos,Nuno:利润损失作为概率估计的正则化因子的观点(2015)
  14. Najmi,Erfan;Hashmi,Khayyam;Malik,Zaki;Rezgui,Abdelmounaam;Khan,Habib Ullah:CAPRA:利用客户评论进行产品排名的综合方法(2015年)ioport公司
  15. Streich,Andreas P.;Buhmann,Joachim M.:多标签数据估计量的渐近分析(2015)
  16. 苏宏宇;鲁苏,朱浩:基于随机图集合的多标签分类(2015)
  17. Zimek,Arthur;Vreeken,Jilles:盲人和大象:从聚类和模式挖掘角度解决数据中的多个真相问题(2015)
  18. Chekina,Lena;Gutfrend,Dan;Kontorovich,Aryeh;Rokach,Lior;Shapira,Bracha:利用标签依赖性提高样本复杂性(2013年)
  19. 高伟;周志华:论多标签学习的一致性(2013)
  20. 刘华文;郑中龙;赵建民;叶荣华:高维多标签数据的集成方法(2013)