基于选择迁移的baggi ng文本分类算法

摘要：

针对目标域训练样本数量较少无法建立优质分类模型的问题，提出一种在迁移框架下基于集成bagging算法的跨领域分类方法。引入源域的数据并对其进行筛选，对混合数据集进行学习，建立基于集成bagging算法的分类模型，投票得出预测结果。仿真对比结果表明，采用基于贝叶斯个体分类器的集成bagging算法能够优化源域的迁移，提升目标域的分类准确率及泛化性能。分析源域的噪音数据数量，其结果表明，该算法可以部分规避负迁移。

关键词：文本分类、选择、迁移学习、集成bagging算法、负迁移

分类号：TP391(计算技术、计算机技术)

在线出版日期：2015-08-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1808-1812