基于GA-IPSO-BSVM算法的新浪微博评论信息分类

摘要：

针对新浪微博评论信息准确分类问题,本文基于遗传算法(genetic algorithm,GA)、粒子群算法(particle swarm optimization,PSO)和支持向量机(support vector machine,SVM)算法,提出一种改进 GA-IPSO-BSVM(genetic algorithm-improved particle swarm optimization-balanced support vector machine)的分类模型,以实现提升新浪微博评论信息分类的准确性和收敛性.首先,为了有效提升算法的收敛速度,并高效节省计算资源,该模型在迭代前期引入GA的淘汰机制,删除大量低速粒子.其次,在迭代中期,为了避免算法陷入局部最优解,改进PSO中粒子关系的拓扑结构,采用K均值聚类(K-means)算法对粒子群进行聚类分区,将各粒子群体在所属社区中进行粒子群迭代,选出各个区域中优秀粒子.再次,在迭代后期,将所有区域优秀粒子组合成优秀粒子群体,并将该群体进行迭代,得出全局最优解.从次,结合GA和IPSO对BSVM进行超参数优化,提升分类准确率.最后,利用所提出的GA-IPSO-BSVM模型对于新浪微博评论信息进行分类预测验证.经实验结果表明,该分类模型应用于新浪微博信息分类的准确度优于其他基准模型.

关键词：新浪微博、信息分类、支持向量机(SVM)、粒子群算法、遗传算法

所属期刊栏目：31

分类号：TP391.41;S;TS2

资助基金：湖北省重大项目;江汉大学博士启动基金;江汉大学校级科研项目;江汉大学省级大学生创新训练项目

在线出版日期：2022-08-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：169-175