文摘
为了提高思想政治资源的分类效果的音频举办专业课程和提高思想政治课程资源的分类精度,本文提出了一种分类方法的意识形态和政治资源的广播和托管基于SOM神经网络专业课程。自适应滑动窗口互信息方法用于提取样本特征的意识形态和政治资源广播主持的专业课程。本文构造思想政治资源的分类模型的神经网络广播和主持专业课程通过很深的信仰,广播的意识形态和政治资源分类器设计和主持专业课程根据SOM神经网络,构造思想政治资源特征树广播主持的专业课程,并获得功能树的叶节点通过分层聚合算法。思想政治资源的类别广播主持的专业课程是通过使用合并处理方法,分类操作结果验证了BIC准则,集群的数量随着距离的最大增长,也就是说,集群的最终数字,计算和纳入分类器,SOM人工网络分类器的分类结果输出,实现思想政治资源的分类广播主持的专业课程。实验结果表明,该方法下,意识形态和政治资源分类的准确性的广播和举办专业的课程可以达到99.18%,和完整性高达99.58%,和F-measure值是有效的改善,这表明,该方法可以提高思想政治资源分类效果广播主持的专业课程。
1。介绍
与媒体整合逐渐进入深水区,广播的通信模式和托管行业已发展和升级,它提供了一个新的想法促进思想政治建设广播和主持艺术课程(1- - - - - -3]。近年来,随着中国经济和社会的不断发展和持续繁荣文化事业、广播和电视行业迎来了一个新的发展形势和巨大的发展空间4,5]。作为一个关键的职业在广播和电视行业,电视广播主持人的人才培养是对整个行业的发展具有重要意义。作为一个机构运输广播和主持艺术人才,电视广播和举办课程是广播和主持艺术专业的核心课程(6]。为了更好地实现当前社会发展的需要和行业的相关要求进步,我们应该高度重视广播举办课程的教学改革,不断促进电视广播和托管行业的更好发展。
相关学者进行了比较研究,取得了一些进展。兴等人提出了一种分类方法的意识形态和政治资源的广播和主持专业课程基于自适应多任务卷积神经网络(7),提取的特征的意识形态和政治资源的广播和托管由卷积神经网络专业课程,分组和排序思想政治课程资源的特点,通过决策树聚类,构造了一个自适应多任务卷积神经网络训练模型,和输入广播的意识形态和政治资源,举办专业课程培训模式,实现思想政治资源的分类广播主持的专业课程。该方法可以有效地提高思想政治资源的自动聚类广播主持的专业课程,但思想政治资源的分类和完整性差。王等人提出了一种文本分类方法的意识形态和政治资源的广播和主持专业课程基于神经网络(8]。广播的文本信息的意识形态和政治资源,举办专业课程是收集的机器视觉技术,广播的重要性评价的意识形态和政治资源,举办专业课程是根据层次分析法,实现思想政治资源和文本分类器设计是根据递归神经网络结构,利用自然语言处理技术来完成思想政治资源的分类数据集广播和举办的专业课程。实验结果表明,神经网络结构可以自动获取文本思想政治课程资源的特性,避免复杂的人工特征工程,并改善文本分类思想政治课程资源的作用,但思想政治课程资源的分类效率不好。吴等人提出了一种文本分类方法的意识形态和政治资源的广播和主持专业课程基于有效的利用神经网络(9]。思想政治资源的现有文本分类方法的广播和托管基于深度学习专业课程没有考虑文本功能的重要性和特征之间的相关性,从而影响分类的准确性。
针对上述问题,本文提出了一种分类方法的意识形态和政治资源的广播和托管基于SOM神经网络专业课程。最后,思想政治资源的分类方法的性能通过实验验证了模型的广播主持的专业课程,并总结全文。
2。特征提取和资源分类
2.1。特征提取的意识形态和政治资源广播主持的专业课程
文本向量通过传统的文本表示方法通常过高的问题维度和非常稀疏,这将大大影响思想政治资源的性能分类广播主持的专业课程。因此,有必要使用特征选择删除冗余功能,屏幕代表重要的功能,以更好地代表文本,和提高分类效果10]。特征项在文本表示的数量决定了输入向量的维数。特性,更准确的文本可以表示,分类的准确性就越高。然而,在处理大规模文本数据,由于过度的特征项的数量和低相关性、文本表示的方向高纬度和强劲的稀疏的缺点,和计算的时间成本也增加,从而影响分类效率。因此,为了避免维度灾难,提高计算效率,有必要采用自适应滑动窗口互信息方法提取特征的意识形态和政治资源广播主持的专业课程。主要选择重量特性项目和计算功能。目的是选择文本中的重要功能,减少向量维度,达到减少计算量的目的,提高准确性。一般来说,有四种方法:(1)最初的功能映射或转换获得更少的新特性。(2)选择重要的功能直接从原始特征。(3)基于专家知识的选择具有代表性的特征。(4)选择数学特性。
具体过程如下:
在意识形态和政治资源的应用广播主持的专业课程,教学过程时间的增加,资源数据显示增量发展趋势。提取的特征的过程中思想政治广播和托管资源专业课程,我们应该考虑新的数据和历史数据的同时,实现特征提取基于全球视角,并避免忽略了隐藏信息中包含的资源(11]。
自适应滑动窗口互信息方法用于处理历史数据和增量数据广播的意识形态和政治资源,举办专业课程,从而实现思想政治资源的特征提取广播主持的专业课程。
矩阵 代表原始窗口数据,矩阵 代表了增量数据窗口。所有数据中包含的意识形态和政治资源广播和托管由专业课程 ; 和 ,分别代表原始的互信息矩阵窗口的数据和新窗口数据广播的意识形态和政治资源,举办专业课程;代表思想政治资源的互信息矩阵的样本所有广播和主持专业课程(12]。
根据资源的定义样本互信息,互信息矩阵的表达式如下:
对角化的过程使用单位矩阵来表示 ,和资源样本特征分解公式如下:
使用空间形成的年代得到的投影D ,公式如下:
特征分解公式如下:
通过上述过程,我们可以得到的分解结果特征的意识形态和政治资源的广播和举办专业课程(14- - - - - -16]。
根据公式(2):
在公式(7), 和 ,分别代表了第一个组成的矩阵主成分决策矩阵的特征值和原始广播的意识形态和政治资源,举办专业课程。
通过以上过程,特征值和特征向量和 , 互信息矩阵的新窗口的数据。
获得思想政治资源的特征值的样本所有广播和主持专业课程根据特征向量和特征值17]。公式如下:
在公式(8),代表了历史的意识形态和政治资源的示例数据广播和主持专业课程;代表思想政治资源的示例数据的新添加的广播和主持专业课程(18]。
的意识形态和政治资源提取模型广播主持专业课程
减少决策资源的维主成分矩阵建立的广播资源,然后实现主成分的映射矩阵建立的广播资源(19]。随后窗口重复上述过程提取样本特征的意识形态和政治资源的广播和举办的专业课程。
2.2。分类模型的意识形态和政治资源广播主持的专业课程
深度信念神经网络技术共同构建的多层神经网络显示层和隐藏层。通过体重各级神经元之间的处理和计算,对现有的数据样本,最大程度的预测和数据恢复完成后根据深度计算方法。这项技术叫做DBN。深度信念可以使用神经网络领域的监督学习和无监督学习。由于技术的特殊性,应用领域扩大(20.- - - - - -22]。思想政治资源的分类模型的广播和主持专业课程设计在本文中,首先,深层信念神经网络计算的无监督学习特征提取和训练思想政治广播和托管资源领域的专业课程,需要分类。然后,监督神经网络用于构建网络思想政治资源数据收集的广播和主持专业课程。最后,构造数据样本是通过联合微调实现全局优化的目的分析(23]。深度信念神经网络模型的结构图如图1。
归一化公式如下: 在哪里代表的网络层数,其值范围是1,2,3,4,5;代表节点的数目,它的值范围是1,2,3,4,5,6,7,8,9。
然后,深层信念神经网络技术被称为学习和训练有效的数据样本。根据所需的基本类型的分类,计算维度(统称为步长)的意识形态和政治资源的分类示例数据广播主持的专业课程。范围是0∼1的值。的步长计算公式如下: 在哪里和 ,分别代表的数量预测神经网络输出的数据和样本数据的数量24]。
神经网络的神经元结构如图2。
培训过程的意识形态和政治资源的分类示例数据广播主持的专业课程,有必要计算任何节点的输入和输出值的显示层(25),两个计算公式如下:
其中,公式(12)代表输出节点的计算公式和公式(13)代表输入节点的计算公式。代表的输出 - - - - - -th显示层的节点;代表隐藏层的输出;代表之间的连接权重隐藏层节点和th显示层的节点;代表之间的连接权重 - - - - - -的th节点隐藏层和显示层的节点;代表的门槛 - - - - - -th隐层节点;显示的门槛 - - - - - -th层的节点;代表 - - - - - -函数类型。
培训和学习后的样品上面的深层信念神经网络(26),然后计算输出的预测值之间的误差数据样本和预期的输出值。期望输出值计算公式如下:
的反向误差两种计算如下:
隐藏层的连接权值和补偿和可见层节点内部的深层信念神经网络节点将调整,根据上述公式计算无限循环。后的误差预报值与期望值之间的意识形态和政治资源的示例数据广播主持的专业课程符合规定,广播的意识形态和政治资源分类模型和主持专业课程将输出结果和结束广播的意识形态和政治资源分类和主持专业课程。
3所示。SOM人工广播的网络分类器构建思想政治资源,举办专业课程
人工神经网络有许多应用程序的优势;单神经元或连接网络上的整体功能的影响不大。在神经网络中,信息的存储和处理相结合,是分布在几乎整个网络的信息。所以,当一个或多个点被破坏,仍然可以被访问的信息。系统可以正常工作时受当地的损害。然而,人工神经网络的独立应用程序不能自动识别数据的特点,因此自组织映射神经网络的出现。SOM是一种无监督人工神经网络。无监督意味着不需要显示网络的输出是正确的或错误的,它可以自动识别和分类的某些特性输入数据。因为通常是高维输入数据和输出数据低维,它可以代表了高维数据在低维空间。
SOM人工网络捕捉本地通过卷积层和池层特性。在文本任务中,地方特色指的是多个单词组成的滑动窗口。TextCNN可以提取不同大小的地方特色设置大小不一的卷积核,然后过滤和合并这些获得不同抽象层次的语义信息,从而使网络模型得到的特征向量更多样化。
它主要由输入层、卷积层、汇聚层,连接层。(1)输入层:首先,文本数据转换成计算机可以理解的向量表示,通常一个 矩阵,表示句子的长度和代表词向量的维数。将矩阵输入人工SOM网络模型。(2)卷积层:不同的形象,为了不单独的词向量和失去这个词的语义信息矢量,卷积核心只有上下运动。卷积核的宽度是一致的词向量的维数,设置 ,和高度,一个超级参数,可以进行调整,以获得不同的地方特色。(3)池层:减少特征的维数从卷积中提取层,获得文本的关键特性,降低计算复杂度,加快模型的收敛速度,并防止过度拟合。(4)完整的连接层:保险丝的功能通过卷积层和汇聚层,使用softmax作为分类器输出每个类别对应于每个文本的概率,根据概率和分类文本。
3.1。SOM人工网络分类器的基本结构
SOM人工网络分类器是一种算法,模拟人类大脑的结构和功能。它是由输入层、隐层和输出层。SOM人工网络分类器主要是通过两个过程:信号正向传播和误差反向传播。在信号正向传播阶段,输入信号通过输入层,然后由隐层处理,最后到达输出层和输出结果。这个时候,计算输出之间的误差值和预期的输出结果,并判断误差值小于设定阈值。如果误差值小于阈值,输出结果是可取的。如果误差值大于阈值,进入误差的反向传播阶段。在误差反向传播阶段,错误传播在某种形式的输入层,和连接重量不断根据误差调整。经过反复训练,输出结果保持接近预期的结果。
分类器基于SOM人工网络的建设主要包括三个步骤,如图3。
3.2。SOM人工网络训练过程
步骤1。SOM神经网络的初始化参数。
步骤2。意识形态和政治资源的数据输入层广播主持的专业课程。
步骤3。计算隐层的意识形态和政治资源数据广播主持的专业课程。计算公式如下: 在哪里是输入向量;是输入层和隐层之间的连接权;是隐藏层阈值,和隐层输出是什么 ; 隐层节点的数量;的激发函数隐藏层。
步骤4。输入计算结果的隐层到输出层。输出层的计算公式如下: 在哪里是连接权重,是阈值,SOM人工网络输出层的输出。
第5步。误差计算。计算公式如下:
步骤6。重量更新。更新网络连接权重和根据网络预测误差 。 在哪里是学习速率。
步骤7。阈值更新。更新网络节点的阈值和根据网络预测误差 。
步骤8。判断算法迭代结束了。如果没有,返回步骤2。
3.3。两步聚类方法对思想政治资源广播主持的专业课程
两步聚类方法是一个高度综合的层次聚类算法,可实现连续变量和离散变量的同时操作。时具有较高的有效性应用于思想政治资源的示例处理广播主持的专业课程。两步聚类算法主要包括两个部分:构建功能树和分层聚合算法。
3.3.1。构建功能树
提取的特征的意识形态和政治资源广播主持的专业课程是用来构造特征树。扫描所有样本数据特征的意识形态和政治资源的广播和主持专业课程设置固定的序列,确定数据类别,不同类别中心扫描后,广播和分裂的意识形态和政治资源,举办专业课程是根据固定的标准分为不同的类别。上述过程是建立功能树的过程。构造特征树使用的根叶节点存储和广播测量思想政治资源的专业课程,并反映在叶节点包含的变量信息。现有的节点和随后的观察比较相似的措施。当比较的结果是相似的,类似的观察样本添加到现有的节点。当比较结果不相似,功能树中建立一个新节点,直到比较思想政治资源数据的广播和主持专业课程完成实现功能树的结构。
3.3.2。功能节点分组
选择叶子节点特征由分组分层聚合算法。算法的操作过程如下。
实现连续变量测量的平方根欧几里得距离平方。欧氏距离度量公式如下:
连续变量的处理和分类变量实现的可能性记录距离,这是基于距离的获得的概率值。的对数可能性降低当不同类别合并为同一类别,不同类别之间的距离变化。
连续变量和分类变量应当符合正态分布和多项式分布对数可能性的过程中操作。应用对数可能性时距离思想政治资源的组合和分类广播主持的专业课程,设置不同的变量为独立国家。
定义的距离 之间的类别和类别如下:
在公式(11), 代表了一类通过合并处理。
使用上面的分类操作结果BIC准则的过程,分类获得最初估计的数量。集群的数量增长最大的距离,也就是说,最终集群的数量,是最相似的两个物种之间的比例在初始分类。
集群的数量表示 ,和最终的合并分类的计算公式如下:
在上面的公式中,和 ,分别代表连续变量的总数量和总数量的观察和测量在合并和分类的过程中,代表叶节点的数量,和 ,分别代表了 - - - - - -th数量可变的合并和分类的意识形态和政治资源的广播和主持专业课程分类,所有分类变量的总数用于合并和分类的过程,从而实现思想政治资源分类方法的广播和托管基于SOM神经网络专业课程。
4所示。实验
4.1。实验数据集
实验是进行三个广泛使用公共文本数据集,包括R8, R52和TREC。
R8和R52是两个多级和multilabel数据集的子集路透社- 21578。其中,R8 5485数据集分为训练文档,2189测试文档,和8标签,而R52数据集包含52标签,分为6532培训文档和2568测试文档。
它分为545测试实体(缩写为“TREC”),分为6个测试数据集(缩写为“TREC”)和6测试数据集。
首先,所有的数据集被清洗和预处理标记文本,然后nltk6中定义的停止词和低频词出现在R8少于5次,R52和TREC删除。预处理的数据集的统计结果如表所示1。
参数设置:dcgcn, 256 -维字嵌入算法。考虑到模型的鲁棒性在长文本和短的文本数据,窗口大小设置为20,学习速度设置为0.05,和辍学设置为0.6,0.55,和0.8 R8, R52和TREC分别。实验数据集而言,随机选择10%的训练集,验证集和最大培训一批模型设置为1800。为了防止过度拟合问题,并获得更好的推广效果,早期停止方法。如果损失模型的验证集不减少20个连续批次,模型将提前终止培训。
4.2。聚类处理的意识形态和政治资源的广播和主持专业课程
后的设计思想政治资源的分类方法的广播和主持专业课程完成后,需要进行实验以证明其可行性。考虑到本文的研究内容主要是针对思想政治资源的分类广播主持的专业课程,电影镜头选择网站作为数据收集中心收集1650思想政治资源的得分信息广播主持的专业课程850用户的网站,它可以用作实验所需的数据集。
广播的分类方法的意识形态和政治资源,举办专业课程主要基于SOM神经网络建立用户的选择的概率预测模型的资源。因此,在实验中,实验数据集的评分信息统计,统计结果的意识形态和政治资源的分类时间如图广播主持的专业课程4从项目的角度。
根据数据统计结果如图4,画出相应的社区网络,并将其在SQL Server数据库的实验基础资源分类方法。
的方法收集的广播资源主要的意识形态和政治科学在大学用于主机实验,和广播资源的主要意识形态和政治科学的收集和验证。
设置广播的意识形态和政治资源,举办专业课程测试变量,并使用BIC确定最佳分类结果。BIC的自动聚类结果如表所示2。
一般来说,越小BIC值获得的聚类算法,聚类算法的聚类性能越好,生成的聚类数据的质量就越高。从表可以看出2集群的数量增加时,BIC价值得到减少。因此,有必要测量距离测量比和BIC变化率确定最佳数量的集群。当集群测量比例高和BIC的变化率也高,集群方案是最好的。表1获得的实验结果表明,当集群类别4,集群集群是最高,获得的测量比和BIC的变化率是最高的。因此,广播的意识形态和政治资源,举办专业课程分为四类。
4.3。实验结果
4.3.1。分类序列比较
为了获得分类方法设计的应用程序的性能,用户和50资源分类随机选择资源分类实验。所选资源分类和资源秩序保持不变。本文提出的分类方法应用于分类的资源给用户。此外,基于自适应多任务卷积神经网络分类方法和基于高效的神经网络分类方法用于获得资源分类的结果。资源分类的结果并给出了三种方法的形式分类序列形成的对比图分类序列如图5。(一)本文的设计方法。(b)自适应多任务卷积神经网络的分类方法。(c)基于高效的神经网络的分类方法。
(一)
(b)
(c)
资源分类的原理图序列,纵轴是由0和1组成的。0表示资源分类和1表明,资源已经被分类。如图5,只有一个不准确的分类示例中的数据资源在研究方法、和其他资源数据已经完成了准确的分类。相反,当基于自适应多任务卷积神经网络分类方法和分类方法使用基于高效的神经网络,有更多的不准确和不保密的资源数据。分类结果的对比中,我们可以看到,有一些差异分类序列生成的三种方法,表明资源分类性能不同的方法是不同的。
4.3.2。F-Measure值比较
资源分类,通过深入分析可以发现,这个问题的解决方案包括分类和非保密,和分类包括两个结果:准确分类和不正确的分类。分类方法的性能分析过程中,F-measure值选为分类方法的性能评价指标在这个实验中,及其计算公式
的公式,代表着速度和准确性代表了召回率。根据F-measure值的计算结果,计算值越高,该方法的分类质量越高。
为了准确地显示方法的优点提出了本文的推荐六组实验采用三种方法进行。资源分类的数量设置为50,100年,200年,300年,500年和1000年,分别。根据分类结果,对比图如图F-measure价值观的不同的方法6是获得。
根据图6,平均F-measure价值资源的分类方法设计在本文0.92中,而其他两种分类方法的平均F-measure值是0.51和0.59,分别。总之,思想政治资源分类方法的广播和主持专业课程基于SOM神经网络F-measure值增加了41%和33%。使用资源分类方法提出了可以更好的把握和实现资源分类方法,提高资源分类的影响。
4.3.3。意识形态和政治资源的分类和性能广播主持的专业课程
这两个指标的完整性和准确性是用来评估思想政治资源的分类效果广播主持的专业课程。具体结果如表所示3- - - - - -5。
通过分析上述实验结果,可以看出,意识形态和政治资源分类的准确性和完整性的广播和主持专业课程采用自适应多任务卷积神经网络分类方法是最高,72.10%和65.52%,分别;分类思想政治资源的准确性和完整性的广播和举办专业课程采用高效的神经网络方法分别是69.13%和70.21%,分别。使用这种方法,分类的准确性和完整性的意识形态和政治资源的广播和主持专业课程均高于98%。上述结果表明,该方法可以有效地提高分类精度的意识形态和政治资源的广播和托管课程和具有较高的适用性。
根据这个实验,只有一个不准确的分类示例中的数据资源在研究方法,这表明该方法具有准确的理想功能分类的资源数据。F-measure平均价值的资源分类方法设计在本文0.92中,精度和召回率高于98%,这表明,广播的意识形态和政治资源分类方法和主持专业课程基于SOM神经网络有效地提高资源分类的影响。
5。结论
本文研究的分类思想政治资源广播主持的专业课程。自适应滑动窗口互信息方法用于提取样本特征的意识形态和政治资源广播主持的专业课程。构建思想政治资源分类模型的神经网络广播和主持专业课程通过很深的信仰,广播的意识形态和政治资源分类器设计和主持专业课程根据SOM神经网络,构建思想政治资源特征树广播主持的专业课程,获得功能树的叶节点通过分层聚合算法,获得思想政治资源类别的广播和举办专业课程通过合并处理方法,和输出SOM人工网络分类器的分类结果,实现思想政治资源的分类广播主持的专业课程。实验结果表明,意识形态和政治资源分类的准确性和完整性的广播和主持专业课程采用这个方法分别是99.18%和99.58%,分别。这种方法提高了F-measure价值的41%和33%。使用资源分类方法在这篇文章中,我们可以更好的把握和实现资源分类方法,提高资源分类的影响。
数据可用性
原始数据支持了本文的结论可以从作者获得。
的利益冲突
作者宣称没有利益冲突的这方面的工作。
确认
这项工作是由2021年河南省高等教育教学改革研究与实践项目”建设和实践广播主机创建混合教学模式的面向应用的本科大学的思想政治教育课程”。