《表3 英文数据集上不同算法抽取出的关键词》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合语义与图结构的短文本特征提取算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文将4种特征提取方法得到的特征词典在文本分类任务上进行对比，以此来验证本文方法得到的特征词典的准确性．以处理后的软件工程和通信安全为例，选取前10个词为例，如表2和表3给出了不同算法分别在中英文数据集上抽取出的特征词项．可以看出，KEGS方法得到的特征词典由于未考虑语义信息，效果较差，并不能代表短文本类别特征．KES方法和TK G2|W1|cc算法将词项表示为文本图形式但却都忽略了文档本身所携带的结构属性因素，得到的结果也有待提升．由此可以证明词项之间的语义信息与词语本身的属性特征均不容忽视．显然，本文算法充分考虑了词语间的隐含语义并综合考虑了文本图自身的结构特征，得到的结果相比之下更为合理．