一種基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的文本聚類算法在敏感客戶模型的應(yīng)用研究_第1頁
一種基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的文本聚類算法在敏感客戶模型的應(yīng)用研究_第2頁
一種基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的文本聚類算法在敏感客戶模型的應(yīng)用研究_第3頁
全文預(yù)覽已結(jié)束

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認(rèn)領(lǐng)

文檔簡介

卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）是一種前饋卷積神經(jīng)網(wǎng)絡(luò)主要由卷積層（ConvolutionalLayer）（ActivationLayer）、池化層（PoolingLayer）和全連接層（FullyConnectedLayer）組成。其中，卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心部分，通K-means算法作為劃分式聚類算法，將其與卷積神經(jīng)網(wǎng)絡(luò)Word2VecK-means本文使用的是公共數(shù)據(jù)集中的金融客戶數(shù)據(jù)集，其中包含了1萬條1000條客戶行為數(shù)據(jù)，同時對K-meansK-means著更好的準(zhǔn)確度和更快的速度。具體實驗指標(biāo)如下：對于樣本點1000個，K-means普通算法在200次迭代后，聚類準(zhǔn)確率僅有83.6%，而本文提出的算法在相同條件下，迭代次數(shù)減少至100次，聚類準(zhǔn)確率可達到92.5%2.3K-means算法的平均聚類時間為3.1秒。

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論