现货正版:机器学习理论与应用——基于云教育环境9787302514053清华大学出版社

基本信息

书名：机器学习理论与应用—基于云教育环境

定价：49.00元

作者：马长林,郑世珏,刘三女牙

出版社：清华大学出版社

出版日期：2019-06-01

ISBN：9787302514053

字数：286000

页码：178

版次：1

装帧：平装

开本：16

商品重量：0.4kg

编辑推荐

内容提要

本书在全面介绍机器学习、现代教育技术、智慧教育及云教育等基本概念知识的基础上，重点介绍了机器学习中基于主题模型的文本分类、观点挖掘、情感分析的具体建模方法和实现细节，并通过云教育平台主题模型可视化应用的实现过程来说明如何将主题模型应用于教育数据处理分析。读者可以通过阅读本书了解机器学习的相关概念、理论体系和应用方法，获取云教育这一全新教育信息概念的推广和应用，掌握将云教育与机器学习技术嫁接后多种形式的集成学习系统研究的方法和动向，更好地解决智慧学习模式中知识与技能的获取、优化和应用问题。

本书主要面向人工智能、机器学习、智慧教育、数据挖掘以及计算机相关应用等领域的研究生和相关领域的科技人员，可以供上述领域的研究者、学习者阅读，并为相关主管部门决策提供科学依据。

目录

作者介绍

文摘

第5章基于云模型和领域判别LDA模型

本章基于云模型和领域判别相关理论对标准LDA模型进行改进，提出情感云大熵LDA模型(Sentiment Cloud Mamum Entropy LDA Model，SC MaxEntLDA)和基于领域判别的LDA模型(Based ODomaiIdentificatioLDA Model，DILDA)，并用于细粒度的观点挖掘。

SC MaxEntLDA模型的相关思想主要体现在两个方面： 一方面，在LDA模型中加入大熵模型，充分利用词语相关信息，对文档中的词进行更的划分； 在主题层和单词层之间加入情感层，从而实现语料的情感极性分析； 另一方面，将云模型理论用于LDA大熵模型，对文档中的情感因素进行定性与定量转换建模，在此基础上进行情感校正，通过云模型相似度计算，实现对情感偏差的校正，有效提高观点挖掘的度。

DILDA模型的主要技术路线是在标准LDA模型的基础上加入情感层，并考虑到句子与句子之间的情感从属关系引入情感转移变量进行表征，通过引入领域层对文档进行领域区分，使用领域化的参数求解LDA模型具有更好的应用泛化性。

5.1云模型相关理论

由于互联网评论中不同的人对于同一事物的看法不尽相同，因此在观点挖掘中观点的不确定性也是需要考虑的问题之一。在处理不确定性问题上，模糊性和性是基本的要素，不确定理论也由来已久。

19世纪，产生了以牛顿理论为的确定性科学，按照牛顿力学的观点看来，整个宇宙是一个确定性的动力学系统，按照确定、有序的规律运动，只要知道运动的初始条件就能确定运动的走向，由此产生确定论，认为任何事物都是确定的，并不存在所谓的不确定性。在确定论的影响下，后来的很长一段时间内，人们都以确定性科学作为研究的基础。

但随着科学的发展，确定论的思想在很多研究领域中遇到了难以解释的问题，如分子热运动的研究等，于是玻尔兹曼和吉布斯等把性理论引入物理学，并据此建立了统计力学。统计力学指出，对于一个群体事物，能够用牛顿定理进行确定性描述的只有总体上的规律，而对于群体中的任何个体，是不能进行确定性描述的，只能给出个体行为的可能性，并且给出这种行为的概率。而之后量子力学的出现更加揭示了客观世界的不确定性，并不是因为人类知识的不完备所造成的过渡状态，而是自然界本质特性的客观反映。

客观世界具有不确定性，因此主观世界作为客观世界在人脑中的映射也应该具有不确定性，人类在认知过程中表现出的智能和认知也同样具有不确定性。人脑的思维不是纯数学的，自然语言才是思维的载体，因此在进行观点挖掘时不得不考虑自然语言的一些特性，其中就包括自然语言的模糊性和不确定性。例如，对于人们口中所说的“青年人”这个概念，不同的人会有不同的界定，有人认为20岁左右的人才算“青年人”，但对于年龄偏大的人们来说，可能30岁左右的人也是“青年人”。又如“好”与“坏”的概念，不同的人有不同的尺度和标准。

对于不确定性的研究，早的成熟方法是概率论，后来人们又从事件发生的必然性和偶然性出发，形成了概率论、过程和数理统计三大分支，再后来出现了模糊集合和粗糙集合的理论，提出了隶属度和上下近似集的思想，用来描述性和模糊性这两个不确定性的基本特征。

5.1.1云模型的定义

针对人工智能领域研究中的不确定性，我国工程院院士李德毅教授在概率论和模糊数学的基础上提出了云的概念，并用一种定性与定量双向转换的认知模型——云模型来描述概念的不确定性。

云模型的定义为： 设X是一个普通集合，称为论域，关于论域X中的模糊集合A，是指对于任意元素x都存在一个有稳定倾向的数μA(x)，称为x对A的隶属度； 如果论域中的元素是简单有序的，则X可以看作是基础变量，隶属度在X上的分布称为隶属云； 如果论域中的元素不是简单有序的，而根据某个法则f，可将X映射到另一个有序的论域X1上，X1中的一个且只有一个x1和x对应，则X1为基础变量，隶属度在X1上的分布称为隶属云。对于论域中的每一个x，称它为一个云滴。

5.1.2云模型的数字特征

云模型用云的三个数字特征——期望Ex、熵En和超熵He表示语言值的数学性质。

(1) 期望Ex。Ex表示云滴在论域空间分布的期望，在期望值附近的云滴被认为是分布密集且能够定性概念的样本。

(2) 熵En。熵En这一概念初起源于物理学，作为描述热力学的一个状态参量，此后在统计学中用来描述概念的不确定程度。在云模型中，熵是定性概念不确定性的度量，由概念的性和模糊性共同决定，熵越大，表示概念的不确定度越大。En既是定性概念性的度量，反映了定性概念的云滴的离散程度； 又是定性概念模糊性的度量，反映了在论域空间中云滴的取值范围。

(3) 超熵He。超熵He是熵的不确定性度量，是熵的熵，由熵的性和模糊性共同决定。熵的值反映了模型中每个云滴隶属这个语言值程度的凝聚性，超熵越大，表明云的离散程度越大，隶属度的性也越大。

Ex、En、He的计算公式为

Ex=1n∑ni=1，En=π2×1n∑ni=1|－|，

S2=1n－1∑ni=1(－Ex)2，He=S2－En2(5.1)

云模型的三个数字特征在高斯云期望曲线中的反映如图5.1所示。

图5.1高斯云期望曲线

5.1.3云模型的“3En规则”

李德毅等人提出，对于论域X中的定性概念，有贡献的定量值主要落在区间［Ex-3En，Ex+3En］上，甚至可以忽略这个区间之外的定量值对定性概念的贡献，这就是正态云的“3En规则”，是云模型研究中的一个重要概念。在区间［Ex-3En，Ex+3En］上的元素根据其概念的贡献度又可分为骨干元素、基本元素、外围元素和弱外围元素，参见表5.1。通过划分，可知不同区间上的云滴群对定性概念的贡献大小。“3En规则”也是在云模型研究中十分重要的一个规则，研究人员往往仅考虑在区间［Ex-3En，Ex+3En］内的云滴样本，因为它们是整个云中有性的样本。

表5.1各区间元素及贡献度

名称区间占总元素比/%概念贡献度/%

骨干元素［Ex-0.67En，Ex+0.67En］22.3350

基本元素［Ex-En，Ex+En］33.3368.26

外围元素［Ex-2En，Ex-En］，［Ex+En，Ex+2En］33.3327.18

弱外围元素［Ex-3En，Ex-2En］，［Ex+2En，Ex+3En］33.334.3

序言