论文部分内容阅读
在实际应用环境不存在人工标注样本的情况下,研究了如何解决贝叶斯推理的“冷启动”难题,即如何单纯利用大量未标注样本进行贝叶斯初始模型构建以及模型的增量学习,提出了聚类引导式的增量贝叶斯推理思路。首先,对现有样本进行聚类分析,选取那些聚类结果好的样本子集构建训练集,聚类簇标识就是样本的标注;然后,基于这些“准标注样本”再进行增量朴素贝叶斯模型的学习和更新;最后,基于UCI标准数据集展开了相关实验。实验结果表明,聚类引导式的增量贝叶斯推理算法和增量学习算法性能相当,并且无需人工标注样本,因此该算法的适用性更强。