基于GBDT和双层漂移检测的用户评论分类算法
章涂义
刘三民
安徽工程大学 计算机与信息学院,安徽 芜湖 241000
摘要：为应对用户评论数据流中的概念漂移问题并提高算法的准确率,提出基于梯度提升决策树(gradient boosted decision tree,GBDT)和双层漂移检测(GBDT with double-layer drift detection,GBDT-D3)的用户评论分类算法.首先,通过计算GBDT算法中的损失改进比率快速检测潜在漂移.接着,在漂移警告基础上监测数据块中样本质心的移动情况,以精确验证漂移.然后,通过双层漂移检测机制降低用户评论数据流中的漂移误报与漏报,同时增强对动态文本数据流的分类.最后,根据双层漂移检测报告更新GBDT算法,提升分类算法的稳定性.在 7 个真实用户兴趣漂移文本数据集上开展实验,结果表明GBDT-D3 算法在分类准确性和性能稳定性方面明显优于传统在线集成学习算法.GBDT-D3 算法能够高效识别用户评论数据流中的概念漂移并增强分类精度,为动态文本数据流的分类任务提供了有效解决方案.
关键词：文本数据流分类概念漂移检测用户评论梯度提升决策树数据分布
分类号：TP391(计算技术、计算机技术)
资助基金：安徽省自然科学基金项目(2308085MF220)安徽省高校自然科学研究重点项目(2022AH050972)安徽省高校自然科学研究重点项目(KJ2021A0516)
论文发表日期：2025-03-19
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 60-66 )
英文信息