基于半監(jiān)督的SVM遷移學習文本分類方法.pdf

1、隨著互聯(lián)網(wǎng)的快速發(fā)展，各種信息風靡網(wǎng)絡，而這些網(wǎng)絡信息主要通過文本的形式來表達，因此對文本數(shù)據(jù)進行合理有效的處理是十分必要的。文本分類是進行信息挖掘的一種重要數(shù)據(jù)分析方法，它能夠從數(shù)據(jù)中挖掘關鍵信息并構(gòu)建模型，使計算機從過去的數(shù)據(jù)中獲取知識，解決問題。
　　傳統(tǒng)的文本分類方法在要求有充足標注數(shù)據(jù)訓練模型的同時還要求訓練數(shù)據(jù)與測試數(shù)據(jù)屬于同一分布。支持向量機(SVM)作為常用文本分類方法之一，特別適合處理像文本這樣的數(shù)據(jù)集較大的分類

2、問題。然而，SVM在處理分類問題時也常會因為訓練樣本不充分而無法學習到高精度的分類模型。近年來，在SVM算法中引入半監(jiān)督學習模式，利用大量未標注數(shù)據(jù)與少量標注數(shù)據(jù)共同訓練分類器，在一定程度上解決了訓練數(shù)據(jù)不充分的問題，但半監(jiān)督學習仍需滿足訓練數(shù)據(jù)與測試數(shù)據(jù)同分布假設。遷移學習是最近興起的一種有效解決上述問題的學習方式，其可以利用相似領域中大量標注數(shù)據(jù)來幫助新領域目標任務的學習。于是在SVM中引入遷移學習，在提供大量標注數(shù)據(jù)的同時還放寬了

3、對數(shù)據(jù)分布的要求。
　　本文通過結(jié)合遷移學習和半監(jiān)督學習來研究文本分類問題，主要研究內(nèi)容如下:
　　(1)針對傳統(tǒng)有監(jiān)督SVM文本分類方法的不足，詳細描述了半監(jiān)督式的自訓練SVM分類方法，包括其基本思想、具體流程以及存在的缺陷。
　　(2)針對以往SVM遷移學習方法在訓練過程中大量遷移與目標數(shù)據(jù)很不相似的源領域數(shù)據(jù)的問題，提出了一種利用源域支持向量進行相似遷移的方法。該方法先利用源領域訓練得到的支持向量代表源領域數(shù)據(jù)，

4、再利用源域支持向量與目標訓練集的相似度來衡量源域數(shù)據(jù)的重要性，進而有效的對源領域知識進行遷移。
　　(3)考慮到未標注數(shù)據(jù)可能包含有對分類起重要作用的信息，提出了結(jié)合目標領域未標注數(shù)據(jù)共同學習分類模型的基于半監(jiān)督的SVM遷移學習分類方法。該方法以SVM遷移模型為基礎分類器，給未標注數(shù)據(jù)帶上初始標簽并共同學習分類模型，進一步提高了分類器性能。
　　將本文提出的SVM遷移學習方法以及基于半監(jiān)督的SVM遷移學習方法與傳統(tǒng)的SVM方