基于VSM的中文網頁分類特征選擇技術研究與實現(xiàn).pdf

1、隨著信息技術的不斷發(fā)展,網頁自動分類技術成為了Web領域的一個研究熱點,它在信息檢索、信息過濾等多個領域得到了廣泛地應用。特征選擇是實現(xiàn)網頁自動分類的重要環(huán)節(jié),它從初始特征空間中選出類別區(qū)分能力強的特征項以降低網頁文本向量空間維數,提高分類器的分類效率和分類精度。
　　 本文在對中文網頁自動分類相關技術研究的基礎上,實現(xiàn)了分類系統(tǒng)中網頁清洗、中文分詞、去停用詞、特征選擇及權重計算生成向量空間模型等模塊的基本功能,重點研究并實現(xiàn)了

2、基于統(tǒng)計學習的文檔頻率、x2統(tǒng)計量和信息增益特征選擇算法。通過實驗比較了上述三種特征選擇算法的分類性能,實驗結果表明基于x2統(tǒng)計量的特征選擇算法的分類性能要優(yōu)于信息增益法和文檔頻率法,而文檔頻率法在特定特征項數目下與x2統(tǒng)計量法分類性能相當,基于信息增益的特征選擇算法雖然分類準確率不及上述兩種算法,但其分類的穩(wěn)定性與x2統(tǒng)計量法相當,優(yōu)于文檔頻率法。在對傳統(tǒng)特征選擇算法分析的基礎上,本文針對它們各自的不足之處進行了相應的改進,并實現(xiàn)了改

3、進的算法。
　　 針對傳統(tǒng)文檔頻率法對全局高頻特征項過分偏袒,致使特征優(yōu)化選擇出的特征項類間分布不均衡,導致部分類別分類性能低下的不足,本文實現(xiàn)了基于類內相對文檔頻率的特征選擇算法,使用類內相對文檔頻率進行局部特征選擇再取并集的方式取代傳統(tǒng)的全局文檔頻率的特征選擇算法。
　　 針對x2統(tǒng)計量法當特征項數目遞增到一定程度時對集中度高、文檔頻率較低、代表性不強的特征項倚重過大,從而導致分類性能驟降的不足,本文實現(xiàn)了將文檔頻率

4、閾值與x2統(tǒng)計量相結合的特征選擇算法,去除了全局高頻特征項和類內低頻特征項,改善了傳統(tǒng)x2統(tǒng)計量法對低頻特征項過分依賴的缺陷。
　　 由于信息增益法總體分類性能表現(xiàn)不佳,因此本文對其進行了全面改進,將類內詞頻、集中度和類內分敞度綜合考慮進信息增益法的評估函數中,并采取類內信息增益特征選擇法取代了傳統(tǒng)算法在類間取最大值的全局選擇方式
　　 本文通過實現(xiàn)上述的改進算法,并將生成的向量空間模型帶入分類器中進行實驗,發(fā)現(xiàn)改進的特