基于VSM的中文網頁分類特征選擇技術研究與實現(xiàn).pdf_第1頁
已閱讀1頁,還剩67頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

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

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論