面向文本分類的特征詞選取方法研究.pdf

1、隨著信息技術的發(fā)展，文本數(shù)據(jù)的大量產(chǎn)生和快速傳播引發(fā)了對文本分類的要求。作為文本分類的關鍵技術之一的特征選擇，經(jīng)典的特征選擇方法沒有考慮到詞條在類內分布情況，大多簡單地依據(jù)閾值刪除低頻詞，而信息檢索理論認為“高頻詞沒有低頻詞對文檔特征貢獻大”。
　　 針對以上問題，本文在對經(jīng)典的特征選擇方法TF-IDF方法進行分析的基礎上，提出詞分布均衡度評價特征詞選擇方法，在此基礎上構造了一個以特征向量個數(shù)作為權值的加權分類器，最后采用基于支

2、持向量機的文本分類算法驗證其有效性。本文主要工作如下：
　　 (1)概述了文本分類技術。分析了文本分類和支持向量機文本分類的發(fā)展及其基本理論，以文本分類過程為主線，對文本分類技術進行了分析研究，對分類過程中關鍵技術一特征選擇方法和文本分類算法作了詳細的分析比較；
　　 (2)提出詞分布均衡度評價特征詞選擇方法。在對經(jīng)典的特征選擇方法中DF算法存在的問題作詳細分析的基礎上，提出詞分布均衡度評價特征詞選擇方法。通過綜合考慮詞

3、條在類內部出現(xiàn)的概率和類內文檔中出現(xiàn)概率，評價該詞條在類內各文本中分布的均衡度，作為特征詞選擇的主要依據(jù)。特征詞分布均衡度越小，說明在類內部和類內文檔中分布越均衡，特征詞越能代表此類。實驗表明該方法在分類精度方面有了很大提高；
　　 (3)加權分類器的構造。針對實驗樣本數(shù)不均衡的情況下，導致實驗分類效果也不均衡的問題，對分類器構造方法進行了分析研究，提出了一個加權分類器，即統(tǒng)計出每類樣本集合的訓練向量數(shù)目，以特征向量的個數(shù)作為權