非負(fù)矩陣分散及其在模糊網(wǎng)頁分類中的應(yīng)用.pdf

1、當(dāng)前基于統(tǒng)計詞頻等對網(wǎng)頁及其文本進(jìn)行分類的方法很少考慮語義模糊詞的分類問題，因而當(dāng)文本中存在大量語義模糊的詞時，分類的效果并不理想，因此本文引入模糊推理來解決上述問題。此外，本文所涉及到的數(shù)據(jù)都是一些大規(guī)模的文本數(shù)據(jù)，論文中將一個大規(guī)模的文本數(shù)據(jù)抽象為一個高維矩陣VSM，而直接處理高維數(shù)據(jù)勢必會很繁瑣，試想如果將高維矩陣簡化為一個低維矩陣，問題會變得簡單許多。而非負(fù)矩陣分解算法是一種對高維矩陣進(jìn)行降維的方法，具有實現(xiàn)簡單、可解釋性強(qiáng)等優(yōu)

2、點，從而可以把NMF算法應(yīng)用到矩陣降維中?；谖谋痉诸惖牟蛔慵癗MF在矩陣降維上的優(yōu)點，本文提出了一種基于非負(fù)矩陣分解的模糊網(wǎng)頁分類算法。該算法通過非負(fù)矩陣分解對一個大規(guī)模的詞-文本矩陣進(jìn)行維數(shù)約減，實現(xiàn)對數(shù)據(jù)的壓縮，以提高算法執(zhí)行效率，最后的分類階段本文加入模糊推理來設(shè)計分類器。通過對隨機(jī)抽取的網(wǎng)頁數(shù)據(jù)進(jìn)行分類實驗，并與沒有經(jīng)過模糊處理階段設(shè)計的分類器進(jìn)行比較，實驗結(jié)果表明本文算法的分類精度較高；執(zhí)行效率方面本文與奇異值分解(SVD)