基于體裁的中文網頁分類.pdf

1、隨著通訊及網絡技術的發(fā)展，人們已經從信息缺乏的時代過渡到信息極為豐富的數字化的時代。以文本格式存儲的信息資源的激增，增加了對于快速、自動文本分類的迫切需求。然而，目前大部分文本自動分類的研究都是基于內容的，沒有考慮文章的功能及形式結構上的特點，在某些方面并不滿足人們的需求。而基于體裁的文本分類的研究，在對信息資源進行有效的管理和檢索等方面，都有一定的積極作用。 本文探討了中文網頁的體裁分類問題，主要的研究內容包括： （1

2、）中文網頁體裁分類的特征項選取問題。傳統(tǒng)的文本內容分類僅以詞語作為特征項，而由于語言表達方式的差異，英文體裁分類關于特征項選取的相關研究并不完全適用于中文。本文主要研究區(qū)分不同體裁的各種特征；提出了用模糊字符串模式表示不同體裁用語特點的特征；結合自動抽取方法和人工歸納的方式來獲得表示特征的模糊字符串模式。實現方法上，擺脫了傳統(tǒng)的文本分類對切分詞處理和詞典的依賴，通過改進PAT樹的存儲結構，對文本進行序列模式挖掘來獲得候選特征項，克服了傳

3、統(tǒng)方法中的詞庫更新問題及切分詞處理對新詞語、英文短語提取效果不佳等的缺陷。 （2）特征項的權重計算問題?；隗w裁分類多種特征集的特點，探討不同特征空間對體裁類別的判別能力問題，提出了一種評價方法；據此，提出特征項的權值調整策略，即根據不同特征空間對體裁類別判別能力的強弱，對文本在不同特征空間的特征項權值進行調整。 （3）分類方法。引入文本的關聯分類規(guī)則挖掘，結合關聯規(guī)則分類對SVM分類器的分類性能進行修正。討論了關聯規(guī)則