基于構(gòu)造性覆蓋算法的中文文本分類.pdf_第1頁
已閱讀1頁,還剩61頁未讀, 繼續(xù)免費閱讀

下載本文檔

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

文檔簡介

1、文本分類是文本挖掘的基礎(chǔ)與核心,是近年來數(shù)據(jù)挖掘和網(wǎng)絡(luò)挖掘的一個研究熱點,在傳統(tǒng)的情報檢索、網(wǎng)站索引體系結(jié)構(gòu)的建立和Web信息檢索等方面占有重要地位。文本自動分類技術(shù)是自然語言處理的一個重要的應(yīng)用領(lǐng)域,是替代傳統(tǒng)的繁雜人工分類方法的有效手段和必然趨勢。特別是隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展,網(wǎng)絡(luò)成為人們進行信息交互和處理的有效的平臺,各種數(shù)字化的信息每天以極高的速度增長。面對如此巨大的信息,人工分類選擇已經(jīng)無能為力,計算機自動分類已成為網(wǎng)絡(luò)時代的必

2、然選擇。 目前,對于文本分類技術(shù)的研究,大多數(shù)研究者的精力主要放在各種不同分類方法的探索與改進上。然而,文本分類中的特征選擇也一直是文本分類的關(guān)鍵技術(shù)。因此,對特征選擇算法的研究與不同分類算法的研究都是十分必要的。 本文所做的主要工作及創(chuàng)新點如下: 1.本文首先對當(dāng)前文本分類領(lǐng)域幾個關(guān)鍵問題的常用解決方法進行了研究,然后著重介紹了一個基于構(gòu)造性覆蓋算法的中文文本分類系統(tǒng)(StructuralCovering Al

3、gorithm-Based Chinese Text Classification System,簡記為CCTCS),重點闡述了文本預(yù)處理、特征選擇、維數(shù)約簡和構(gòu)造性覆蓋算法及其改進等技術(shù)的實現(xiàn)。 2.在CCTCS中,第一步是利用中國科學(xué)院計算技術(shù)研究所提供的漢語詞法分析系統(tǒng)(Institute of Computing Technology,Chinese Lexical Analysis System,ICTCLAS)對中文

4、文本進行漢語分詞,去除虛詞和形容詞,只保留名詞和動詞;再對文本進行預(yù)處理,刪除文本中的停用詞和稀疏詞,可使文本維數(shù)平均壓縮一半,從而實現(xiàn)文本的粗降維。而CCTCS需要解決的核心問題是特征的選擇問題,特征選擇涉及選擇哪些特征和選擇的特征維數(shù)兩個問題。針對上述問題,本文使用信息增益(Information Gain,IG)與主成分分析(Principle Component Analysis,PCA)相結(jié)合的特征選擇方法。 3.CC

5、TCS使用人工神經(jīng)網(wǎng)絡(luò)作為分類器,特征詞的權(quán)重組成原始特征向量,和神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元一一對應(yīng)。在文本訓(xùn)練的時候,利用標(biāo)記好的訓(xùn)練文本集進行網(wǎng)絡(luò)訓(xùn)練。而在文本分類的時候,輸入待分類文本的特征向量,通過已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對文本進行分類,以確定文本的類別。 4.本系統(tǒng)采用構(gòu)造性覆蓋算法(即交叉覆蓋算法)來設(shè)計神經(jīng)網(wǎng)絡(luò)分類器,首先分析了一般的交叉覆蓋算法(Generic Alternative Covering Algorithm,

6、GACA),發(fā)現(xiàn)其存在一些不足之處,在分類過程中,可能會出現(xiàn)拒識和誤判的現(xiàn)象,這將大大影響系統(tǒng)的識別率和正確率。然后針對這些不足,對交叉覆蓋算法做出相應(yīng)的改進,并給出其算法。實驗證明,改進的交叉覆蓋算法(Improved AlternativeCovering Algorithm,IACA)在整體性能上優(yōu)于一般的交叉覆蓋算法。這種改進的算法不僅可以進一步提高交叉覆蓋算法的訓(xùn)練速度,而且可以減少拒識樣本數(shù),提高識別的精度。 5.本

7、文通過實驗比較分析了不同特征選擇方法與設(shè)計分類器的交叉覆蓋算法對分類性能的影響,證明了IG+PCA的特征選擇方法比直接使用IG在基于交叉覆蓋算法的中文文本分類中具有其優(yōu)越性,而且改進的交叉覆蓋算法應(yīng)用到中文文本分類中在整體性能上優(yōu)于一般的交叉覆蓋算法,并得出利用交叉覆蓋算法設(shè)計的神經(jīng)網(wǎng)絡(luò)的特征輸入維數(shù)在200左右的時候分類性能最佳。 本文在中文文本分類方面已經(jīng)完成了一些工作,今后可以在以下幾方面作進一步的研究: 1.本論

8、文所有的結(jié)論都是在實驗的條件下得出的,而實際應(yīng)用效果如何可以進一步在實際應(yīng)用中進行驗證。 2.可將本文提出的特征選擇方法應(yīng)用于英文文本分類中,并設(shè)計更網(wǎng)絡(luò)化、智能化、多功能化的分類系統(tǒng),可以應(yīng)用到如郵件過濾器或搜索引擎等熱門實際應(yīng)用中去。 3.為了進一步提高本文方法的擴展性,可考慮分類別來作PCA,然后尋找各個類別的主成分(Principle Component,PC)的極大線性無關(guān)組來得到全局特征,這是我們將來研究的一

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(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)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(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)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(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)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