SVM在文本分類中的應(yīng)用.pdf

1、隨著Internet的迅速發(fā)展，網(wǎng)絡(luò)信息不斷膨脹。為了提供高效、準(zhǔn)確的信息服務(wù)，作者需要對(duì)網(wǎng)絡(luò)中紛繁蕪雜的信息進(jìn)行合理的組織與分類。本文的目標(biāo)就是以文本信息處理為背景，從理論及應(yīng)用兩個(gè)層次對(duì)文本信息的分類方法進(jìn)行了較為深入的研究。 首先，本文研究分析文本分類器的總體模型，包括：信息預(yù)處理、特征表示、特征提取。重點(diǎn)研究分析了特征表示與特征提取技術(shù)，文本的分類算法。 其次，認(rèn)真研究了統(tǒng)計(jì)學(xué)習(xí)理論的主要內(nèi)容和SVM算法的基本原

2、理。并且就SVM的訓(xùn)練算法、分類算法、多類分類算法、核函數(shù)等熱點(diǎn)問題分別加以討論。闡述了SVM研究和應(yīng)用現(xiàn)狀，以及所面臨的問題。 最后詳細(xì)分析研究了一個(gè)基于SVM的文本分類器模型。該模型通過計(jì)算訓(xùn)練集中的詞條和類別的加權(quán)互信息，獲得文本特征集，然后通過智能分詞和統(tǒng)計(jì)方法獲得測(cè)試文本在VSM空間中的TF-IDF函數(shù)表示，通過計(jì)算語義相似度獲得文本的語義信息，對(duì)文本向量進(jìn)行加權(quán)。訓(xùn)練文本集按照上面方法進(jìn)行向量表示后，作為支持向量機(jī)的