基于于半監(jiān)督SVM主動(dòng)學(xué)習(xí)的文本分類算法研究.pdf

1、隨著信息技術(shù)的不斷發(fā)展，世界已逐漸變成一個(gè)信息的海洋，人們被信息浪潮所淹沒，如何實(shí)現(xiàn)大量信息的自動(dòng)分類，并且從這些信息中自動(dòng)分類出有用的信息是一個(gè)重要的研究領(lǐng)域。文本作為信息的主要載體，對(duì)文本分類算法進(jìn)行研究意義重大，而主動(dòng)學(xué)習(xí)的引入又進(jìn)一步改善了文本分類算法的性能。支持向量機(jī)(SupportVectorMachine，SVM)主動(dòng)學(xué)習(xí)方法已被廣泛應(yīng)用在文本分類技術(shù)當(dāng)中，但是一般的SVM主動(dòng)學(xué)習(xí)方法面臨兩個(gè)問(wèn)題:一是標(biāo)記樣本稀缺;二是待

2、標(biāo)記樣本存在大量冗余。
　　本文對(duì)文本分類中SVM主動(dòng)學(xué)習(xí)方法做了詳細(xì)的研究，為了應(yīng)對(duì)上述存在的問(wèn)題，在已有的應(yīng)用在分類問(wèn)題當(dāng)中的SVM主動(dòng)學(xué)習(xí)方法的基礎(chǔ)上，對(duì)SVM主動(dòng)學(xué)習(xí)方法進(jìn)行了改進(jìn)，提出了一種新的半監(jiān)督支持向量機(jī)主動(dòng)學(xué)習(xí)(SS-SVM-AL)算法。具體內(nèi)容如下:
　　(1)首先介紹了課題的研究背景和在國(guó)內(nèi)外的研究現(xiàn)狀與發(fā)展現(xiàn)狀，文本分類的相關(guān)理論和技術(shù);支持向量機(jī)和主動(dòng)學(xué)習(xí)的理論的基本思想和實(shí)現(xiàn)技術(shù);研究了傳統(tǒng)SVM

3、主動(dòng)學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的理論知識(shí)和經(jīng)典方法。
　　(2)針對(duì)存在的標(biāo)記樣本稀缺的問(wèn)題，運(yùn)用半監(jiān)督的思想對(duì)其進(jìn)行了改進(jìn)，充分利用所有未標(biāo)記樣本信息包含的空間結(jié)構(gòu)信息，混合標(biāo)記樣本集和未標(biāo)記樣本集構(gòu)造訓(xùn)練集，克服了單純用標(biāo)記樣本來(lái)訓(xùn)練分類模型樣本數(shù)據(jù)集幾何特性不充分的缺點(diǎn)，構(gòu)造出一個(gè)半監(jiān)督核函數(shù)，從而得到泛化能力更強(qiáng)的半監(jiān)督支持向量機(jī)。
　　(3)針對(duì)存在的樣本冗余問(wèn)題，設(shè)計(jì)了一個(gè)基于最大-最小框架的主動(dòng)學(xué)習(xí)方法，能夠從未知樣本集