基于VSM的中文網(wǎng)頁(yè)分類特征選擇技術(shù)研究與實(shí)現(xiàn).pdf

1、隨著信息技術(shù)的不斷發(fā)展,網(wǎng)頁(yè)自動(dòng)分類技術(shù)成為了Web領(lǐng)域的一個(gè)研究熱點(diǎn),它在信息檢索、信息過(guò)濾等多個(gè)領(lǐng)域得到了廣泛地應(yīng)用。特征選擇是實(shí)現(xiàn)網(wǎng)頁(yè)自動(dòng)分類的重要環(huán)節(jié),它從初始特征空間中選出類別區(qū)分能力強(qiáng)的特征項(xiàng)以降低網(wǎng)頁(yè)文本向量空間維數(shù),提高分類器的分類效率和分類精度。
　　 本文在對(duì)中文網(wǎng)頁(yè)自動(dòng)分類相關(guān)技術(shù)研究的基礎(chǔ)上,實(shí)現(xiàn)了分類系統(tǒng)中網(wǎng)頁(yè)清洗、中文分詞、去停用詞、特征選擇及權(quán)重計(jì)算生成向量空間模型等模塊的基本功能,重點(diǎn)研究并實(shí)現(xiàn)了

2、基于統(tǒng)計(jì)學(xué)習(xí)的文檔頻率、x2統(tǒng)計(jì)量和信息增益特征選擇算法。通過(guò)實(shí)驗(yàn)比較了上述三種特征選擇算法的分類性能,實(shí)驗(yàn)結(jié)果表明基于x2統(tǒng)計(jì)量的特征選擇算法的分類性能要優(yōu)于信息增益法和文檔頻率法,而文檔頻率法在特定特征項(xiàng)數(shù)目下與x2統(tǒng)計(jì)量法分類性能相當(dāng),基于信息增益的特征選擇算法雖然分類準(zhǔn)確率不及上述兩種算法,但其分類的穩(wěn)定性與x2統(tǒng)計(jì)量法相當(dāng),優(yōu)于文檔頻率法。在對(duì)傳統(tǒng)特征選擇算法分析的基礎(chǔ)上,本文針對(duì)它們各自的不足之處進(jìn)行了相應(yīng)的改進(jìn),并實(shí)現(xiàn)了改

3、進(jìn)的算法。
　　 針對(duì)傳統(tǒng)文檔頻率法對(duì)全局高頻特征項(xiàng)過(guò)分偏袒,致使特征優(yōu)化選擇出的特征項(xiàng)類間分布不均衡,導(dǎo)致部分類別分類性能低下的不足,本文實(shí)現(xiàn)了基于類內(nèi)相對(duì)文檔頻率的特征選擇算法,使用類內(nèi)相對(duì)文檔頻率進(jìn)行局部特征選擇再取并集的方式取代傳統(tǒng)的全局文檔頻率的特征選擇算法。
　　 針對(duì)x2統(tǒng)計(jì)量法當(dāng)特征項(xiàng)數(shù)目遞增到一定程度時(shí)對(duì)集中度高、文檔頻率較低、代表性不強(qiáng)的特征項(xiàng)倚重過(guò)大,從而導(dǎo)致分類性能驟降的不足,本文實(shí)現(xiàn)了將文檔頻率

4、閾值與x2統(tǒng)計(jì)量相結(jié)合的特征選擇算法,去除了全局高頻特征項(xiàng)和類內(nèi)低頻特征項(xiàng),改善了傳統(tǒng)x2統(tǒng)計(jì)量法對(duì)低頻特征項(xiàng)過(guò)分依賴的缺陷。
　　 由于信息增益法總體分類性能表現(xiàn)不佳,因此本文對(duì)其進(jìn)行了全面改進(jìn),將類內(nèi)詞頻、集中度和類內(nèi)分敞度綜合考慮進(jìn)信息增益法的評(píng)估函數(shù)中,并采取類內(nèi)信息增益特征選擇法取代了傳統(tǒng)算法在類間取最大值的全局選擇方式
　　 本文通過(guò)實(shí)現(xiàn)上述的改進(jìn)算法,并將生成的向量空間模型帶入分類器中進(jìn)行實(shí)驗(yàn),發(fā)現(xiàn)改進(jìn)的特