面向文本分類的特征詞選取方法研究.pdf

1、隨著信息技術(shù)的發(fā)展，文本數(shù)據(jù)的大量產(chǎn)生和快速傳播引發(fā)了對文本分類的要求。作為文本分類的關(guān)鍵技術(shù)之一的特征選擇，經(jīng)典的特征選擇方法沒有考慮到詞條在類內(nèi)分布情況，大多簡單地依據(jù)閾值刪除低頻詞，而信息檢索理論認(rèn)為“高頻詞沒有低頻詞對文檔特征貢獻(xiàn)大”。
　　 針對以上問題，本文在對經(jīng)典的特征選擇方法TF-IDF方法進(jìn)行分析的基礎(chǔ)上，提出詞分布均衡度評價特征詞選擇方法，在此基礎(chǔ)上構(gòu)造了一個以特征向量個數(shù)作為權(quán)值的加權(quán)分類器，最后采用基于支

2、持向量機(jī)的文本分類算法驗(yàn)證其有效性。本文主要工作如下：
　　 (1)概述了文本分類技術(shù)。分析了文本分類和支持向量機(jī)文本分類的發(fā)展及其基本理論，以文本分類過程為主線，對文本分類技術(shù)進(jìn)行了分析研究，對分類過程中關(guān)鍵技術(shù)一特征選擇方法和文本分類算法作了詳細(xì)的分析比較；
　　 (2)提出詞分布均衡度評價特征詞選擇方法。在對經(jīng)典的特征選擇方法中DF算法存在的問題作詳細(xì)分析的基礎(chǔ)上，提出詞分布均衡度評價特征詞選擇方法。通過綜合考慮詞

3、條在類內(nèi)部出現(xiàn)的概率和類內(nèi)文檔中出現(xiàn)概率，評價該詞條在類內(nèi)各文本中分布的均衡度，作為特征詞選擇的主要依據(jù)。特征詞分布均衡度越小，說明在類內(nèi)部和類內(nèi)文檔中分布越均衡，特征詞越能代表此類。實(shí)驗(yàn)表明該方法在分類精度方面有了很大提高；
　　 (3)加權(quán)分類器的構(gòu)造。針對實(shí)驗(yàn)樣本數(shù)不均衡的情況下，導(dǎo)致實(shí)驗(yàn)分類效果也不均衡的問題，對分類器構(gòu)造方法進(jìn)行了分析研究，提出了一個加權(quán)分類器，即統(tǒng)計(jì)出每類樣本集合的訓(xùn)練向量數(shù)目，以特征向量的個數(shù)作為權(quán)