MapReduce框架下的貝葉斯文本分類學(xué)習(xí)研究.pdf

1、文本分類是信息檢索與文本挖掘的重要基礎(chǔ)。目前,雖然很多文本分類算法都成功地應(yīng)用在各個(gè)領(lǐng)域,但單一文本分類算法容易導(dǎo)致構(gòu)造的分類器分類性能差、泛化能力弱。集成學(xué)習(xí)算法利用多個(gè)單分類器之間的差異,有效地改善了分類器的性能和泛化能力。然而,隨著網(wǎng)絡(luò)數(shù)據(jù)規(guī)模的急劇增長(zhǎng),傳統(tǒng)的集中式系統(tǒng)框架難以滿足集成學(xué)習(xí)和海量文本數(shù)據(jù)分析處理要求的存儲(chǔ)空間和計(jì)算能力。并行計(jì)算的出現(xiàn)使大規(guī)模文本數(shù)據(jù)集的集成分類學(xué)習(xí)成為可能。Google的MapReduce并行編

2、程模型抽象度高,它封裝了并行處理底層的細(xì)節(jié)問題,為程序員設(shè)計(jì)及編寫并行程序提供了簡(jiǎn)易的編程框架。
　　 本文通過分析樸素貝葉斯的可加性,設(shè)計(jì)了基于MapReduce并行編程模型的TFIDF改進(jìn)的貝葉斯文本分類算法,該算法利用五個(gè)MapReduce作業(yè)完成分類器的訓(xùn)練和測(cè)試部分。在Hadoop分布式平臺(tái)上的實(shí)驗(yàn)表明該算法構(gòu)造的分類器具有高數(shù)據(jù)容量、高效性和高性能的特點(diǎn)。進(jìn)而通過對(duì)集成文本學(xué)習(xí)算法進(jìn)行研究,結(jié)合Bagging算法的并

3、行特點(diǎn),提出了基于MapReduce的貝葉斯集成文本分類器。該分類器的訓(xùn)練首先用隨機(jī)屬性選擇構(gòu)建訓(xùn)練子集的方法破壞了樸素貝葉斯的穩(wěn)定性,其次利用MapReduce框架下的貝葉斯文本分類算法作為基分類器對(duì)訓(xùn)練子集進(jìn)行學(xué)習(xí),并行地產(chǎn)生多個(gè)基分類器。分類器的測(cè)試包括利用各個(gè)基分類器并行產(chǎn)生中間結(jié)果和對(duì)中間結(jié)果進(jìn)行不加權(quán)投票得出最終結(jié)果兩個(gè)步驟。實(shí)驗(yàn)結(jié)果表明該算法適用于大規(guī)模文本數(shù)據(jù)集的分類學(xué)習(xí),同時(shí)具有高效性、準(zhǔn)確性、高可靠性和易擴(kuò)展性的優(yōu)點(diǎn)