基于優(yōu)化的IG與RBF的SVM文本情感分類研究.pdf

1、近年來網(wǎng)絡信息隨著互聯(lián)網(wǎng)技術的發(fā)展在急劇增長，同時國家主席習近平也提出了互聯(lián)網(wǎng)+的概念，因此在互聯(lián)網(wǎng)中產(chǎn)生了大量、且具有研究價值的文本信息，如互聯(lián)網(wǎng)參與人員發(fā)表的關于個人態(tài)度的一些主觀信息，包括立場、建議、情緒等。對這些數(shù)據(jù)進行挖掘和研究具有很大的價值。文本情感分類就是對文本信息進行分析、研究的一種方法，目前主要文本情感分析方法主要分為兩類，基于語義理解和基于機器學習的文本情感分類，而本文正是對其中的基于SVM機器學習的相關方法及算法進

2、行研究。
　　在本文中所進行的研究工作主要有以下三個方面：
　　第一，對信息增益（IG）特征選擇方法進行深入研究，并對其目前存在的問題提出了相關解決辦法和方案。
　　首先本文通過對相關文獻的閱讀和研究發(fā)現(xiàn)特征選擇方法忽略了特征項在類別間和類別內(nèi)分布對特征選擇的影響，從而導致特征選擇存在偏頗，因而本文在傳統(tǒng)特征選擇方法的基礎上引入了類別內(nèi)特征頻率、類別間的特征頻率兩個計算因子，進而使其對文本特征進行更合理的選取，將此改進

3、應用到文本情感分類中，尋求分類效率的提高，然后用實驗進行分類結(jié)果驗證。
　　第二，對支持向量機（SVM）中核函數(shù)進行了研究，對常用的高斯核函數(shù)（RBF）進行微調(diào)，并將其應用到組合函數(shù)中。
　　首先本文通過對基于SVM機器學習的文本情感分類的研究發(fā)現(xiàn)，核函數(shù)對將SVM文本情感分類結(jié)果具有很大的影響，進而進一步的對常用幾種核函數(shù)進行了深入研究，發(fā)現(xiàn)RBF具有很好的性能，且組合核函數(shù)性能比單核更好。但RBF存在著遠離測試點處泛化、