基于多示例多標(biāo)簽分類的Web文本挖掘研究.pdf

1、隨著網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，互聯(lián)網(wǎng)信息資源增長迅猛，對海量數(shù)據(jù)的分類提出了進(jìn)一步的要求。文本分類作為文本挖掘最重要的研究方向，在現(xiàn)實(shí)生活中有著廣泛的應(yīng)用。研究如何對文本進(jìn)行有效的表示、有效的查找信息成為現(xiàn)在文本挖掘領(lǐng)域迫在眉睫的研究課題?，F(xiàn)實(shí)生活中多示例多標(biāo)簽文本大量存在，對文本分類研究提出了新的挑戰(zhàn)。傳統(tǒng)的文本分類基本是單示例單標(biāo)簽分類，無法對多語義、多類別的文本進(jìn)行準(zhǔn)確的處理，本文提出多示例多標(biāo)簽學(xué)習(xí)對多標(biāo)簽文本進(jìn)行準(zhǔn)確有效的分類。

2、r>　　本文主要研究了以下幾個(gè)方面的內(nèi)容：
　　(1)使用多示例多標(biāo)簽學(xué)習(xí)框架進(jìn)行中文文本分類。多示例學(xué)習(xí)和多標(biāo)簽學(xué)習(xí)分別是針對語義歧義和多類別學(xué)習(xí)問題提出的，多示例多標(biāo)簽學(xué)習(xí)(MIML)主要針對圖像分類、網(wǎng)頁檢索等的研究領(lǐng)域并取得了很好的成果，本文將多示例多標(biāo)簽學(xué)習(xí)(MIML)方法應(yīng)用于中文文本分類，針對中文特有的結(jié)構(gòu)及文本的多類別特征，改進(jìn)MIML學(xué)習(xí)框架，使之更適用于中文文本分類，為中文文本分類提出了一種新的思路。
　

3、　(2)文本表示作為文本分類的一個(gè)關(guān)鍵步驟，對于后續(xù)分類器的學(xué)習(xí)性能有很大的影響。本文針對中文文本語義豐富的特點(diǎn)使用多示例句子包進(jìn)行文本表示。目前主流的文本表示方法有VSM，這種方法以詞作為文本切分粒度，對特征項(xiàng)進(jìn)行了獨(dú)立性假設(shè)，詞間的語義信息丟失。針對語義缺失問題，本文引入多示例文本表示，使用多示例包對文本進(jìn)行處理，使用句子作為文本表示的最小單位，使詞間的語義信息得以保留。數(shù)據(jù)表示階段使用多示例句子包的形式進(jìn)行文本表示，避免基于語義獨(dú)

4、立性假設(shè)帶來的語義損失，并進(jìn)一步優(yōu)化處理使其成為主題包，縮短了文本處理的時(shí)間。
　　(3)在文本分類階段使用改進(jìn)的LSTSVM多標(biāo)簽分類器進(jìn)行分類。對于使用多示例主題包表示的文本，基于退化策略將多示例多標(biāo)簽數(shù)據(jù)通過聚類處理成為單示例多標(biāo)簽學(xué)習(xí)，使用改進(jìn)的最小二乘雙支持向量機(jī)(LSTSVM)多標(biāo)簽分類器對文本進(jìn)行分類。最小二乘雙支持向量機(jī)把一個(gè)大型QPP問題轉(zhuǎn)化成兩個(gè)小型QPP問題，計(jì)算速度得到了提升并降低了計(jì)算復(fù)雜度。