中文文本分類中SVM的語(yǔ)義核函數(shù)的研究.pdf

1、分類問(wèn)題是人工智能的基礎(chǔ)問(wèn)題，目前分類器種類有許多，其中支持向量機(jī)因其“結(jié)構(gòu)風(fēng)險(xiǎn)最下化”原理，有很好的學(xué)習(xí)能力，針對(duì)線性不可分問(wèn)題，通過(guò)核函數(shù)將數(shù)據(jù)映射到高維空間，從而達(dá)到線性可分的目的，而在當(dāng)前維度進(jìn)行計(jì)算高維空間中數(shù)據(jù)的內(nèi)積。對(duì)于文本這一數(shù)據(jù)，由于數(shù)據(jù)維度大，即使經(jīng)過(guò)特征選擇后，還是有許多冗余特征，這是因?yàn)閿?shù)據(jù)維度之間有相關(guān)性，反映到文本上是特征詞之間有語(yǔ)義聯(lián)系?，F(xiàn)階段文本分類的假設(shè)是數(shù)據(jù)維度之間相互獨(dú)立，但這與上面的事實(shí)是矛盾的。

2、因此針對(duì)文本分類，如何充分利用文本中的語(yǔ)義關(guān)系來(lái)提高分類性能是當(dāng)前的研究熱點(diǎn)。
　　語(yǔ)義關(guān)系現(xiàn)階段研究基本是通過(guò)本體、知識(shí)圖和統(tǒng)計(jì)的方法來(lái)表示。知識(shí)圖和本體雖然能很好的反映語(yǔ)義關(guān)系，但其的構(gòu)造需要花費(fèi)大量的人力，而且不能夠?qū)⒄Z(yǔ)言中所有語(yǔ)義關(guān)系都包括進(jìn)來(lái)。統(tǒng)計(jì)的方法依據(jù)文本集合中的內(nèi)部統(tǒng)計(jì)特性，挖掘語(yǔ)義關(guān)系，使得可以表示任何語(yǔ)言中的語(yǔ)義關(guān)系，但表達(dá)的語(yǔ)義關(guān)系不是很準(zhǔn)確。因此將以上兩種方法結(jié)合起來(lái)，才能更好的表示文本中的語(yǔ)義關(guān)系。在支

3、持向量機(jī)中，針對(duì)某一類分類問(wèn)題，往往只要找到一個(gè)適合該類問(wèn)題的核函數(shù)，這類分類問(wèn)題就非常容易解決，因此有必要構(gòu)造一個(gè)語(yǔ)義核函數(shù)并用于文本分類當(dāng)中。目前，語(yǔ)義核函數(shù)在英文上有許多應(yīng)用，語(yǔ)義核函數(shù)依據(jù)語(yǔ)義的來(lái)源可分為基于本體或知識(shí)圖的語(yǔ)義函數(shù)和基于統(tǒng)計(jì)的語(yǔ)義核函數(shù)。在文本分類問(wèn)題中，前者在訓(xùn)練語(yǔ)料集合少的情況下，對(duì)于分類性能的提升很大，但隨著訓(xùn)練語(yǔ)料數(shù)量變多，提升效果反而比不上不使用語(yǔ)義核函數(shù)的分類器，而后者恰好相反。因此，有必要將兩者進(jìn)行

4、結(jié)合，使其獲得更好的分類性能提升。
　　在對(duì)現(xiàn)有語(yǔ)義核函數(shù)相關(guān)文獻(xiàn)進(jìn)行深入研究的基礎(chǔ)上，針對(duì)支持向量機(jī)中文文本分類過(guò)程中如何使用語(yǔ)義問(wèn)題，本論文研究的主要內(nèi)容如下：
　?。?）對(duì)文本分類相關(guān)理論及其技術(shù)進(jìn)行了的介紹，特別是支持向量機(jī)。
　?。?）對(duì)核函數(shù)如何影響分類器性能進(jìn)行介紹，針對(duì)文本分分類引入語(yǔ)義核函數(shù)，介紹幾個(gè)具有代表性的語(yǔ)義核函數(shù)。
　　（3）針對(duì)文本的詞袋表示法沒(méi)有考慮多義詞和同義詞這一問(wèn)題，考慮使用