论文部分内容阅读
网络信息的迅速增长,促进了文本自动分类研究的发展。在众多的分类算法中,支持向量机由于其坚实的理论基础和良好的分类性能,受到了研究者们的广泛关注。本文在研究支持向量机理论的基础上,对基于支持向量机的分类算法进行了深入分析与探讨,并调整与改进了传统的基于支持向量机的中文文本分类系统的结构,以更合理的方式实现了基于支持向量机的文本分类系统,改进了基于二叉树的多类支持向量机文本分类算法。概括而言,本文在研究已有支持向量机理论的基础上,主要作出了如下探讨:传统的基于支持向量机的中文文本分类系统,主要包括训练模块和测试模块。本文在实现分类系统时,对其结构作出了调整与改进,即将文本预处理作为一个单独的模块,而将中文分词、特征提取、特征选择和文本向量表示等过程集成到该模块中。并为训练文本和测试文本提供了共同的输入接口,而由预处理系统根据不同情况输出训练文本特征向量和测试文本特征向量。这样,在训练模块和分类模块中不必涉及到文本向量表示功能,有利于系统的开发与维护,使得系统具有更好的性能。在分类函数的训练过程中,本文使用可行性方向法对二次规划问题进行求解,并给出了求解后的算法描述。将支持向量机从两类分类问题推广到多类分类问题,是一个研究热点。在各种基于支持向量机的多类分类算法中,基于二叉树的多类支持向量机分类算法训练和分类速度相对较快,且解决了不可分问题,是一种很好的方法。本文系统研究和分析了基于二叉树的多类支持向量机分类算法,并在此基础上对其作出了改进,即当测试文本集规模较大时,对其先聚类再分类。改进的目的是,使测试文本不必总是从二叉树的根结点开始进行判断,而是有指导的代入分类函数中计算。在测试文本集规模较大,分类函数个数较多时,可以很大程度上增加分类效率,并加大了文本正确分类的概率。