论文部分内容阅读
探讨基于体裁的中文网页分类的特征项选取问题。词汇特征方面，结合自动抽取和人工归纳的方式来获得。通过改进PAT树存储结构，进行序列挖掘来获得频繁字符串特征，使得文本分类系统摆脱对切词处理和词典的依赖，并提出了模糊字符串模式的特征表达方式。此外，特征集中融入了文本的形式特征，并根据网页的特点，引入链接信息特征。实现了基于体裁的中文网页分类系统，结果表明分类效果得到了有效的改善。