超文本的集成分類算法研究.pdf

1、隨著Internet技術(shù)的發(fā)展,萬維網(wǎng)上的文檔數(shù)目成指數(shù)級增長,在如此浩瀚的信息庫中,用戶非常難找尋到自己所需要的信息。因此如何自動且高效地處理這些海量文檔信息成為目前重要的研究課題。文本分類是將從網(wǎng)上抽取到的文檔信息自動有效地分成一定的類別,以便于信息的檢索。基于此,本文主要研究文本信息分類和超文本信息分類的相關(guān)算法。
　　 首先,本文介紹了文本分類的發(fā)展概況和相關(guān)技術(shù),研究了常用的分類算法,并分析相關(guān)算法的性能,為文本分類和

2、超文本分類算法的研究提供理論基礎(chǔ)。
　　 其次,對于文本分類,本文研究與分析了貝葉斯分類算法,貝葉斯分類算法是基于概率統(tǒng)計原理的一種分類方法,但是樸素貝葉斯分類器主要存在的問題是需要屬性之間條件獨立的假設(shè),由于文本單詞之間相互存在很多的關(guān)聯(lián),同時也存在有很大的“噪聲”,很難滿足其屬性之間條件獨立的假設(shè)。本文利用樹增廣樸素貝葉斯網(wǎng)絡(luò)分類器,提出了一種基于貝葉斯的集成分類算法。通過K—Mean聚類方法,構(gòu)建相互獨立的條件屬性子集,然

3、后在條件屬性子集建立TAN分類器,并將這些分類結(jié)果進行集成。在20新聞組和微型新聞組上進行實驗,實驗結(jié)果表明,集成分類算法在所有的類別上取得了更好的泛化性能。
　　 再次,研究了超文本中的多元化信息規(guī)則,并分析了不同分類算法在不同規(guī)則中的分類性能。本文通過對抽取到的數(shù)據(jù)集文檔中的標題,超連接和標記等超文本信息,以及文檔內(nèi)容本身分別建立分類模型,然后根據(jù)神經(jīng)網(wǎng)絡(luò)集成各個分類模型得判別結(jié)果。提出一種基于元信息的超文本集成分類算法,該