基于支持向量机的PU中文文本分类器构建

被引：8

作者：

王宗尧 ^{[1
]}

刘金岭 ^{[2
]}

机构：

[1] 淮阴工学院管理工程学院

[2] 淮阴工学院计算机与软件工程学院

来源：

南京邮电大学学报(自然科学版) | 2015年 / 35卷 / 06期

关键词：

支持向量机; PU分类; 文本分类; 正例; 可信反例;

D O I：

10.14132/j.cnki.1673-5439.2015.06.015

中图分类号：

TP391.1 [文字信息处理];

学科分类号：

摘要：

在PU文本分类中,针对文本分类中可信反例获取困难,使文本分类器性能低下的问题,提出了一种基于支持向量机的PU文本分类器的构建。该方法采用改进的特征词权值提取方法进行特征词提取,利用OBPCZ算法从未标识文本数据集中尽可能多地移除正例,从而获得更多的可信反例。结合支持向量机和改进的Rocchio构建了高效的文本分类器。实验表明,该方法比目前其它的面向PU学习的文本分类方法具有更高的分类质量。

引用

页码：100 / 105

页数：6

共 12 条

[1] 基于降维的短信文本语义分类及主题提取
刘金岭
[J]. 计算机工程与应用, 2010, 46 (23) : 159 - 161+174
[2] 基于语义信息的中文短信文本相似度研究
刘金岭
宋连友
范玉虹
[J]. 计算机工程, 2012, 38 (13) : 58 - 60+70
[3] 一种基于聚类的PU主动文本分类方法
刘露
彭涛
左万利
戴耀康
[J]. 软件学报, 2013, 24 (11) : 2571 - 2583
[4] Building text classifiers using positive and unlabeled examples. Liu,Bing,,Yang Dai,Xiaoli Li,Wee Lee,Philip S. Yu. Proceedings of the 3rd IEEE International Conference on Data Mining . 2003
[5] A novel reliable negative method based on clustering for learning from positive and unlabeled examples. Zhang BZ,Zuo WL. Proc.of the AIRS 2008 . 2008
[6] Learning to Classify Texts Using Positive and Unlabeled Data. X. Li,,B. Liu. Proceedings of the 18th International Joint Conference on Artificial Intelligence . 2003
[7] Estimating the support of a high-dimensional distribution. Scholkopf B,platt J C,shawe-Taylor J,et al. Technical Report MSR-TR-99-87, Microsoft Research . 1999
[8] Text classification from positive and unlabeled examples. Denis F R,Gilleron M. IPMU . 2002
[9] On-line learning for active pattern recognition. Park, Jong-Min,Hu, Yu Hen. IEEE Signal Processing Letters . 1996
[10] SVM based adaptive learning method for text classification from positive and unlabeled documents
Peng, Tao
Zuo, Wanli
He, Fengling
[J]. KNOWLEDGE AND INFORMATION SYSTEMS, 2008, 16 (03) : 281 - 301

← 1 2 →