基于SVM的Web文本快速增量分类算法

被引：5

作者：

丁文军

薛安荣

机构：

[1] 江苏大学计算机科学与通信工程学院

来源：

计算机应用研究 | 2012年 / 29卷 / 04期

关键词：

支持向量机; 支持向量; 最优分类超平面; KKT条件; 文本特征向量;

D O I：

暂无

中图分类号：

TP391.1 [文字信息处理];

学科分类号：

081203 ; 0835 ;

摘要：

针对基于支持向量机的Web文本分类效率低的问题,提出了一种基于支持向量机Web文本的快速增量分类FVI-SVM算法。算法保留增量训练集中违反KKT条件的Web文本特征向量,克服了Web文本训练集规模巨大,造成支持向量机训练效率低的缺点。算法通过计算支持向量的共享最近邻相似度,去除冗余支持向量,克服了在增量学习过程中不断加入相似文本特征向量而导致增量学习的训练时间消耗加大、分类效率下降的问题。实验结果表明,该方法在保证分类精度的前提下,有效提高了支持向量机的训练效率和分类效率。

引用

页码：1275 / 1278

页数：4

共 8 条

[1]

The more you learn,the less youstore:memory-controlled incremental SVM for visual place recognition. PRONOBIS A,LUO Jie,CAPUTO B. Image and Vision Computing . 2010

[2]

An incrementallearning algorithm for Lagrangian support vector machines. DUAN Hua,SHAO Xiao-jian,HOU Wei-zhen,et al. Pat-tern Recognition Letters . 2009

[3]

A vector space model for automatic indexing. Salton G,Wong A,Yang CS. Communications of the ACM . 1975

[4]

A bottom-up method for simplifying sup-port vector solutions. Nguyen D D,Ho T B. IEEE Transactions on Neural Networks . 2006

[5]

Incremental SVM based on re-served set for network intrusion detection. YI Yang,WU Jian-sheng,XU Wei. Experts Systems withApplications . 2011

[6] 基于类边界壳向量的快速SVM增量学习算法 [J].

吴崇明 ;

王晓丹 ;

白冬婴 ;

张宏达 .

计算机工程与应用 , 2010, (23) :185-187+248

[7]

The more you learn, the less you store: Memory-controlled incremental SVM for visual place recognition[J] . Andrzej Pronobis,Luo Jie,Barbara Caputo. &nbspImage and Vision Computing . 2010 (7)

[8]

A vector space model for automatic indexing[J] . G. Salton,A. Wong,C. S. Yang. &nbspCommunications of the ACM . 1975 (11)

← 1 →