一种新的基于统计的自动文本分类方法

• 作者: 刘斌 程军 高文 黄铁军
• 来源期刊: 中文信息学报
• 学科: 工学
• 关键词: 自动文本分类 多层次特征提取 基于核的距离加权KNN算法 样本重要性分析
• 年，卷（期）: 2002,（6）
• 页码范围: 18-24
• 页数: 7页
• 分类号: TP391
• 字数: 5723字
• 语种: 中文
• DOI: 10.3969/j.issn.1003-0077.2002.06.003

摘要

自动文本分类就是在给定的分类体系下,让计算机根据文本的内容确定与它相关联的类别.为了提高分类性能,本文提出了中文文本多层次特征提取方法和基于核的距离加权KNN算法.多层次特征提取方法在汉字、常用词表和专业词表三个层次上提取文档的统计特征,能够更好地反映文档的统计分布.基于核的距离加权KNN算法解决了样本的多峰分布、边界重叠问题和分类器的精确分类决策问题.实际应用中,互联网和文本库提供了大量经过粗分类的训练文本,但普遍存在样本质量较差的问题,本文通过样本重要性分析技术解决此问题.实验系统证明了新方法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	高文	中国科学院计算技术研究所	150	5863	39.0	72.0
2	刘斌	中国科学院计算技术研究所	230	3876	32.0	56.0
3	黄铁军		28	369	8.0	19.0
4	程军	中国科学院文献情报中心	21	273	5.0	16.0