文本分类中基于K-Sprinkling的特征提取方法

• 作者: 景维鹏 李惠富 陆光
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 特征提取 样本隶属度 样本紧密度 潜在语义索引 贡献度
• 年，卷（期）: 2017,（12）
• 所属期刊栏目: 人工智能及识别技术
• 页码范围: 141-146
• 页数: 6页
• 分类号: TP301.6
• 字数: 5286字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-3428.2017.12.027

摘要

传统的特征提取方法大多注重类别对特征词的作用,不能很好地表达样本对类别的影响.为此,对样本的类别贡献问题进行研究.针对Sprinkling特征提取方法中未考虑样本对类别的贡献度问题,提出一种基于K-Sprinkling的特征提取方法.综合考虑样本紧密度和样本隶属度信息,利用Sprinkling方法的特点,将样本权值映射到语义空间中,实现对文本的分类.实验结果表明,K-Sprinkling方法比传统的Sprinkling方法在平衡样本分类上F1值提高了1.89％,在不平衡样本分类上F1值提高了3.30％,取得了较好的分类效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陆光	东北林业大学信息与计算机工程学院	19	40	3.0	5.0
2	景维鹏	东北林业大学信息与计算机工程学院	37	217	8.0	12.0
3	李惠富	东北林业大学信息与计算机工程学院	2	4	2.0	2.0