概率主題模型在文本分類中的應(yīng)用研究.pdf

1、數(shù)據(jù)偏斜和噪聲數(shù)據(jù)是文本自動分類應(yīng)用中經(jīng)常遇到的問題。在數(shù)據(jù)偏斜的情況下，樣本無法準(zhǔn)確反映整個空間的數(shù)據(jù)分布，分類器容易受到大類的影響而忽略小類。大多數(shù)分類算法都是面向均勻分布數(shù)據(jù)提出的，對于數(shù)據(jù)偏斜的情況，僅利用傳統(tǒng)的分類方法并不能取得理想的效果。另一方面，分類器的質(zhì)量很大程度上取決于訓(xùn)練文本集的質(zhì)量。一般說來，訓(xùn)練文本集類別越準(zhǔn)確、內(nèi)容越全面，得到的分類器質(zhì)量就越高。但是在實(shí)際應(yīng)用中，這種全面準(zhǔn)確的訓(xùn)練文本集是很難得到的，尤其是在數(shù)

2、據(jù)規(guī)模很大的情況下，更是如此。在真實(shí)的文本分類應(yīng)用中，訓(xùn)練數(shù)據(jù)一般都不可避免的含有噪聲，這些噪聲樣本將對最終的分類結(jié)果產(chǎn)生重要影響。我們結(jié)合LDA(Latent Dirichlet Allocation)概率主題模型，針對上述兩種情況，提出了基于概率主題模型的數(shù)據(jù)偏斜分類方法和噪聲處理方法。利用LDA概率主題模型潛在的全局語義信息，人工生成新的訓(xùn)練文本，能夠取得比傳統(tǒng)方法更好的效果。 本文的主要工作和特色如下： 首先，提

3、出了一種基于LDA概率主題模型的文本生成方法。首先采用Gibbs抽樣算法從訓(xùn)練文本集中抽取LDA模型，然后利用LDA模型的生成過程思想構(gòu)造屬于訓(xùn)練文本集的新文本。實(shí)驗(yàn)表明，生成的新文本與原來的訓(xùn)練文本集有較高的相似性，同時也不存在過度擬合現(xiàn)象。 其次，針對文本分類中的數(shù)據(jù)偏斜現(xiàn)象，結(jié)合LDA概率主題模型，提出了一種新的數(shù)據(jù)偏斜文本分類方法。該方法不但解決了傳統(tǒng)過采樣方法不可避免的過度擬合問題，還在一定程度上擴(kuò)大了稀有類別在文本空

4、間上的范圍。在多個數(shù)據(jù)集上面的實(shí)驗(yàn)結(jié)果表明，該方法比其他數(shù)據(jù)偏斜處理方法更適用于文本分類問題。 最后，提出了一種利用LDA概率主題模型處理噪聲的文本分類方法。根據(jù)類別熵對噪聲樣本進(jìn)行過濾，然后利用主題模型的生成過程進(jìn)行數(shù)據(jù)平滑，進(jìn)一步減弱噪聲樣本的影響，同時保持了訓(xùn)練集的原有規(guī)模。在真實(shí)數(shù)據(jù)上的實(shí)驗(yàn)表明，該方法對噪聲樣本的分布具有較好的魯棒性，在噪聲比例較大的情況下仍然能夠提供較好的分類結(jié)果。 通過詳細(xì)的理論分析和實(shí)驗(yàn)驗(yàn)