支持向量機文本分類算法的研究及其應用.pdf

1、隨著信息技術和信息網絡的飛速發(fā)展，從大量數(shù)據(jù)中挖掘出有用知識的數(shù)據(jù)挖掘已成為具有重要意義的研究領域。支持向量機(support vector machine)是近年來在統(tǒng)計學習理論的基礎上發(fā)展起來的一種新的模式識別方法，在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢。
　　 雖然統(tǒng)計學習理論(SLT)有比較堅實的理論基礎和嚴格的理論分析，但是其從理論到應用還有很多尚未得到充分研究和解決的問題。例如，目前該領域的相關

2、研究大多是試圖設計某種分類器，使其對未來所有可能樣本的預期性能最優(yōu)，而在很多實際問題中，沒有可能也沒有必要用這樣一個分類器對所有可能的樣本進行識別，而往往只需要對一些特定的樣本進行識別。于是可以考慮設計這樣一種更為經濟的分類器，用它來建立一種直接從有標簽樣本出發(fā)對特定的無標簽樣本進行識別和分類的方法和原則。相對于傳統(tǒng)的歸納推理方式，這種推理方式被稱為直推式學習(transductive inference)。直推式學習試圖根據(jù)已知樣本對

3、特定的未知樣本建立一套進行識別的方法和準則。漸進直推式支持向量機學習算法(progressive transductive support vector machine，PTSVM)可以較好地適應各種不同的訓練樣本分布，實現(xiàn)了較一般意義上的直推式學習。本文針對PTSVM中的區(qū)域成對兒標注法學習過程不自然且易出錯和標簽重置法糾錯能力不強的缺陷，提出了一種改進的基于Cache的漸進直推式支持向量機學習算法。該算法用值域成對兒標注法和Cach

4、e糾錯法分別取代了PTSVM中的區(qū)域成對兒標注法和標簽重置法，不僅大大減少了錯誤標記的次數(shù)，提高了算法的速度和準確度，而且消除了PTSVM算法的死循環(huán)現(xiàn)象。通過UCI的Wisconsin Breast cancer和CWH03a的Svmguide3兩個數(shù)據(jù)集的實驗，表明該算法是有效的。
　　 將本文改進的基于Cache的漸進直推式支持向量機學習算法應用于大連市公安局警務綜合應用平臺的全文檢索系統(tǒng)，顯著提高了信息檢索的準確性，提高