基于粗糙集和支持向量機的文本分類方法研究.pdf

1、本文首先對文本分類的發(fā)展現(xiàn)狀及存在問題進行了系統(tǒng)性闡述，按文本分類的流程對文本分類相關(guān)技術(shù)進行了介紹和探討，重點分析和研究了文本表示、特征選擇技術(shù)以及文本分類算法等文本分類關(guān)鍵技術(shù)。 本文較為系統(tǒng)地總結(jié)和研究了粗糙集和支持向量機的基本原理。并分別就屬性約簡算法、支持向量機訓(xùn)練和分類算法等問題加以討論。 為了更好地提高文本分類準確率，降低支持向量機分類算法的運行時間，針對文本經(jīng)過預(yù)處理和文本表示后高維稀疏性的特點，本文在研

2、究和分析了一些粗糙集屬性約簡算法及其存在的問題的基礎(chǔ)上，提出了一種改進的基于屬性重要度函數(shù)的屬性約筒算法，并將該算法和相關(guān)已有算法進行了對比分析，從理論上證明了該改進算法的有效性，算法的時間復(fù)雜性優(yōu)于同類算法。 結(jié)合粗糙集和支持向量機的各自優(yōu)點，提出了基于粗糙集與支持向量機相結(jié)合的文本分類方法，在對文本進行特征選擇后，利用改進后的粗糙集屬性約簡算法，對特征選擇后的特征向量空間進行約簡，進一步降低特征向量空間的維數(shù)，減少冗余屬性對

3、分類效果的影響，縮短支持向量機的訓(xùn)練時間，并據(jù)此設(shè)計和實現(xiàn)了一個結(jié)合粗糙集理論和支持向量機技術(shù)的文本分類實驗系統(tǒng)，對比了降維前后分類效果，探討了懲罰因子C的選擇對分類結(jié)果的影響。實驗結(jié)果表明，在文本特征向量空間的維數(shù)大于2500維情況下，采用粗糙集和支持向量機相結(jié)合的文本分類方法取得了較好的分類效果。從而從實踐上證明了本文提出的改進約簡算法在高維情況下是有效的。 最后，對本文取得的成果以及不足進行了總結(jié)，并對下一步的研究工作進行