陈可华

（宁德师范学院 计算机与信息工程系，福建 宁德 352100）

文本自动分类新探究

陈可华

（宁德师范学院 计算机与信息工程系，福建 宁德 352100）

文本自动分类是一种有效的组织信息和管理信息的工具.传统分类方法一般在分类效果和运行效率两者上不可兼得.通过综合 Rocchio 和 KNN 两种分类方法的优点，设计了一种基于多代表点的文本分类方法，该方法通过对各类挖掘出多个有效的代表点(真实或虚拟的)，再使用基于这些代表点的 Rocchio 和 KNN 方法进行分类.实验表明，该方法以较少的训练时间达到令人满意的分类效果，并且能很好解决不平衡类问题，实验结果显示该方法能达到与 SVM 相当的分类效果.

文本分类；多代表点；Rocchio；KNN

1 介绍

随着因特网等信息技术的发展，各类信息资源的增长都呈现海量特征，而其中文本数据始终占据重要地位.如何有效地组织、管理和使用这些文本信息成为当前的迫切需求,这促进了文本自动分类技术的迅速发展和广泛应用[1,2,4].

近年来，随着如垃圾邮件过滤[3]等需求的激励，基于机器学习的文本自动分类技术的研究取得了很大的进展，提出 了 很 多 有 效 的 分 类 模 型[4]， 如 基 于 类 中 心 的 方 法 ，N a ïv e B a y e s算法，支持向量机 S V M，K N N，神经网络，决策树，B o o s t i n g等.

在这些分类方法中，基于类中心的 R o c c h i o方法由于其简单快速而得到了广泛的应用，但是该方法的精度常常不能令人满意，其只适用于各个类之间差异比较明显的简单分类问题，而对于较复杂的情况，特别是遇到不平衡类问题时它的分类结果通常要相对差一些；……