陶宏曜+梁栋屹

引言

随着Internet的发展，网络上的信息量增长迅猛，互联网信息提取技术应运而生。自动分类是数据挖掘中一项关键的技术，在许多领域得到了广泛的应用。为了实现快速对大量文本自动分类，许多学者对这一问题做了大量的探索，在构造分类器时使用的技术大体可分为两类：机器学习和深度学习。

在机器学习领域中，有研究较为成熟的算法，如：樸素贝叶斯分类器，支持向量机，信息熵，条件随机场等。这些方法又可以分为三类：有监督的机器学习，半监督的机器学习和无监督的机器学习。其中李荣陆等人使用最大熵实现了对中文文本的分类。李婷婷等通过对文本数据构建若干特征，再利用传统的机器学习方法对文本进行分类。李文波等人提出了一种附加类别标签的LDA算法，该模型很好的解决了基于传统LDA分类算法时强制分配隐含主题的问题。解冲锋等人利用分类文本中旬子内部词语的相关性和句子间的相关性提出了一种基于序列的文本自动分类算法。

现有许多分类器效果的好坏大都取决于所构建特征的质量和分类模型。为了得到更好的分类效果，国内学者针对如何选取和生成特征，以及如何优化模型参数等问题做了大量的研究。其中陆玉昌等人深入分析了向量空间模型（VSM）的本质，找出了其分类正确率低的原因，并提出了一种利用评估函数代替IDF函数的改进方法。李荣陆等人提出了一种基于密度的KNN分类器训练样本裁剪方法，克服了KNN方法中存在的计算量大，而且训练样本的分布不均匀会造成分类准确率的下降的问题。……