文本分類技術(shù)在數(shù)字圖書館中的應(yīng)用與研究.pdf

1、分類作為人類認識世界的一種重要認知手段已經(jīng)存在很長時間。計算機的問世與普及使用，使得分類成為計算機及相關(guān)領(lǐng)域的研究重點，特別是Internet出現(xiàn)以后，在線文本文檔劇增，文本的分類就成為廣泛關(guān)注和研究的關(guān)鍵技術(shù)之一。 文本分類的一個重要應(yīng)用領(lǐng)域是數(shù)字圖書館。目前，數(shù)字圖書館正成為全球范圍內(nèi)信息基礎(chǔ)設(shè)施建設(shè)的熱點領(lǐng)域，是二十一世紀全球文化與科技競爭的焦點之一，而數(shù)字圖書館建設(shè)的基礎(chǔ)是元數(shù)據(jù)的組織和建設(shè)。元數(shù)據(jù)是關(guān)于數(shù)據(jù)的結(jié)構(gòu)化數(shù)據(jù)

2、，為數(shù)字圖書館提供了一種精確描述數(shù)據(jù)內(nèi)容、語義和服務(wù)的機制。 本文就文本分類及其在數(shù)字圖書館中的應(yīng)用進行研究，主要涉及以下4個問題：訓練文檔的支持向量預(yù)抽取、文本特征評估、元數(shù)據(jù)自動抽取、知識本體元數(shù)據(jù)。 1.定義了凸包相對邊界向量方法，獲取凸包邊界上的邊界向量，然后依此邊界向量為訓練樣本來求解支持向量，簡化求解二次規(guī)劃的運算量，從而有效提高支持向量機的訓練速度。 2.定義了文本特征評估方法，找出類別的重要特征和

3、噪音特征，然后根據(jù)分類結(jié)果評估測試樣本和訓練樣本的質(zhì)量，優(yōu)化和擴充文本庫，逐步提高學習樣本的質(zhì)量、擴大文本庫的范圍，并根據(jù)樣本質(zhì)量修改樣本在分類模型中的權(quán)重，提高分類系統(tǒng)的性能及其對不斷變化的外界的適應(yīng)性。 3.定義了元數(shù)據(jù)的抽取策略與抽取規(guī)則。在信息抽取的研究領(lǐng)域，有兩條主要的技術(shù)路線：基于規(guī)則的路線與基于統(tǒng)計模型的路線?；谝?guī)則的主要思路是通過分類文本的特征、結(jié)構(gòu)等信息，尋找到一些用于抽取的規(guī)則?；诮y(tǒng)計模型的基本思想是尋找