基于K-最近距离方法的哈萨克语报纸分类初探.pdfVIP

基于K一最近距离方法的哈萨克语报纸分类初探 玛依来·哈帕尔1，古丽拉·阿东别克2 (新疆大学信息科学与工程学院‘，新疆大学。乌鲁木齐830046) Email：mairal09@qq．COm 摘要：本文利用J(撮近距离的方法对路萨克诿报纸进行分类，初步实现了利用统计诃频焦B和语言信息辋结合的 方法选择特征词，且计算特征的权重值时不仅考虑词频，还利用了特征的集中度、分散度．经过训练莆I统计对哈萨 克文文本形成特征的权重向量，之后根据K一最近距离判断测试文本的所属类别，从而实现了本文提l出的哈萨克语 报纸分类的目标。 关键词：文本分类：哈萨克语：K-最近距离：词频：集中度：分散度 Text i zati onfor ofKazakhBasedon Categor newspaper K-NearestNei ghbor Mayra。Haparl，Gulila‘Altenbel? scienceand (Informationengineeringcollege，XinJi和gUniversity,Urumqi830046，China) Emaii：mairal09@qq．com Abstract：TheclassificationoflheKazakh isdecided methodthat newspaperbyK-nearest-neighbor,am=graeslanguage andstatisticalinformationfrom is realized．Theofthesecharactersis information the灯面tir堰corpusbasically weight from thevector three球啦m址姆fs：wordfrequency,centralized computed degree,decentralizeddegree。Aftertraining,Weget modelofthetext astorealizethe ofKazaida whichisissuedin categorization,SO classification space objective newspapfr article． the Keywords：textcategorization；Kazakh；K．r砖a佗St峨。ig}Ibor；wordfrequency；centralizeddegree；decentralizeddegree 1引言 文本的自动分类是自然语言处理的一个十分重要的问题，是对大量的自然语言文本按照一定 的主题类别迸行自动分类。文本分类就是在给定的分类体系下，由计算彩e根据待分类文本的内容 自动确定文本类别的过程…。文本分类处理的研究是计算机、信息处理领域的重要内容。文本分 类主要应用于信息检索，机器翻译，自动文摘，信息过滤，邮件分类等。 词是哈萨克语中最小的能独立运用的语言单位，词与词之问用空格分隔开，不存在像汉语中 的分浏问题。因此用词、词组、词串为特征单位，基于词的标引是最适合文本分类的。词干是一 · “ ^^： 个词中体现词汇意义的部分。一个词除去词尾所剩部分就是词于。如：“—。。．Jp一，j”(我们 的学生)中的≯≯．，(学生)是词干，词二：F：词根+词缀。 在晗萨克