基于《中图法》的多层次中文文本分类知识库的构建.pdfVIP

基于《中图法》的多层次中文文本分类知识库的构建 张玉芳，薛春香 （南京理工大学信息管理系南京 210094 ） 摘要：本文基于层次鲜明的《中图法》，改进传统的扁平知识库构建方法，构建了多层 次的文本分类知识库，并在此知识库上实现了分类。实验结果显示：对比扁平知识库，基于 层次知识库的文本分类准确率更高，表明通过加入层次信息优化知识库进而改善文本分类的 性能具有可行性。 关键词：文本分类；层次分类；知识库；《中图法》 The Construction of Multiple-layer Chinese Knowledge Database for Text Classification Based on Chinese Library Classification Zhang Yufang, Xue Chunxiang Abstract: To improve the construction method of traditional flat knowledge database, this paper establishs a hierarchical Chinese knowledge database for text categorization based on Chinese Library Classification with distinct layers. Experimental results show that the proposed method obtains higher precision rate, and indicate that optimization of knowledge database by adding layer information can improve the classification performance. Keyword: text classification; multiple-layer classification; knowledge database; Chinese Library Classification 1 引言 网络信息量的快速增长带动了文本挖掘的研究，文本分类作为文本挖掘的一项重要内容， 被认为是处理和组织海量信息的有力手段，成为当前研究热点并被广泛应用。文本分类从基 于知识工程方法发展到基于机器学习，前者基于人工标引经验统计生成分类号-关键词串对 应表，后者采用机器学习训练语料生成分类器，这两种分类模式被认为其本质都是基于分类 知识库[1] 。 关于分类知识库，国内外研究者进行了一系列的研究并构建了相应的知识库。从知识库 所依赖的分类体系看：国外的研究多是基于杜威十进分类法（Dewey Decimal Classification ， DDC ）完成的；而国内的研究所采用的主要是 《中国图书馆分类法》（以下简称《中图法》）。 从研究内容的角度分析：国外的研究已从提出运用 DDC 组织网络信息[2]，实践运用DDC 分 类框架构建分类工具[3, 4] [5] ， 发展到将其与机器学习相结合进而分类的阶段 ，且已有通用的 流程并取得了较好的分类结果；而国内的研究相对滞后，21 世纪初，南京农业大学侯汉清 的研究小组提出构建服务于文本自动分类的知识库，带动了国内知识库在信息组织智能化领 域的应用研究。研究小组基于《中图法》采用人工标引方法设计分类知识库[7]、确定知识库 的具体结构及构建方法[8] [9] 、并成功实现了应用 ，进一步提出将标引经验方法与机器学习方 法相结合进行文本分类[10] 。近年来也有不少通过机器学习形成分类器的研究，但依据科学 的分类体系的研究较少，如李森等针对数字化科技论文的自动分类研究[11] 、赵纪元和罗霄 的学术文献自动分类研究[12] 。 然而，上述相关研究中所建立的知识库存在两个问题：①上述知识库本质是实例库，实 例的