基于频繁项集挖掘的正例文本提取方法.pdfVIP

基于频繁项集挖掘的正例文本提取方法 Methodof TextExtractionBasedon Itemset Positive——example FrequentMining 朱祥玉+ ZHU Xiang—yu 姜籀耍霉 提取合适的正例文本是生成有效过滤模板的重要基础。通常采用的人工评测方法的显著缺点是无法准 确判断文本内容并选择切实相关的文本，所以本文在频繁项集挖掘的基础上提出了一种判断给定文本 是否相关并提取合适正例文本的方法：实验结果证实了该方法的有效性。 争关键诵?j过滤模板正例文本频繁项集TF—RIApriori算法 AbstractItisthe for aneffective toextract importantgroundworkconstructing filteringprofile rightpositive oftexts text．ThemethodofManual used Cannot thecontents andvote —example evaluatingusually distinguish incorrelativetexts this forwardamethodfor thecontentsoftextsand in well，8,O paperbrings distinguishing voting basedon resultof itseffect． correlativetextswell itemset frequent mining．Theexperimentsproves text itemset KeywordsFilteringprofilePositive——exampleFrequent TF—-R1Apriorialgorithm 引言 1 基于频繁项集挖掘的正例文本提取方法 在自适应文本过滤中，系统需要根据非常少的正例文本生成 1．1 Apriori算法 初始过滤模板；再利用过滤模板，对输入的文本流进行过滤，并将 Apriori算法是一个很有影响的关联规则挖掘算法，能够挖掘 系统认为相关的文本提交给用户，用户对提交的文本给以反馈； 产生频繁项集。Apriori算法就是根据有关频繁项集特性的先验 然后系统再根据用户的反馈信息调整过滤模板，以此提高系统的 知识(prior 过滤性能。由此可见，在整个文本过滤过程中，建立有效的过滤 索的循环方法来完成频繁项集的挖掘工作。这一循环方法就是 模板是至关重要的，而提取合适的正例文本是生成有效过滤模板 利用k一项集来产生(k+1)一项集。具体做法是：首先找出频繁 的重要基础。通常采用的人工评测方法的显著缺点是无法准确 1一项集L，；然后利用Ll来挖掘频繁2一项集k；不断如此循环 判断文本内容并选择切实相关的文本，所以本文在频繁项集挖掘 下去直到无法发现更多的频繁k一项集为止