《基于加权频繁子图挖掘的图模型在文本分类中的应用》.pdfVIP

第 14卷 第22期 2014年8月 科 学 技 术 与 工 程 Vo1．14 No．22 Aug．2014 1671— 1815(2014)22—0080—06 ScienceTechnologyandEngineering ⑥ 2014 Sci．Tech．Engrg． 基于加权频繁子图挖掘的图模型 在文本分类中的应用 王海荣 (黄淮学院信息工程学院，驻马店 463000) 摘 要 针对传统文本分类算法的分类精度低和计算复杂度高的问题，提 出一种基于加权频繁子图挖掘的图模型文本分类 算法。首先将文档集表示成图集；然后运用加权图挖掘算法提取频繁子图；最后，对特征 向量进行分类。提出的算法仅提取 最重要的子图，使其整体具有较好的分类效果和较高的计算效率。为评估该算法有效性，将其与多种现有分类算法分别对一 个数据集进行分类实验，实验结果表明，提出的算法具有更高的识别精度和更少的运行时间。 关键词 文本分类 图模型 加权频繁子图挖掘 最小支持度 特征提取 中图法分类号 TP399； 文献标志码 A 文本分类方法中最常见的是基于词／词袋表示 必要的模式 J。加权关联规则挖掘 (Weightedasso— 的向量空间模型法，其主要优点是分类算法易于实 ciationrulesmining，WARM)中一个重大问题是项 现 。然而，词／词组向量空间法仅适合采集频繁出现 集不具有 “向下闭合 ”(DC)属性，对此有一种解决 的词／词袋，而忽略了结构和语义信息，事实证明结 方案是在挖掘频繁项集之后将权重当做一个后处理 构信息对分类精度也有重要的影响¨。基于图模 步骤 J，但是这样权重就不会集成到关联规则挖掘 型的文本表示方法比词／词袋表示方法更直观、表现 (associationrulesmining，ARM)过程中。文献 [9] 力更强，但引入了一个额外的复杂度 ，两幅图之间相 提出一个加权支持模型，满足加权 DC属性。文献 似度的计算复杂度明显高于两个向量之问相似度计 [10]为了维持DC属性并推动权重约束深入挖掘过 算。有学者研究采用混合表示法 j，结合结构元素 程而为 WARM 引入一系列概念 ，如 “加权范围”、 (使用图模型)和重要特征 (使用向量模型)混合表 “权重 自信度”和 “支持 自信度 ”，尽管 WARM 的思 示，然而，这些混合模型的计算量仍然很大。 想不能直接应用到加权频繁子 图挖掘 中，然而这个 早期有关文本分类方法的研究大都是针对 研究对本文分类方法研究有一定的启发。 Web文档，文献 [3]表明单独使用文档结构就可以 基于图模型的文本挖掘方法的主要缺点是较高 分类Web文档，本文将证明结合结构和语义信息的 的计算复杂度。本文提出一种运用加权图挖掘分析 方法更为有效。引入混合表示是为了解决单纯图表 法来解决这个问题，将权重约束应用到频繁子图挖 示带来的高计算复杂度问题，文献 [4]表明混合表 掘过程 中，通过仅产生最重要的模式来减少搜索 示法的性能优于单纯 图模型表示方法，然而处理这 空间。 些混合模型需要的计算量仍然很大，主要因为：① 1 频繁子图 节点和边的数 目巨大、边标签数 目少、节点标签结构 重复性高；② 搜索空间的指数复杂度高等原因 J。 现以事务 图集 D = {G ，G ，…，G}为开端介 采用各种方法挖掘频繁子图已经得到了广泛的 绍标准事务图挖掘方法，r(g，G)为任意图g和 G 研究。。J，但主要的问题是在挖掘过程 中许多次要的