基于潜在语义差异的医学网页分类.pdfVIP

基于潜在语义差异的医学网页分类’ 米晓芳秦洋 王立宏 宋宜斌 (烟台大学计算机学院，烟台，264005) 摘要：通过分析潜在语义索引的各种模型提出一种新的潜在语义差异模型。将医学网页中的文本抽取出来 并分别采用全局模型、局部模型和差异模型进行表示，利用SVM算法进行分类并计算分类正确率和F1指标。 实验发现：在差异模型表示下，分类正确率和F1指标较全局模型有明显提高，某些情况下较局部模型分类结 果也有提高。 关键词：潜在语义索引；差异模型；文本分类；SVM算法 Medical BasedonLatent Webpage Categorization ◎ifference Qin Yibin XiaofangYangWangLihong。Song M，i (Instituteof Scienceand Computer Technology，Yantai，264005) Abstract．Anewlatentsemanticdifferencemodelis onthebaseofvariousLSI proposed models．Thetextin medical isextractedand LSIand webpage represented LSI，local differenceLSI byglobal is to thefeaturevectorsof collectionandthe and algorithmemployedclassify testing are illustratesthatdifferenceLSIis in macro—averageF1 calculated．Simulatingexperiment outstandingincreasing and when with LSI，andobtainssome on F1 and accuracymacro—averagecomparedglobal improvementaccuracy when withlocalLSI． F1 compared macro—aver。age Semantic Keywords：LatentIndexing；DifferenceModel；TextCategorization；SVMAlgorithm 1 引言 如何从这些海量的Web文本信息中获得有价值的信息，成为信息处理领域的一个关键问题。人们将数据挖掘 技术应用到Web的知识发现中，形成了Web挖掘技术。 循证医学网页记录着丰富的循证医学实验信息，涉及疾病防治、保健、药物等各方面。目前有几大网上 数据库，如Cochrane、Evidence—Based 文献『11以Medline中的摘要信息为研究对象，抽取出病人群体、对比治疗、疗效评价等信息。由于循证医学 网页中有价值的内容主要是它的文本信息，因此本文对医学网页的分类仍属于文本分类问题。目前文本分类 的关键技术主要分两部分：降维技术和分类方法。 潜在语义索引挖掘文本与特征之间潜在的高阶语义结构，将文本特征矩阵分解，实现特征空间的降维， 文本和特征被转换到低阶语义空间上进行描述。目前主要的潜在语义模型有全局模型、