基于类别层次结构的多层文本分类样本扩展策略 - 中文信息技术专业 .pdf

网络出版地址：/kcms/doi/10.13209/j.0479-8023.2015.050.html 北京大学学报(自然科学版) Acta Scientiarum Naturalium Universitatis Pekinensis doi: 10.13209/j.0479-8023.2015.050 基于类别层次结构的多层文本分类样本扩展策略 李保利 河南工业大学计算机科学系 , 郑州 450001; E-mail: csblli@ 摘要 针对大规模多层文本分类训练样本获取代价高、类别分布不均衡等问题, 提出并比较几种基于类别层 次结构的大规模多层文本分类样本扩展策略, 即利用类别层次体系中蕴含的类别名称、描述以及类别间的层 次结构关系, 从内涵和外延两方面入手构造或扩展类别训练样本。在首次大规模中文新闻信息多层分类评测 数据集上 , 基于外延的局部样本扩展策略取得较好的性能。参测系统在第一级类别和第二级类别上宏平均 F1 分别为 0.8413 和 0.7139, 在 10 个参赛系统中位列第二。 关键词 多层文本分类; 大规模中文新闻分类; 中文新闻信息分类; 类别层次体系 中图分类号 TP391 Expanding Training Dataset with Class Hierarchy in Hierarchical Text Categorization LI Baoli Department of Computer Science, Henan University of Technology, Zhenghou 450001 ; E-mail: csblli@ Abstract As the number of classes is quite large in a hierarchical text categorization problem, it usually costs much to obtain a training dataset of reasonable size and sample distribution. Several strategies are proposed and compared to generate new training samples from the class hierarchy in a hierarchical text classification problem. These solutions try to make full use of the class hierarchy (including class names, their descriptions if any, and relationships between them), and derive new pseudo training samples based on connotations and extensions of