原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
计算机科学2002Voi．29No．8
Automatic
COMMIX——Classifier—-AnWeb CategorizationSystem
Page
李立宇1 唐世渭h2杨冬青2 叶恒强3 王腾蛟2
(北京大学信息科学中心 北京100871)1
广州510665)3
(北京大学计算机科学技术系 北京100871)2(f-州新太科技股份有限公司
Web isoneof tOextractthenetworkinforma—
Abstract importantways
pagescategorization
classified is basedonvector model．Becausethenumberof
tion，The algorithmimplemented space
reducefeatureitemsforthefactorof
thefeatureitemsis must the
enormous，we efficiency．We
the whichis inCommix
outafeature basedon OddsRatio，and
way implemented
give reducing
and a
has result．
gotgood
Web termsreduction，Contentextraction
Keywordspagescategorization，Feature
自动文本分类已经有了很长时间的历史了，可
1 引言
以追溯到60年代。直到80年代，最有效的方法还是用
因特网及其应用技术的迅猛发展，产生了海量 知识工程技术手工定义一个自动分类器，例如可以
的Web信息。人们普遍感到虽然可以得到海量的数 在专家知识的基础上手工定义分类规则集合来分
据，但是却很难得到有用的信息和知识。网页自动分 类。到90年代，伴随着网络文档的出现，自动文本分
类是一种行之有效的解决方法，如果能够将网页分 类方法通过对机器学习的利用得到了迅速的发展。
类，然后按内容进行提取、封装，然后人们在自己喜 在这里通过学习样本来自动建立一个文本分类器。
欢的类别中寻找信息，这样就可以大大节约查找的 这些学习样本是预先定义好归属类别的。这样便不
时间。 再需要人工来建立规则集合了。
到目前为止，人们使用的文本分类的方法主要
COMMIX(Web环境下的信息集成、分析处理
和服务系统)是我们承担的国家重点基础研究发展 有决策树，k-NN，Naive—Bayes，支持向量机，神经网
规划(973)资助的“面向内容的海量信息集成、分析络等几种。其中k—NN是一种简单快速的文本分类
方法。基于k—NN的自动文本分类的过程是：给定～
处理与服务”课题的原型系统。在COMMIX系统中
文档评论（0）