大连理工信息检索研究室.PPT

SEWM2007分类系统说明 主要内容 分类系统模块结构 系统模块详解 系统运行环境介绍 展望与未来 系统模块详解 语料预处理 分词 特征提取 向量空间模型建立 分类训练与预测 语料预处理（1） 采用基于Java开源项目：HTMLParser 抽取网页主要内容 URL Title 链接锚文本等信息 Description keywords 语料预处理（2） 实验过程遇到问题： 针对语料编码方式的多样性，我们将GBK作为默认编码方式 依靠实验效果好坏，对网页不同区域内容设置不同权重，权重设置具有随机性，不稳定 锚文本收集仅收集链接文本，在20G语料中未实现扩展锚文本对分类效果的影响，后期打算增加源网页的优劣对锚文本准确程度的影响的考虑 分词 采用哈工大分词程序 增加部分停用词，词汇数量达到2040个 特征提取（1） CHI 分别计算词条与个各类别的CHI值，取最大值作为该词项的CHI值 ECE（期望交叉熵） 是一种基于概率的方法，交叉熵越大，对文本类别分布的影响越大 CHI+DF 使用DF移除低于一定阈值低频词，消除CHI对低频词的倚重，再用CHI从剩余词条中移除类别信息较低的噪音词，这样的词条通常平均分布于各个类别 特征提取（2） 向量空间模型建立 ITC是TF*IDF变形，使用词频的对数代替词频，减少了词频上的差异构成的影响 分类模型 LibSVM软件包 核函数选择 RBF