×
维拉尤斯·勒纳提埃（Verayuth Lertnattee）;塔纳鲁克Theeramunkong

基于中心的文本分类中的类规范化。 （英语） Zbl 1092.68665号

信息科学。 176，第12期，1712-1738（2006）.
基于中心的分类是文本分类中最流行的算法之一。在这种方法中，当文本集合中的文档大小不同和/或类中的文档数量不平衡时，规范化是提高基于中心的分类器性能的一个重要因素。过去，大多数研究人员应用文档规范化，例如文档长度规范化，而一些研究人员考虑使用一种简单的类规范化，即所谓的类长度规范化来解决不平衡问题。然而，还没有深入的工作来澄清这些规范化如何影响分类性能，以及是否有其他有用的规范化。本文的目的是三方面的；（1） 为了研究文档和类长度规范化对几个数据集的有效性，（2）评估一些常用的规范化函数，（3）引入一种新型的类规范化，称为术语长度规范化，它利用类中文档之间的术语分布。实验结果表明，对于类中文档数量不平衡的数据集，采用权重-大小规范化方法（类长度规范化）的分类器比采用权重-规格化方法（文档长度规范化。对于归一化函数，基于术语权重的归一化平均性能优于其他函数。对于术语长度归一化，它有助于提高分类精度。术语和类长归一化的组合优于纯类长归一、纯术语长度归一化和非归一化，差距分别为4.29%、11.50%和30.09%。

引用于2文件

MSC公司：

68吨10 模式识别、语音识别
68T05型 人工智能中的学习和自适应系统
68单位15 文本处理的计算方法；数学排版

关键词：

终端长度归一化

软件：

INQUERY（询问）
PDF格式BibTeX公司 XML格式引用
\textit{V.Lertnattee}和\textit{T.Theeramunkong}，信息科学。176，第12号，1712-1738（2006；Zbl 1092.68665）
全文： 内政部

参考文献：

[1] Nigam，K。；麦卡勒姆，A.K。；特龙，S。；Mitchell，T.M.，使用EM对标记和未标记文档进行文本分类，机器学习，39，2/3，103-134（2000），可从以下网站获得：·Zbl 0949.68162号
[2] Yang，Y.，《文本分类统计方法评估》，信息检索，1，1/2，69-90（1999），可从以下网站获得：
[3] 阿佩特，哥伦比亚特区。；Damerau，F.J。；Weiss，S.M.，文本分类决策规则的自动学习，ACM信息系统事务，12，3，233-251（1994），可从以下网站获得：
[4] Paliouras，G。；Karkaletsis，V。；Spyropoulos，C.D.，《大词汇量词义消歧的学习规则》（Dean，T.，《IJCAI-99会议录》，第16届国际人工智能联合会议，瑞典斯德哥尔摩（1999），Morgan Kaufmann出版社：Morgan Koufmann-Publishers San Francisco，USA），674-679，可从以下网站获得：
[5] Yang，Y。；Chute，C.G.，《文本分类和检索的基于示例的映射方法》，《ACM信息系统交易》，12，3，252-277（1994），可从以下网站获得：
[6] Yang，Y。；Liu，X.，文本分类方法的重新审视，（Hearst，M.A.；Gey，F.；Tong，R.，SIGIR-99会议录，第22届美国计算机学会信息检索研究与发展国际会议，美国伯克利（1999），美国计算机学会出版社：美国计算机学会出版社纽约），42-49，可从：
[7] Larkey，L.S.，使用文本分类技术进行自动论文评分，（Croft，W.B.；Moffat，A.；van Rijsbergen，C.J.；Wilkinson，R.；Zobel，J.，SIGIR-98会议记录，第21届ACM国际信息检索研究与开发会议，澳大利亚墨尔本（1998），ACM出版社：美国纽约ACM出版社），90-95，可从以下位置获得：
[8] D.B.Skalak，通过采样和随机变异爬山算法进行原型和特征选择，收录于：机器学习国际会议，1994年，第293-301页。可从以下位置获得：<http://citeseer.nj.nec.com/skalak94prototype.html>; D.B.Skalak，通过采样和随机变异爬山算法进行原型和特征选择，收录于：机器学习国际会议，1994年，第293-301页。可从以下位置获得：<http://citeseer.nj.nec.com/skalak94prototype.html>
[9] 韩，E.-H。；Karypis，G。；Kumar，V.，使用加权调整的最近邻分类进行文本分类，（Cheung，D.；Li，Q。；Williams，G.，PAKDD-01会议记录，第五届亚太知识发现和数据挖掘会议，中国香港。PAKDD-01会议记录，第五届亚太知识发现和数据挖掘会议，中国香港，计算机科学讲稿，第2035卷（2001），Springer-Verlag:Springer-Verlag Heidelberg，德国），53-65，可从以下网站获得：·Zbl 0978.68700号
[10] Hull，D.A.，《使用潜在语义索引改进路由问题的文本检索》（Croft，W.B.；van Rijsbergen，C.J.，《SIGIR-94会议录》，第17届ACM信息检索研究与开发国际会议，爱尔兰共和国都柏林（1994），斯普林格·弗拉格：斯普林格尔·弗拉格·海德堡，德国），282-289，可从以下位置获得：
[11] D.J.Ittner，D.D.Lewis，D.D.Ahn，低质量图像的文本分类，摘自：SDAIR-95论文集，第四届文献分析和信息检索年度研讨会，美国拉斯维加斯，1995年，第301-315页。可从以下位置获得：<http://www.research.att.com/lewis/papers/ittner95.ps>; D.J.Ittner，D.D.Lewis，D.D.Ahn，低质量图像的文本分类，摘自：SDAIR-95论文集，第四届文献分析和信息检索年度研讨会，美国拉斯维加斯，1995年，第301-315页。可从以下位置获得：<http://www.research.att.com/lewis/papers/ittner95.ps>
[12] Joachims，T.，《使用TFIDF对Rocchio算法进行文本分类的概率分析》，（Fisher，D.H.，《ICML-97会议录》，第14届国际机器学习会议，美国纳什维尔（1997），Morgan Kaufmann出版社：Morgan Koufmann-Publishers San Francisco，USA），143-151，可从以下网站获得：
[13] 庄，W.T。；Tiyyagura，A。；杨，J。；Giuffrida，G.，《分层文本分类的快速算法》，（Kambayashi，Y.；Mohania，M.；Tjoa，A.，《DaWaK-00会议论文集》，第二届数据仓库和知识发现国际会议，英国伦敦。《DaWaK-00会议记录》，第二届数据仓库和知识发现国际会议，英国伦敦，计算机科学讲义，第1874卷（2000），Springer-Verlag:Springer-Verlag Heidelberg，德国），409-418，可从以下网站获得：
[14] 邓，Z.-H。；唐，S.-W。；杨德清。；藏，M。；吴晓波。；Yang，M.，基于类别相关性因素的线性文本分类算法，（ICADL-02会议记录，第五届亚洲数字图书馆国际会议，新加坡（2002年），ACM出版社：ACM出版社，美国纽约），88-98·Zbl 1031.68708号
[15] Joachims，T.，《使用支持向量机进行文本分类：使用许多相关特性进行学习》（Nédellec，C。；Rouveirol，C.，《ECML-98会议记录》，第十届欧洲机器学习会议，德国Chemnitz。ECML-98会议记录，第十届欧洲机器学习会议，德国Chemnitz，计算机科学讲义，第1398卷（1998年），Springer-Verlag:Springer-Verlag Heidelberg，德国），137-142，可从以下网站获得：
[16] Ng，H.T。；Goh，W.B。；Low，K.L.，《特征选择、感知器学习和文本分类可用性案例研究》（Feature selection，perceptron learning，and a usability case study for text categorification），（Belkin，N.J.；Narasimhalu，a.D.；Willett，P.，《SIGIR-97会议记录》，第20届美国费城ACM信息检索研究与开发国际会议（1997），ACM出版社：美国纽约ACM出版社），67-73，可从以下位置获得：
[17] P.Koehn，将多类最大熵文本分类器与神经网络投票相结合，收录于：E.Ranchod，N.J.Mamede（Eds.），PorTAL-02，第三届国际自然语言处理进展会议，葡萄牙法罗，计算机科学讲稿，第2389卷，2002年，第125-132页。可从以下位置获得：<http://link.springer.de/link/service/series/0558/papers/2389/23890125.pdf>; P.Koehn，将多类最大熵文本分类器与神经网络投票相结合，收录于：E.Ranchod，N.J.Mamede（Eds.），PorTAL-02，第三届国际自然语言处理进展会议，葡萄牙法罗，计算机科学讲稿，第2389卷，2002年，第125-132页。可从以下位置获得：<http://link.springer.de/link/service/series/0558/papers/2389/238900125.pdf> ·Zbl 1045.68771号
[18] 鲁伊斯，M。；Srinivasan，P.，使用神经网络的层次文本分类，信息检索，5，1，87-118（2002），可从以下网站获得：·Zbl 0999.68185号
[19] E.-H.Han，G.Karypis，《基于中心的文档分类：分析和实验结果》，载于：《数据挖掘和知识发现原理》，2000年，第424-431页。可从以下网址获得：<citeseer.nj.nec.com/han00centroidbased.html>；E.-H.Han，G.Karypis，《基于中心的文档分类：分析和实验结果》，载于：《数据挖掘和知识发现原理》，2000年，第424-431页。可从以下网址获得：<citeseer.nj.nec.com/han00centroidbased.html>
[20] Rocchio，J.J.，信息检索中的相关性反馈，（Salton，G.，《SMART检索系统：自动文档处理实验》（1971年），普伦蒂斯·霍尔：普伦蒂斯霍尔·恩格尔伍德·克利夫斯，新泽西州），313-323
[21] V.Lertnattee，T.Theeramunkong，使用基于词分布的权重和特征选择改进基于中心的文本分类，收录于：INTECH-01会议记录，第二届智能技术国际会议，泰国曼谷，2001年，第349-355页。；V.Lertnattee，T.Theeramunkong，使用基于词分布的权重和特征选择改进基于中心的文本分类，收录于：INTECH-01会议记录，第二届智能技术国际会议，泰国曼谷，2001年，第349-355页。
[22] T.Theeramunkong，V.Lertnattee，使用基于词分布的权重系统和聚类改进基于中心的文本分类，摘自：ISCIT-01会议录，第二届通信和信息技术国际研讨会，泰国清迈，2001年，第1167-1182页。；T.Theeramunkong，V.Lertnattee，《使用基于词分布的权重系统和聚类改进基于中心的文本分类》，载于《ISCIT-01会议录》，第二届通信和信息技术国际研讨会，泰国清迈，2001年，第1167-1182页。
[23] 夏皮雷，R.E。；辛格，Y。；Singhal，A.，Boosting and Rocchio applied to text filtering，（Croft，W.B.；Moffat，A.；van Rijsbergen，C.J.；Wilkinson，R.；Zobel，J.，《SIGIR-98会议记录》，第21届ACM信息检索研究与开发国际会议，澳大利亚墨尔本（1998），ACM出版社：美国纽约ACM出版社），215-223，可从以下网站获得：
[24] Salton，G。；Buckley，C.，自动文本检索、信息处理和管理中的术语加权方法，24，5，513-523（1988）
[25] A.Singhal，G.Salton，C.Buckley，降级文本集合中的长度规范化，技术报告TR95-15071995。可从以下网址获得：<citeseer.nj.nec.com/singhal95length.html>；A.Singhal，G.Salton，C.Buckley，降级文本集合中的长度规范化，技术报告TR95-15071995。可从以下网址获得：<citeseer.nj.nec.com/singhal95length.html>
[26] Aizawa，A.N.，《tf-idf度量的信息理论视角》，信息处理与管理，39，1，45-65（2003）·Zbl 1033.68562号
[27] K.Cho，J.Kim，使用ICF（逆类别频率）加权对层次类别结构进行自动文本分类，收录于：KISS-97会议论文集，1997年，第507-510页。；K.Cho，J.Kim，使用ICF（反向类别频率）加权对层次类别结构进行自动文本分类，载于：KISS-97会议记录，KIIS会议，1997年，第507-510页。
[28] 德波尔，F。；Sebastiani，F.，《自动文本分类的监督术语权重》，（SAC-03会议记录，第18届ACM应用计算研讨会，澳大利亚墨尔本（2003），ACM出版社：美国纽约ACM出版社），可从以下网址获得：
[29] A.Singhal，C.Buckley，M.Mitra，Pivoted document length normalization，in：Research and Development in Information Retrieval，1996，第21-29页。可从以下网址获得：<citeseer.nj.nec.com/singhal96pivoted.html>；A.Singhal，C.Buckley，M.Mitra，Pivoted document length normalization，in：Research and Development in Information Retrieval，1996，第21-29页。可从以下网址获得：<citeseer.nj.nec.com/singhal96pivoted.html>
[30] 坎普斯，J。；de Rijke，M。；Sigurbjörnsson，B.，长度规范化对XML检索的重要性，信息检索，8631-654（2005）
[31] 科勒，D。；Sahami，M.，《使用极少单词对文档进行分层分类》（Fisher，D.H.，《ICML-97会议录》，第14届国际机器学习会议，美国纳什维尔（1997），Morgan Kaufmann出版社：Morgan Koufmann-Publishers San Francisco，USA），170-178，可从以下网站获得：
[32] W.T.Chuang，A.Tiyyagura，J.Yang，G.Giuffrida，分层文本分类的快速算法，载于：数据仓库和知识发现，2000年，第409-418页。可从以下网址获得：<citeseer.nj.nec.com/382331.html>；W.T.Chuang，A.Tiyyagura，J.Yang，G.Giuffrida，分层文本分类的快速算法，载《数据仓库与知识发现》，2000年，第409-418页。可从以下网址获得：<citeseer.nj.nec.com/382331.html>
[33] Robertson，S.E。；Walker，S.，概率加权检索的2-Poisson模型的一些简单有效近似，（Croft，W.B.；van Rijsbergen，C.J.，《第17届ACM-SIGIR信息检索研究与开发年会论文集》，爱尔兰都柏林，1994年7月3日至6日（SIGIR论坛特刊）（1994），ACM/Springer），232-241
[34] B.He，L.Ounis，《术语频率归一化的参数调谐研究》，载《CIKM-03会议录》，第12届国际知识管理会议，美国新奥尔良，2003年，第10-16页。；B.He，L.Ounis，《术语频率归一化的参数调谐研究》，载《CIKM-03会议录》，第12届国际知识管理会议，美国新奥尔良，2003年，第10-16页。
[35] J.Broglio，J.P.Callan，W.B.Croft，D.W.Nachbar，《使用INQUERY系统的文档检索和路由》，收录于：第三届文本检索会议（TREC-3）概述，1994年，美国国家标准与技术研究所，马里兰州盖瑟斯堡，1994年。第29-38页。可从以下网址获得：<citeseer.nj.nec.com/broglio95document.html>；J.Broglio，J.P.Callan，W.B.Croft，D.W.Nachbar，《使用INQUERY系统的文档检索和路由》，收录于：第三届文本检索会议（TREC-3）概述，1994年，美国国家标准与技术研究所，马里兰州盖瑟斯堡，1994年。第29-38页。可从以下网址获得：<citeseer.nj.nec.com/broglio95document.html>
[36] Lee，J.H.，结合来自加权方案不同性质的多重证据，（Fox，E.A.；Ingwersen，P.；Fidel，R.，SIGIR’95，第18届国际ACM SIGIR信息检索研究与开发会议论文集，1995年7月9日至13日，美国华盛顿州西雅图（SIGIR论坛特刊）（1995），ACM出版社），180-188
[37] Nigam，K。；McCallum，A.K。；特隆，S。；Mitchell，T.M.，《学习从标记和未标记的文档中分类文本》（《AAAI-98会议录》，美国人工智能协会第15届会议，美国麦迪逊（1998），AAAI出版社：AAAI Press Menlo Park，USA），792-799，扩展版如[1]所示。可从以下位置获得：
[38] Siolas，G。；d'Alche-Buc，F.，基于语义核的文本分类支持向量机，（Amari，S.-I.；Giles，C.L.；Gori，M.；Piuri，V.，《IJCNN-00会议录》，第11届神经网络国际联合会议，意大利科莫，第5卷（2000年），IEEE计算机社会出版社：IEEE Computer Society Press Los Alamitos，USA），205-209，可从以下位置获得：
[39] Toutanova，K。；陈，F。；波帕特，K。；Hofmann，T.，小训练集层次混合模型中的文本分类，（Paques，H.；Liu，L.；Grossman，D.，CIKM-01会议记录，第十届ACM信息与知识管理国际会议，美国亚特兰大（2001），ACM出版社：美国纽约ACM出版社），105-113，可从以下网站获得：
[40] McCallum，A.K。；罗森菲尔德，R。；米切尔，T.M。；Ng，A.Y.，《通过类层次结构中的收缩改进文本分类》（Shavlik，J.W.，《ICML-98会议录》，第15届国际机器学习会议，美国麦迪逊（1998），Morgan Kaufmann出版社：Morgan Koufmann-Publishers San Francisco，USA），359-367，可从以下网站获得：
[41] 克雷文，M。；迪帕斯科，D。；弗雷塔格，D。；McCallum，A.K。；米切尔，T.M。；Nigam，K。；Slattery，S.，《学习从万维网构建知识库》，人工智能，118，1/2，69-113（2000），可从以下网站获得：·Zbl 0939.68745号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。