基于新型多标记集成学习方法的文本分类研究

摘要

随着Internet网络的发展与普及，文本资源呈现指数级的增长。作为组织和管理大量文本信息的重要方式，文本分类不仅能够解决如何更好地使用这些文本的问题，而且能够有助于挖掘出潜藏在这些文本资源中的价值。由于文本通常同时与多个类别相关，文本分类往往可看作是一个多标记学习问题。多标记学习作为一种新型的机器学习方法，对于多义性的建模具有十分重要的意义，在信息检索、Web挖掘、生物信息学和自动标注等诸多领域得到了广泛应用。
　　本文以应用多标记学习方法解决文本分类为目标，对文本分类、数据集处理、文本预处理、文本变换、特征选择、特征加权、多标记分类和多标记分类评估等诸多内容进行了研究，并且对特征选择和多标记分类方法进行了改进与优化。
　　本论文研究内容和创新工作主要包括以下三个部分：
　　（1）基于多标记学习的文本分类框架
　　文本分类往往可看作是一个多标记问题。在深入研究文本分类和多标记学习的基础上，本文提出了基于多标记学习的文本分类框架，主要包括了文本变换、多标记学习分类和多标记分类评估等新型的技术。
　　（2）基于集成多标记学习的文本分类算法（En-MLKNN）
　　基于多标记文本分类的框架，集成目前三种主流的特征选择方法，并对最好的多标记学习算法之一MLKNN进行改进，设计了En-MLKNN算法以解决文本分类问题。通过对两个标准数据集的测试，相比其他多标记学习算法，En-MLKNN在多个评估指标下具有优越性。
　　（3）基于代价敏感的集成多标记学习文本分类算法
　　En-MLKNN算法可应用于文本分类并取得了较好的性能，但存在类不平衡问题。基于代价敏感解决类不平衡的思想，本文提出了En-MLCKNN算法。通过对两个标准数据集的测试，相比其他多标记学习算法，En-MLCKNN在多个评估指标下具有优越性。

目录

封面

声明

中文摘要

英文摘要

目录

专用术语注释表

第一章 绪论

1.1研究背景及意义

1.2国内外研究现状

1.3主要内容与组织结构

第二章 文本分类技术综述

2.1文本分类的一般框架

2.2文本的表示

2.3文本分类算法

2.4文本分类的评价指标

2.5本章小结

第三章 基于多标记学习的文本分类框架

3.1基于多标记学习的文本分类框架

3.2多标记学习中文本的表示

3.3多标记学习中的分类算法

3.4多标记学习算法的评价指标

3.5多标记学习的分类测试

3.6本章小结

第四章 基于新型多标记集成学习方法的文本分类

4.1集成特征选择方法

4.2基于MLKNN的集成分类En-MLKNN算法

4.3实验与评价

4.4本章小结

第五章 基于代价敏感的多标记集成学习文本分类算法

5.1特征加权的归一化

5.2基于代价敏感的集成分类En-MLCKNN算法

5.3集成学习En-MLCKNN算法实验

5.4本章小结

第六章 总结与展望

参考文献

附录1 攻读硕士学位期间撰写的论文

附录2 攻读硕士学位期间参加的科研项目

致谢