数据分布估计下基于相似度的PU文本分类方法

摘要

在实际的应用中,由于各种原因通常无法获取已标注的反例数据,这使得传统分类算法失灵,这一类基于正例数据与未标注数据的学习称为PU分类问题。PU问题的关键在于反例样本提取与有效分类器的构建。本文提出算法首先通过评估样本中数据分布情况,采用集成机制从未标注样本中抽取出合适比例可信的正反例数据,其次利用相似度抽取有代表性的正例微簇和反例微簇,在获取足量的正反例样本后,将PU问题转换为二元分类问题,数值实验表明方法的有效性。