一种抗噪音的中文网页分类方法

摘要

网页分类可以看成是噪音环境下的文本分类问题.本文是在噪音环境下文本分类方法的一种探索:把在传统文本分类中性能基本相当的基于N-gram模型的贝叶斯(NGBayes)、基于分词的朴素贝叶斯(NBayes)和基于分词的k近邻(kNN)分类方法应用到网页分类领域,在中文Web信息检索论坛提供的中文网页分类训练集--CCT2002-v1.1(Corp_1)和我们自己整理的中文网页集(Corp_2)进行了实验.验证了三种分类方法在非噪音环境下性能基本相当,而噪音环境下的实验结果表明,NGBayes的分类性能远远高于其他两种方法,这说明NGBayes对中文网页中的噪音不敏感.然后通过对特征的分析,探讨了NGBayes抗噪音的原因.从而得出结论:NGBayes是一种抗噪音的中文网页分类方法.