基于机器学习算法对针对数据分类器的训练语料库的自动提取

摘要

一种用于未分割电子文档的迭代分类器基于机器学习算法。电子文档中的文本串使用组合传统词典和基于电子文档的上下文和性质而被开发的自适应词典的复合词典而被分割。分类器使用通过检测用于针对文本串的预先建立的类的集合的签名而从电子文档被自动地提取的训练和测试样本的语料库而被构建。当新的电子文档中的文本串被处理和分类时，分类器通过实时自动地扩展训练和测试样本的语料库而被进一步迭代地改进。