- 1、本文档共14页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
SEWM2007分类系统说明 主要内容 分类系统模块结构 系统模块详解 系统运行环境介绍 展望与未来 系统模块详解 语料预处理 分词 特征提取 向量空间模型建立 分类训练与预测 语料预处理(1) 采用基于Java开源项目:HTMLParser 抽取网页主要内容 URL Title 链接锚文本等信息 Description keywords 语料预处理(2) 实验过程遇到问题: 针对语料编码方式的多样性,我们将GBK作为默认编码方式 依靠实验效果好坏,对网页不同区域内容设置不同权重,权重设置具有随机性,不稳定 锚文本收集仅收集链接文本,在20G语料中未实现扩展锚文本对分类效果的影响,后期打算增加源网页的优劣对锚文本准确程度的影响的考虑 分词 采用哈工大分词程序 增加部分停用词,词汇数量达到2040个 特征提取(1) CHI 分别计算词条与个各类别的CHI值,取最大值作为该词项的CHI值 ECE(期望交叉熵) 是一种基于概率的方法,交叉熵越大,对文本类别分布的影响越大 CHI+DF 使用DF移除低于一定阈值低频词,消除CHI对低频词的倚重,再用CHI从剩余词条中移除类别信息较低的噪音词,这样的词条通常平均分布于各个类别 特征提取(2) 向量空间模型建立 ITC是TF*IDF变形,使用词频的对数代替词频,减少了词频上的差异构成的影响 分类模型 LibSVM软件包 核函数选择 RBF 采用交叉验证方式来选择合适的参数c和g *在分类过程中遇到,有些网页文本内容较少,建立的文本向量中每个特征词的权重为0。针对上述问题,本系统采用举手表决方法,统计不同特征选择方法构成的空向量,如果此网页出现次数大于3,则认为此网页类别为空。 系统运行环境 硬件环境 CPU 2.4G;内存 512; 硬盘 300G; 数量 4台 操作系统 XP系统 编程语言 Java 总结与展望 考虑网页更细致区域分块 网页分块在网页中的位置以及文本内容在块区域中不同位置对网页分类的影响,将应用于宏观分块各个的影响因素应用于每个微观分块中 考虑不同链接信息对分类的影响 链入与链出锚文本不同权重设置 考虑不同网页质量对锚文本准确程度的影响 希望可以对网页分类加以扩展,考虑网页不同形式、风格等方面的分类研究 谢 谢 * * * * 大连理工大学信息检索研究室 刘菁菁 孙晓玲 叶正 2007年3月9日 分类系统模块结构 分词 HtmlParser类的应用 原始语料 预处理 特征提取 建立向量空间模型 分类 CHI、ECE与DF结合 TF*IDF变形ITC计算权重 CHI+DF ECH CHI recall precision C=2 g=0.5 C=8 g=0.25 C=64 g=0.015625 0.7189 0.6109 0.6127 0.7195 0.619 0.7198 0.6181 0.7130 0.7224 0.619 0.6209 0.7245 0.7194 0.6263 0.7222 0.6282 0.7235 0.6181
您可能关注的文档
- 中国印刷标准化的现状及发展.ppt
- 我国农作物害虫综合治理进展.ppt
- 固体废弃物资源化工程.ppt
- 中央银行法治及银行业监管.ppt
- 管理信息系统开发的.ppt
- 零售商业概述及零售业态选择ppt.ppt
- 物流管理学概论.ppt
- 中央银行理论与实务.ppt
- 领导干部如何提高决策力和执行力ppt.ppt
- 注册税务师考试ppt.ppt
- 2024年江西省高考政治试卷真题(含答案逐题解析).pdf
- 2025年四川省新高考八省适应性联考模拟演练(二)物理试卷(含答案详解).pdf
- 2025年四川省新高考八省适应性联考模拟演练(二)地理试卷(含答案详解).pdf
- 2024年内蒙通辽市中考化学试卷(含答案逐题解析).docx
- 2024年四川省攀枝花市中考化学试卷真题(含答案详解).docx
- (一模)长春市2025届高三质量监测(一)化学试卷(含答案).pdf
- 2024年安徽省高考政治试卷(含答案逐题解析).pdf
- (一模)长春市2025届高三质量监测(一)生物试卷(含答案).pdf
- 2024年湖南省高考政治试卷真题(含答案逐题解析).docx
- 2024年安徽省高考政治试卷(含答案逐题解析).docx
最近下载
- 闽教版4年级上册英语全册教学课件.pptx
- 浅谈当前我国建筑企业人力资源管理论文.docx VIP
- 浅谈建筑企业人力资源管理论文.docx VIP
- 广东省惠州市高2024届高三上学期第三次调研考试数学试题.pdf
- 病毒性肺炎影像.pptx VIP
- 新教材牛津译林版选择性必修第二册Unit1 The mass media 教学设计.pdf VIP
- (完整版)职业卫生培训试题含答案.pdf
- 初一第一学期第一次家长会课件.ppt VIP
- 惠州市2024届高三第三次调研考试(三调)思想政治试卷(含答案).pdf
- 2024-2025学年上海交通大学附属中高三上学期阶段测试3英语试卷含详解.pdf VIP
文档评论(0)