KNN算法的改進(jìn)及其在文本分類中的應(yīng)用.pdf

1、隨著互聯(lián)網(wǎng)的快速發(fā)展，網(wǎng)絡(luò)上的文本信息急劇增長(zhǎng)，如何從龐大的信息庫(kù)中提取有用的信息已變得越來(lái)越重要，這有賴于數(shù)據(jù)挖掘中的文本挖掘技術(shù)。文本分類技術(shù)是文本挖掘的關(guān)鍵技術(shù)之一，因此，對(duì)文本分類的研究具有重要的意義。
　　 KNN以簡(jiǎn)單和高魯棒性而被廣泛應(yīng)用于機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域，被證實(shí)是向量空間模型(VSM)下最好的文本分類方法之一。然而KNN算法有其固有的缺點(diǎn)，當(dāng)訓(xùn)練樣本集過(guò)大或特征過(guò)多時(shí)，KNN算法的效率會(huì)明顯下降。
　

2、　 針對(duì)KNN算法的不足，本文提出了一種改進(jìn)的KNN文本分類算法--PKNN，該算法基于投影尋蹤理論和iDistance索引結(jié)構(gòu)，能夠通過(guò)對(duì)一維投影距離的搜索快速獲得與待分類樣本最近的小樣本庫(kù)，然后通過(guò)計(jì)算與小樣本庫(kù)內(nèi)文本的相似度即可獲得最近的K個(gè)樣本，而無(wú)須與整個(gè)訓(xùn)練樣本庫(kù)的文本進(jìn)行計(jì)算，因而在保證分類精度的同時(shí)明顯提高了計(jì)算的效率。
　　 本文首先介紹了文本分類技術(shù)的概況和研究現(xiàn)狀，然后系統(tǒng)介紹了文本預(yù)處理技術(shù)，在對(duì)KNN