二階段文本分類器及分類在推薦系統(tǒng)中的應(yīng)用.pdf

1、文本分類在文本挖掘和信息檢索系統(tǒng)中發(fā)揮著重要的作用。這種技術(shù)可以改善檢索性能、提供導(dǎo)航/瀏覽機制、發(fā)現(xiàn)相似文本等。因此，文本分類已成為一種處理和研究文本的重要技術(shù)。
　　 目前，基于統(tǒng)計和機器學(xué)習(xí)的文本分類算法已經(jīng)比較成熟，但可以考慮通過某種方式引入其他方法來改進分類效果，比如下面所提的統(tǒng)計方法。分類算法除了在文本挖掘和信息檢索系統(tǒng)中發(fā)揮著重要的作用外，還可以考慮在電子商務(wù)個性化推薦系統(tǒng)中的應(yīng)用。針對上述二方面，本人做了以下工作

2、:
　　 第一：提出了基于K-means的二階段多類SVM分類方法。該方法分為二個階段，第一階段采用K-means聚類，在聚類結(jié)束以后，抽樣調(diào)查每個小類的分類精準(zhǔn)度，完全分對的類可以不必進行第二步的分類，從而降低了已經(jīng)聚類正確的實例再次分類的風(fēng)險；第二階段采用LIBSVM來進行分類。本文在理論論證后，使用中英文語料，通過實驗證實該方法切實可行，相較于直接使用LIBSVM進行分類，分類準(zhǔn)確度分別提高了9.35％和1.5％。

3、　　 第二：用戶個性化推薦是電子商務(wù)領(lǐng)域中的研究熱點與核心技術(shù)，近年來得到了廣泛的關(guān)注和快速的發(fā)展，本文將分類技術(shù)引入推薦系統(tǒng)。文中提出了基于分類的用戶多興趣個性化推薦方法。該方法分為二個模塊，第一模塊是長期興趣模塊(LIM)，針對用戶多興趣的特征，通過分類來提高推薦準(zhǔn)確度；第二是短期興趣模塊(SIM)，針對用戶短期興趣的專注性，引入WEB日志上下文分析的方法。最后，本文分別對LIM和SIM進行了實驗證實，證實該方法切實可行，相較于傳