基于SVM的中文文本自動分類系統(tǒng)的研究與實現(xiàn).pdf

1、近些年來，隨著Internet的迅速發(fā)展，出現(xiàn)了大量的自然語言文本，如何在這些信息中提取對我們有用的信息已經(jīng)成為當前研究的一個熱點問題，同時這也是文本自動分類的主要任務之一。幾何級數(shù)增長的電子文本、海量信息在日常生活中的傳播，都迫切的需要我們對這些文本進行自動分類。使用文本自動分類系統(tǒng)可以幫助人們自動檢索文本，以及判斷文本的類別。
　　 分類問題是實際應用中普遍存在的問題，隨著信息技術的快速發(fā)展，對其在理論研究和實際應用中提出了

2、新的難題和挑戰(zhàn)。建立在統(tǒng)計學習理論基礎上的支持向量機是一種新型的機器學習方法，它根據(jù)有限的樣本信息在模型的復雜度和期望風險之間尋求最佳方案，從而獲得比較好的泛化性能。與傳統(tǒng)的學習方法相比，SVM具有對維數(shù)不太敏感、收斂到全局最優(yōu)點、泛化能力強等的優(yōu)點，比較好的解決了傳統(tǒng)算法中經(jīng)常出現(xiàn)的維數(shù)災難、局部極值、過學習等的棘手問題，逐漸成為近幾年機器學習領域中一個非?；钴S的研究熱點。
　　 本文首先介紹了文本自動分類技術在國內(nèi)外的研究現(xiàn)

3、狀；其次對文本自動分類所涉及的關鍵技術，包括中文文本分類的過程、中文分詞方法、特征提取、特征項權重的計算方法以及幾種比較常用的分類算法，分別進行了研究和探索；再次對SVM理論進行了概括性的介紹，包括統(tǒng)計學習理論、SVM的最優(yōu)分類面、各種情況下的分類情況、SVM的核函數(shù)以及分類步驟等；接下來是構建一種SVM分類器，介紹了中文文本自動分類系統(tǒng)的總體框架，系統(tǒng)流程和各個功能模塊；最后對分類系統(tǒng)中基于不同算法的分類器分別進行實驗比較，著重對SV