SVM用于文本分类的适用性

doi:10.3969/j.issn.1007130X.2010.

J4 ›› 2010, Vol. 32 ›› Issue (6): 106-108.doi: 10.3969/j.issn.1007130X.2010.

SVM用于文本分类的适用性

刘晓亮1,丁世飞1,2 ，朱红1，张力文1

（1.中国矿业大学计算机科学与技术学院，江苏徐州 221008;
2.中国科学院计算技术研究所智能信息处理重点实验室，北京 100080）

收稿日期:2009-09-17 修回日期:2009-12-11 出版日期:2010-06-01 发布日期:2010-06-01
通讯作者: 刘晓亮 E-mail:lxlcumtcs@163.com
作者简介:刘晓亮(1983),男,山东潍坊人，硕士生,研究方向为支持向量机和机器学习;丁世飞,博士后,教授,博士生导师,研究方向为机器学习与数据挖掘、人工智能与模式识别等。
基金资助:
江苏省基础研究计划(自然科学基金)(BK2009093);国家自然科学基金资助项目(60975039);中国科学院智能信息处理重点实验室开放基金资助项目(IIP20062)

Appropriateness in Applying SVMs to Text Classification

LIU Xiaoliang1,DING Shifei1,2,ZHU Hong1,ZHANG Liwen1

(1.School of Computer Science and Technology,China University of Mining and Technology,Xuzhou 221008;
2.Key Laboratory of Intelligent Information Processing,Institute of Computing Technology,
Chinese Academy of Sciences,Beijing 100080,China)

Received:2009-09-17 Revised:2009-12-11 Online:2010-06-01 Published:2010-06-01

摘要/Abstract

摘要：

本文从统计的角度描述了文本分类的关键性质，给出了相应的文本文档集的统计分类模式，并将其与支持向量机的模型结合，说明了为什么支持向量机（SVM）能够很好地进行文本分类。本文主要是从理论角度说明SVM用于文本分类的适用性，模型构造简单，并且是高度抽象、无噪音的。

关键词: 文本分类, SVM, 机器学习

Abstract:

This paper introduces the key properties of text classification from a statistical perspective, gives the corresponding statistical classification model of text document sets which is combined with SVMs, and explains why SVMs perform well for text classification. This paper explains the appropriateness in applying SVMs to text classification primarily from a theoretical perspective, so the model is very simple, high abstract and noiseless.

Key words: text classification;SVM;machine learning

中图分类号:

TP18

刘晓亮1,丁世飞1,2 ，朱红1，张力文1. SVM用于文本分类的适用性[J]. J4, 2010, 32(6): 106-108.

LIU Xiaoliang1,DING Shifei1,2,ZHU Hong1,ZHANG Liwen1. Appropriateness in Applying SVMs to Text Classification[J]. J4, 2010, 32(6): 106-108.

编辑推荐

Metrics

阅读次数

全文

167

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	0	0	167

来源	本网站	其他网站

次数	99	68
比例	59%	41%

摘要

123

最新录用	在线预览	正式出版

0	0	123

	来源	本网站

	次数	123
	比例	100%

[1]	冯兴杰, 曹若轩. 融合特征投影和负监督的文本分类[J]. 计算机工程与科学, 2024, 46(10): 1864-1874.
[2]	温鑫, 曾焘, 李春波, 徐子晨. 面向服务器无感计算的模型推理服务切换方法研究[J]. 计算机工程与科学, 2024, 46(07): 1210-1217.
[3]	丁建平, 李卫军, 刘雪洋, 陈旭. 命名实体识别研究综述[J]. 计算机工程与科学, 2024, 46(07): 1296-1310.
[4]	黄智慧, 肖祥立, 张玉书, 薛明富. 基于隐形后门水印的开源数据集版权保护[J]. 计算机工程与科学, 2024, 46(06): 1013-1021.
[5]	肖新正, 黄瑞章, 陈艳平, 秦永彬, 宋玉梅, 周裕林, . Corrective-Net：面向多标签文本分类的标签关联学习模块[J]. 计算机工程与科学, 2024, 46(06): 1092-1100.
[6]	高珊, 李世杰, 蔡志平. 基于深度学习的中文文本分类综述[J]. 计算机工程与科学, 2024, 46(04): 684-692.
[7]	黄鹏程, 冯超超, 马驰远, . 未知工艺角下时序违反的机器学习预测[J]. 计算机工程与科学, 2024, 46(03): 395-399.
[8]	李扬, 尹大鹏, 马自强, 姚梓豪, 魏良根, . 结合决策树和AdaBoost的缓存侧信道攻击检测[J]. 计算机工程与科学, 2024, 46(03): 440-452.
[9]	彭畅, 刘青枝, 陈长波, . 多面体模型下的循环置换与自动调优[J]. 计算机工程与科学, 2023, 45(12): 2121-2134.
[10]	杨春霞, 马文文, 徐奔, 韩煜, . 融合标签信息的分层图注意力网络文本分类模型[J]. 计算机工程与科学, 2023, 45(11): 2018-2026.
[11]	赵振宇, 杨天豪, 蒋汶乘, 张书政. 基于机器学习的多压多温多参标准单元延迟快速计算方法[J]. 计算机工程与科学, 2023, 45(08): 1331-1338.
[12]	许浪, 李代伟, 张海清, 唐聃, 何磊, 于曦. 基于神经网络的医疗文本分类研究[J]. 计算机工程与科学, 2023, 45(06): 1116-1122.
[13]	李小玲, 方建滨, 马俊, 谭霜, 谭郁松. 基于监督学习的稀疏矩阵自动任务分配[J]. 计算机工程与科学, 2023, 45(05): 782-789.
[14]	梅侠峰, 吴晓鸰, 黄泽民, 凌捷. 融合RoBERTa的多尺度语义协同专利文本分类模型[J]. 计算机工程与科学, 2023, 45(05): 903-910.
[15]	韩辉, 麦合甫热提, 吾尔尼沙·买买提, 朱亚俐, 库尔班·吾布力, . 基于Gist和IPCA算法的多文种离线手写签名识别[J]. 计算机工程与科学, 2022, 44(11): 2048-2055.

SVM用于文本分类的适用性

Appropriateness in Applying SVMs to Text Classification

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价