1、隨著通信技術和計算機技術、尤其是Internet的飛速發(fā)展,各種各樣的信息成幾何級數(shù)增長,作為傳統(tǒng)信息載體的文本信息更是如此。為了能在海量的文本中及時準確地獲得有效的知識和信息,文本表示技術以及文本自動分類技術受到了廣泛的關注。SVM作為一種基于統(tǒng)計學習理論的新型機器學習方法,較好地解決了非線性、高維數(shù)、局部極小點等實際問題,是機器學習領域新的研究熱點。文本分類是基于內(nèi)容的自動信息管理的核心技術。文本向量稀疏性大、維數(shù)高、特征之間具有較

2、大的相關性,支持向量機對于特征相關性和稀疏性不敏感,處理高維數(shù)問題具有較大的優(yōu)勢,因此,支持向量機非常適用于文本分類問題,在文本分類中具有很大的應用潛力,更是當前的一個研究熱點。本文主要針對支持向量機在文本分類等實際應用中存在的問題進行深入研究,主要工作如下：首先,本文研究分析文本分類的總體模型,包括信息預處理、特征表示、特征提取。重點研究分析了特征表示與特征提取技術,文本的分類算法。支持向量機是針對兩類分類問題提出的,如何將其有效地推

3、廣到多類分類仍是一個尚未完全解決的問題。本文分析了現(xiàn)有多類分類方法的缺陷,接著引出半對半分類分類算法。在此基礎上,根據(jù)樹型支持向量機的特性,提出了一種基于支持向量機的半對半多類分類方法。該方法設計樹型支持向量機的樹型結構,克服其差錯積累問題。實驗表明,與其它支持向量機多類分類方法相比,該方法具有較高的分類精度和訓練速度,提高了支持向量機在多類分類問題中的應用效果。其次,認真研究了統(tǒng)計學習理論的主要內(nèi)容和SVM算法的基本原理,討論了核函數(shù)

4、這一熱點問題,闡述了SVM研究和應用現(xiàn)狀,以及所面臨的問題。并且結合語義概念空間,提出了一種基于支持向量機和語義概念空間的HAH多類分類算法。實驗表明,該算法不僅在分類精度方面有所提高,而且大大降低了標號數(shù)據(jù)數(shù)目。最后,基于支持向量機在文本分類中的優(yōu)勢,將支持向量機方法應用于文本分類的特征提取,提出了一種基于支持向量機的單詞聚類方法。該方法基于支持向量機度量單詞對分類的貢獻大小,將對分類貢獻一致的單詞合并起來作為文本向量的一個特征項。實