基于超球支持向量机的兼类文本分类算法研究

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (19): 166-168.

• 数据库、信号与信息处理 • 上一篇下一篇

基于超球支持向量机的兼类文本分类算法研究

秦玉平^1,2,王秀坤¹,李祥纳²,王春立¹

1.大连理工大学电子与信息工程学院，辽宁大连 116024
2.渤海大学信息科学与工程学院，辽宁锦州 121000

收稿日期:2007-09-27 修回日期:2007-11-30 出版日期:2008-07-01 发布日期:2008-07-01
通讯作者: 秦玉平

Study on multi-class text classification algorithm based on hyper-sphere support vector machines

QIN Yu-ping^1,2,WANG Xiu-kun¹,LI Xiang-na²,WANG Chun-li¹

1.School of Electronic and Information Engineering，Dalian University of Technology，Dalian，Liaoning 116024，China
2.College of Information Science and Technology，Bohai University，Jinzhou，Liaoning 121000，China

Received:2007-09-27 Revised:2007-11-30 Online:2008-07-01 Published:2008-07-01
Contact: QIN Yu-ping

摘要/Abstract

摘要： 针对兼类文本，提出了一种分类算法。对属于同一类别的文本，利用超球支持向量机在特征空间中求得一个能包围该类尽可能多文本的最小超球，使各类文本之间通过超球分隔开，达到分类效果。对待分类文本，计算它到各超球球心的距离，根据距离判定该文本所属的类别。实验结果证明，该算法不仅具有较快的分类速度，而且具有较高的分类精度。

关键词: 支持向量机, 超球, 兼类, 分类

Abstract: To multi-class text，a classification algorithm based on hyper-sphere support vector machines is proposed in this paper.Hyper-sphere support vector machine is used to get the smallest hyper-sphere in feature space that contains most texts of a class，which can divide the class texts from others.For the text to be classified，the distances from it to the centre of every hyper-sphere are used to confirm the classes that the text belongs to.The experimental results show that the algorithm not only has a faster performance on classification speed，but also has a higher performance on classification precision.

Key words: support vector machines, hyper-sphere, multi-class, classification

秦玉平^1,2,王秀坤¹,李祥纳²,王春立¹. 基于超球支持向量机的兼类文本分类算法研究[J]. 计算机工程与应用, 2008, 44(19): 166-168.

QIN Yu-ping^1,2,WANG Xiu-kun¹,LI Xiang-na²,WANG Chun-li¹. Study on multi-class text classification algorithm based on hyper-sphere support vector machines[J]. Computer Engineering and Applications, 2008, 44(19): 166-168.

[1]	王永贵，李倩玉. 基于KNN-GBDT的混合协同过滤推荐算法[J]. 计算机工程与应用, 2021, 57(9): 103-108.
[2]	杨春霞，李欣栩，吴佳君，刘天宇. 基于注意力交互机制的层次网络情感分类[J]. 计算机工程与应用, 2021, 57(9): 134-139.
[3]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[4]	张韩钰，吴志昊，徐勇，陈斌. 增强卷积神经网络的人脸篡改检测方法[J]. 计算机工程与应用, 2021, 57(8): 220-224.
[5]	李俊丽. Spark平台下类别数据互信息计算的并行化[J]. 计算机工程与应用, 2021, 57(7): 95-100.
[6]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[7]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[8]	韩东方，吐尔地·托合提，艾斯卡尔·艾木都拉. 问答系统中问句分类方法研究综述[J]. 计算机工程与应用, 2021, 57(6): 10-21.
[9]	黄金杰，蔺江全，何勇军，何瑾洁，王雅君. 局部语义与上下文关系的中文短文本分类算法[J]. 计算机工程与应用, 2021, 57(6): 94-100.
[10]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[11]	李硕，梁毅. 面向Spark的批处理应用执行时间预测模型[J]. 计算机工程与应用, 2021, 57(5): 79-87.
[12]	王凤琴，柯亨进. 卷积神经网络及其分析在抑郁症判别中的应用[J]. 计算机工程与应用, 2021, 57(5): 245-250.
[13]	万亚玲，钟锡武，刘慧，钱育蓉. 卷积神经网络在高光谱图像分类中的应用综述[J]. 计算机工程与应用, 2021, 57(4): 1-10.
[14]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[15]	陶体伟，刘明霞，王明亮，王琳琳，杨德运，张强. 基于有效距离的低秩表示[J]. 计算机工程与应用, 2021, 57(4): 141-147.

基于超球支持向量机的兼类文本分类算法研究

Study on multi-class text classification algorithm based on hyper-sphere support vector machines

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics