結合仿射空間和正交分解的類中心分類法研究.pdf

1、從大量繁雜的文本信息中獲取有用的信息是信息處理的一大任務，而文本分類是實現這個任務的最重要的方法之一。向量空間模型是進行大規(guī)模文本處理常用的表示模型，而類中心分類法是向量空間模型中一種非常有效的分類方法，計算文檔向量和每個類別中心向量的相似度，其中相似度最大值所對應的類別，就是文檔的所屬類別。
　　 向量空間模型有兩個固有的缺陷：高維的向量和扭曲的空間。在各類文本挖掘和檢索技術中，一般利用歐式距離來計算文本向量之間的相似程度。文

2、本特征空間是個非常復雜的空間結構，而各個坐標之間也并不是平等的，概念之間的語義有不同程度聯(lián)系。而經典的歐氏距離應用的前提條件是每個坐標對于計算歐氏距離起著相同的作用，按照經典的歐氏距離進行計算會導致空間形狀的扭曲和變形。本文針對傳統(tǒng)向量空間中特征項不獨立導致的計算誤差原因進行研究，發(fā)現在坐標系獨立的笛卡兒直角坐標系中和坐標系不獨立的笛卡兒斜角坐標系或者說仿射坐標系中兩向量內積計算上存在差異，這必然導致用向量內積來計算的兩向量的相似度在傳

3、統(tǒng)的向量空間中存在誤差。
　　 針對傳統(tǒng)向量空間由于特征項不獨立導致的計算誤差，本文對傳統(tǒng)向量空間中的類中心分類法引入仿射空間概念。但直接在以特征項為維的向量空間內引入基于仿射空間的相似度計算的改進又無疑大大增加了計算的時間的復雜度，對此本文引入可以降低計算維數的正交分解模型，將由于特征項不獨立導致的計算誤差研究轉化為改進類別不獨立導致的計算誤差的研究。正交分解和仿射空間中線形變換存在著對應關系，由此本文提出了基于正交分解的類中

4、心分類法以及基于仿射空間和正交分解的類中心分類法。
　　 為了驗證本文提出的基于正交分解的類中心分類法和基于仿射空間和正交分解的類中心分類法有效性和可行性，為驗證基于仿射空間的改進是否能有效降低由于類別不獨立導致的計算誤差，本文對基于正交分解的類中心分類用于中文文本分類的效果和基于仿射空間和正交分解的類中心分類法進行了對比實驗。實驗結果表明無論從整體混淆矩陣、總體查全率、查對率、以及各個類的查全率、查對率方面，基于仿射空間和正交