Re: [請益] 有沒有一樣是研究text mining的同好呢

看板CSSE (電腦科學及軟體工程)作者cansas (cansas)時間16年前 (2009/02/16 01:03)推噓2(2推 0噓 6→)

留言8則, 4人參與討論串2/5 (看更多)

※ 引述《cansas (cansas)》之銘言： : 標題: [請益] 有沒有一樣是研究text mining的同好呢 : 時間: Mon Feb 16 00:14:46 2009 : : 唉是這樣的小弟目前在研究文件分類 : : 但是一直有瓶頸就是相似的類別 : : 不管怎麼橋它們經過特徵值截取出來的字 : : 實在是太相像了不好的開始導致了最後分類效果非常的差 : : 正在苦惱真的不知道該怎麼辦想請問有沒有一樣是做文件分類的同好 : : 可以一同討論 : : -- : ※ 發信站: 批踢踢實業坊(ptt.cc) : ◆ From: 125.230.69.106 : 推 PsMonkey:ㄜ... 我幫別人作過文件分類，算有一點基礎 02/16 00:44 : → PsMonkey:不過我看不太懂你的問題，請說清楚一點吧 XD（請勿來信） 02/16 00:45 其實是這樣的 text mining 可以粗略簡化為三個流程 1.特值擷取: 因為電腦讀不懂語意　所以需要使用一些數學方法擷取出相對重要的詞，做為該文件的索引字，例如使用　”馬英九”　”慢跑”　這兩個字做為馬英九慢跑這篇新聞的索引字。 2.建造分類器：分類器有很多種　可以選擇ＳＶＭ　ＫＮＮ等　都有不同特性 3.Pattern Matching: 將需要分類的新文件　與過去使用Training data 所建製的分類器　做比對的動作　計算相似度　接著決定這分新文件屬於哪個類別以上是三個連貫的流程　也就是說　其中一個環節有錯　就會直接對結果產生影響另外越前端的環節做不好　產生的影響越大　其實我現在的問題是　我有一個benchmark 有相似的類別　也有非常獨立的類別使用這個benchmark 來測試分類器的準度使用一定比例進行Training 和 Testing 相似的類別使用數學方法　計算權重　擷取出來的字非常相似　經常重疊這連帶的影響到後端分類器的建置　分類器無法明顯的區分出這兩個類別就搞得頭好痛　那個benchmark 叫做　20newsgroup 有幾個很難區分的類別分別是 "atheism" ,"talk.religion.misc","religion.christian" 這幾個類別截取出來的字常常就是　"god","christian" ,"christ"　等　經常談論到神　如果使用關連法則作為分類器就很容易產生 {god,christian}->talk.religion.misc 和 {god,christian}-> religion.christian 這種容易混淆的規則因為分類器就是依照這些擷取出來字搭配所使用的分類器所產生的pattern 進行分類不知道這樣子有沒有說明白...不好意思　麻煩了 -- ※ 發信站: 批踢踢實業坊(ptt.cc) ◆ From: 125.230.69.106