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sandwichC (沒回應=掛站)時間15年前 (2009/02/20 00:26)推噓0(0推 0噓 0→)

留言0則, 0人參與討論串4/5 (看更多)

20newsgroup的資料算是相當容易判別的資料了用十年前的 Naive Bayesian Text Classifiation (http://www.cs.cmu.edu/~knigam/papers/multinomial-aaaiws98.pdf ) 當training 和 testing data set 各佔50%時，就可以達到平均85%以上的正確率就算是你說的比較難分的 religious.misc 也有 60% 以上的正確率如果你再用一些 feature selection 的技巧，平均正確率達到95%以上沒問題 Dr. McCallum 的 Bow (http://www.cs.cmu.edu/~mccallum/bow/ ) 可以完全做到你要做的事該網頁也是用20newsgroup做例子連feature selection都幫你準備妥當了 : 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 -- My blog: http://sandwichc-life.blogspot.com/ -- ※ 發信站: 批踢踢實業坊(ptt.cc) ◆ From: 146.186.229.10