※ 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 ※ 編輯: cansas 來自: 125.230.69.106 (02/16 02:09) ※ 編輯: cansas 來自: 125.230.69.106 (02/16 02:14)