基于Hadoop的SVM并行化文本分类研究与实现.docVIP

基于Hadoop的SVM并行化文本分类研究与实现.doc

  1. 1、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
 基于 Hadoop 的 SVM 并行化文本分类研究 与实现 吴泽伦,郑岩** 5 (北京邮电大学计算机学院,北京 100876) 摘要:支持向量机(SVM )已成为一种非常流行的分类工具,但支持向量机算法的主要缺 点是当它处理的数据集规模很大时需要较大内存和训练时间非常长。为了加快 SVM 的训练 速度,本文提出了一种基于 hadoop 的并行化 SVM 训练方法,设计和实现 SVM 并行化的过 10 程中最需要考虑的数据集如何划分和如何进行迭代两个问题。并且通过文本分类实验对比 了并行化的 SVM 和单机模式下 SVM 的分类精度以及 SVM 训练时间,实验结果表明,这种 并行化训练方式可以在不会明显降低 SVM 分类准确率的前提下有效提高 SVM 的训练速度。 关键词:支持向量机;Hadoop;文本分类 中图分类号:TP391.4 15 Research and Implement on parallel SVM Text Classification Based on Hadoop WU Zelun1, ZHENG Yan2 (1. Computer School, Beijing University of Posts and Telecommunications, Beijing 100876; 20 25 2. Computer School, Beijing University, Beijing 100876) Abstract: Support Vector Machine(SVM) has become a popular classification tool but the main disadvantages of SVM algorithms are their large memory requirement and computation time to deal with very large datasets. To speed up the process of training SVM, this paper presents a parallel SVM training method based on hadoop, designs and implements most need to consider of SVM parallelization process--how to divide the dataset and how to iterate. And by text classifcation experiments comparing the parallel SVM and stand-alone mode SVM classification accuracy and SVM training time, the experimental results show that this parallelism can improve SVM training speed and will not significantly reduce the SVM classification accuracy. Key words: SVM; Hadoop; Text Classifcation 30 0 引言 随着信息技术的发展,网络信息量迅速增加,文档分类成为处理和组织大量文档数据的 关键技术。在数字图书馆中,对数字文本进行准确高效的分类是保证数字资源被全面检索和 充分利用的基础。文本分类是文本处理领域的重要研究内容之一,其任务就是在预先给定的 35 40 分类模型下,系统在学习各类的训练文档的基础上,根据文本的内容让计算机自动判断、预 测未知类文档的类别。文本分类技术已经应用于信息检索、信息抽取、信息过滤、数据组织、 网上信息快速定位等多个领域。 常用的文本分类方法有 K2 近邻( K2NN) 方法、朴素贝叶斯(Naive Bayes) 方法、支持向 量机(SVM) 方法和决策树方法(Decision Tree) 等。其中支持向量机(SVM)对文本分类的 精度最高,但当文本数据规模很大时,SVM 需要很大的内存并且训练时间也非常长[1]。为 了加快 SVM 的训练速度,并行化的 SVM 训练算法被提了出来。 作者简介:吴泽伦(1990-),男,学生,数据挖掘 通信联系人:郑岩(1970-),女,副教授,数据仓库、数据挖掘、知识发现,智能决策. yanzheng@bupt.edu.cn -1-  传统的并行化 SVM 训练算法都是将原始的训练样本集划分成若干个子训练样本集然后 对每个子训练样本集同时训练支持向量,并把各个支持向

文档评论(0)

文档分享 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档