文本自动分类技术 - 北京大学计算机科学技术研究所.pdf

文本挖掘技术(2012春) 第四章： 文本自动分类技术 杨建武 北京大学计算机科学技术研究所 Email:yangjw@ 1 知识的组织  知识的结构和知识是孪生的兄弟  结构本身也是知识  分类体系  杜威十进制系统（图书分类），  国会图书馆的目录，  AMS （美国数学会）的数学知识体系，  美国专利内容的类别体系  Web catalogs  Yahoo 以前的主页  Open Directory （/） • 志愿者共同维护与建设的最大的全球目录社区 2 Open Directory （/） 3 分类的概念  分类：对于给定一个对象，从一个事先定 好的分类体系中挑出一个（或者多个）最 适合该对象的类别。 对象：可以是任何东西 事先定好的分类体系：可能有结构 最适合：判断标准  便于今后查找是其最直接、最普遍的应用 4 分类体系  分类体系一般人工构造 政治、体育、军事 人文与艺术 商业与经济  分类系统可以是层次结构 社会与文化 非学术性  分类模式 娱乐与休闲  2类问题，属于或不属于 新闻与媒体 (binary) 政府与政治  多类问题，多个类别 教育 (multi-class)，可拆分成2 社会科学 类问题 学术性  一个对象可以属于多类 自然科学 (multi-label) 医疗与健康5 人工方法和自动方法  人工方法  知识工程的方法建立专家系统(80年代末期)  结果容易理解 足球and 联赛体育类  费时费力 MEDLINE(National Library of Medicine)