基于最小最大模块化支持向量机的多标号文本分类-上海交通大学.pdfVIP

计算机研究与发展 ISSN1000—1239／CN11-1777／TP of Researchand 42(增刊)：361～366，2005 JournalComputer Development 基于最小最大模块化支持向量机的多标号文本分类 吕宝粮1 刘峰耀1 内山将夫2 井佐原均2 1(上海交通大学计算机科学与工程系上海200030) 2(日本国立信息与通信技术研究所京都619—0289) (blu@es．sjtu．edu．ca) MultilabelText aMin-MaxModular Vector CategOrizationUsing Support Machine IsaharaHitoshi2 Lfi Masa02，and Baolian91，LiuFengya01，Utiyama Scienceand University，Shanghai200030) 1(DepartmentofComputer Engineering，ShanghaiJiaotong andCommunications 2(NationalInstitute Technology，Kyoto619·0289) ofInformation AbstractInthis newmethodfor withmultilabeltext is paper，a dealing categorizationproblems with K—classmultilabel isdividedintoKtwo-class the“one·versus- proposed．First，a problem problems isusedtodivideeachtwo—class intoanumber rest”strategy．Thenthe“part．versus—part”strategy problem areassmallasneeded．The resultson of balancedtwo—class which relatively subproblems experimental YomiuriNews andRCVl一v2 indicatethatthe methodis tothetraditional corpus corpus proposed superior inthe of and time． generalizationperformancetraining approachaspects wordsmultilabeltext modular vector Key categorization；min—maxsupportmachine；parallellearning 摘要提出了一种新的解决多标号文本分类问题的方法．对于一个K类多标号问题，首先采用“一对 其他”的问题分解方法将原问题分解为K个两类问题；然后按照最小最大模块化支持向量机(M3． SVM)的“部分对部分”问题分解方法，再对这些两类问题进一步分解．这种方法的特点是能将大规模