基于貝葉斯分類器的中文文本分類

鐘磊

摘 要

在數(shù)據(jù)挖掘領(lǐng)域中，文本分類備受關(guān)注。本文研究了基于貝葉斯分類器的中文文本分類的相關(guān)問題，提出了一種以遺傳算法為基礎(chǔ)的樸素貝葉斯分類器，分析了分類器的設(shè)計流程和功能實現(xiàn)過程，驗證表明，本文提出的貝葉斯分類器在中文文本分類中的應(yīng)用效果良好，分類精度較高。

【關(guān)鍵詞】貝葉斯分類器 文本分類 遺傳算法

貝葉斯分類器在文本分類中有著重要的應(yīng)用，其中樸素貝葉斯分類器是一種簡單有效的概率分類方法。但需要注意的是，樸素貝葉斯分類器模型在實際應(yīng)用的過程中往往會出現(xiàn)一定的問題，例如條件假設(shè)難以實現(xiàn)，屬性約簡影響分類效果等。

1 文本分類

事先定義好文本類別，以文本內(nèi)容為基礎(chǔ)，計算機根據(jù)相關(guān)自動分類算法，對文本進行預(yù)先定義好的類別劃分就是文本分類。文本分類一般可以分為三個步驟，分別是文本向量模型表示、選擇文本特征及分類器訓(xùn)練。

2 遺傳算法基本思想

遺傳算法是以遺傳思想為基礎(chǔ)的一種算法，一定數(shù)量的個體經(jīng)過基因編碼之后會組成一個種群，而遺傳算法就從代表問題可能潛在解集的種群開始。

3 基于遺傳算法的樸素貝葉斯分類器

本文提出了一種應(yīng)用于中文文本分類的貝葉斯分類器，其以自適應(yīng)遺傳算法為基礎(chǔ)，具體設(shè)計方案如下：

3.1 設(shè)計思路

（1）進行數(shù)據(jù)采樣、收集、整理等預(yù)處理工作，必要時進行數(shù)據(jù)的離散化。

（2）對實體樣本數(shù)據(jù)進行分類，之后將其隨機劃分為兩個集合，分別是驗證集和訓(xùn)練集，在訓(xùn)練集中生成S個子集，每一個子集的屬性隨機，針對每一個隨機屬性子集，對應(yīng)的構(gòu)建一個NBC。

（3）將構(gòu)建的NBC作為初始種群，以上文中提到的遺傳算法選擇最優(yōu)解，在整個遺傳操作中，選擇的最優(yōu)解就是要求的gNBC，gNBC對應(yīng)的屬性集則是所需要的最優(yōu)屬性集。

3.2 gNBC設(shè)計

3.2.1 數(shù)據(jù)預(yù)處理

在知識獲取系統(tǒng)中，數(shù)據(jù)預(yù)處理是關(guān)鍵步驟，這是因為取得的原始數(shù)據(jù)不能夠直接進行知識獲取，需要進行一定的預(yù)處理加工才能夠滿足知識獲取條件，原始數(shù)據(jù)的采樣、收集及整理等都屬于數(shù)據(jù)預(yù)處理的范疇。

3.2.2 編碼

在遺傳算法中，編碼的過程就是基因型與表現(xiàn)型的映射工作，保證二者的一一對應(yīng)，實質(zhì)上就是解的遺傳表示過程。

3.2.3 分類器差異度

差異度指的是空間中分布程度，將分類精度設(shè)為R，數(shù)據(jù)集中分類精度數(shù)量為m，則有R1，R2，…，Rm，用P代表數(shù)據(jù)集記錄個數(shù)，則每一類記錄數(shù)為P1，P2，…，Pm，則可以得出以下公式：

P=P1+P2…+Pm

R=P1R1+P2R2…+PmRm/P

Ri為第i類正確分類記錄數(shù)與所有劃分到第i類的記錄數(shù)之間的比值，則可以得出分類器差異度D的計算公式：

D=R1R2…Rm/Rm

由上述公式可知，分類器差異度D的取值范圍為（0，1），D的值越大，即越接近于1，代表分類器差異性越好。

3.2.4 適應(yīng)度函數(shù)

適應(yīng)度是度量群體中個體優(yōu)化計算中接近找到最優(yōu)解的優(yōu)良程度的重要標準，利用適應(yīng)度函數(shù)能夠?qū)€體適應(yīng)度進行評估，從而對群體中個體優(yōu)良程度進行評價。

3.2.5 遺傳操作

（1）選擇操作，即個體的優(yōu)勝劣汰，選擇適應(yīng)性更強的染色體，將這些染色體組成新的種群。

（2）遺傳運算，主要包括交叉運算和變異運算，形成新的個體并產(chǎn)生相應(yīng)后代。

4 算法驗證

4.1 數(shù)據(jù)預(yù)處理

為了對本文提出方法的有效性和可行性進行驗證，本文以搜狗實驗室文本分類數(shù)據(jù)為語料庫，選取五類中文文檔，分別是汽車類、教育類、體育類、文化類及旅游類，每類文檔中包含新聞報1990篇，文檔數(shù)量為9950。

4.2 驗證結(jié)果分析

將數(shù)據(jù)庫分為驗證集和訓(xùn)練集，前者30%，后者70%，測試驗證集，對NBC和gNBC的分類精度進行比較，結(jié)果如表1所示。

由表1可知，相較于NBC來說，gNBC分類精度普遍更優(yōu)良，在同一數(shù)據(jù)集中，差異度影響系數(shù)取值不同，gNBC分類精度也有著一定多個差異性，因此，適當(dāng)對差異度進行考慮有助于提升文本分類能力。但同時也需要注意，實驗過程中，如果增加特征數(shù)目，會一定程度影響分查速度，在應(yīng)用的過程中需要平衡速度和效率，這是本方法需要改進之處。

5 結(jié)論

綜上所述，貝葉斯分類器在中文文本分類中有著重要的應(yīng)用，本文提出了一種以遺傳算法為基礎(chǔ)的樸素貝葉斯分類器，分析了分類器的設(shè)計流程和功能實現(xiàn)，通過實例驗證表明，本文提出的貝葉斯分類器在中文文本分類中的應(yīng)用效果良好，分類精度較高，但在實際應(yīng)用的過程中需要平衡分類效率和速度，這也是需要進一步改善之處。

參考文獻

[1]羅海蛟.數(shù)據(jù)挖掘中分類算法的研究及其應(yīng)用[J].微機發(fā)展，2013，13（02）：48-50.

[2]王灝，黃厚寬，田盛豐.文本分類實現(xiàn)技術(shù)[J].廣西師范大學(xué)學(xué)報：自然科學(xué)版，2013，21（01）：173-179.

[3]秦進，陳笑蓉，汪維家，等.文本分類中的特征抽取[J].計算機應(yīng)用，2015，23（02）：45-46.

作者單位

杭州電子科技大學(xué)通信工程學(xué)院 浙江省杭州市 310002