基于语义关联的文本分类研究

张 浩， 谢 飞

（1.合肥工业大学 计算机与信息学院，安徽 合肥 230009；2.皖南医学院 基础医学部，安徽 芜湖 241000；3.合肥师范学院 计算机科学与技术系，安徽 合肥 230601）

0 引言

随着信息技术和互联网的飞速发展，人们可以获得越来越多的电子信息资源，但同时也需要投入更多的时间对这些信息进行组织和管理。为了减轻这种负担，人们开始研究采用计算机进行文本分类。文本分类（Text Categorization）就是在给定的分类体系下，让计算机根据文本的内容确定与它相关联的类别。文本分类是自然语言处理的一个重要的问题，主要应用于信息检索、自动文摘、信息过滤、邮件分类等。

文本分类中一个重要的问题是特征选择，通过特征选择减少文本的特征向量维数，提高分类的效率和精度。特征选择的基本思想是构造一个评价函数，对特征集的每个特征进行评估，选择类别区分能力强的特征构造特征集。已有的一些特征选择方法（如互信息、信息增益等）在构造特征评价函数时，重点考虑词语与类别的关联性，没有考虑词语之间的语义关联性。本文提出一种基于语义关联的特征选择方法，通过计算词语在文档中的语义关联性，将那些没有被特征选择方法选择的词语，但却与被选择的词语具有密切语义关联的词语加入特征空间中。实验表明，本文提出的基于语义关联的特征选择方法提高了文本分类的精度。

1 相关工作

1.1 文本分类研究现状

文本分类的研究开始于20世纪50年代，在60—80年代，基于知识工程的文本分类方法占据主导地位，这类方法由于使用人工构造的知识库，分类准确度较高，但缺点是知识库构造困难，难以大规模地应用。……