基于主题本体扩展特征的短文本分类

湛燕，陈昊

（河北大学 数学与计算机学院，河北省机器学习与计算智能重点实验室，河北 保定 071002）

自动文本分类有着悠久的历史，可以追溯到至少20世纪60年代，直到20世纪80年代末，作为知识工程自动分类的一个重要分支问题，即构建一套规则来编码专家知识从而用于文档分类.在20世纪90年代，随着蓬勃发展的在线文档的广泛应用，自动文本分类增加和扩展了新的研究范围［1］.

文本分类是信息组织和信息管理任务中非常重要的组成成分.而短文本分类指的是一些短小文章（通常少于100字）的分类.国际上对于文本分类已经有了很多年的研究［1－2］，但是对于短文本分类问题的研究相对较少［3－4］.

短文本分类问题是文本分类的一个分支，除了在某种程度上与传统文本分类类似，但是仍然需要面临一些特殊问题需要解决，因为文本长度短、特征稀疏，很难衡量文章之间的相似性，常见的文本分类相似度测量方法应用在短文本分类中，通常并不能得到一个好的结果.

目前较为常用的传统文本分类算法有贝叶斯、支持向量机、近邻方法、神经网络方法、决策树法等［2］.根据不同的文本表示形式的特点，这些方法可以分为2 种：一种是传统的基于向量空间模型（vector space mode，VSM）的分类，另一个是基于语义信息的分类［5］.一般来说，传统的基于向量空间模型的分类方法，不使用语义信息来提高分类性能；同时，由于文档比较短，描述特征词信息的能力弱，在测试文档中出现的……