一种基于SVM 的英/美式英语的文本分类方法

成洁

（陕西国际商贸学院通识学院，陕西西安 712046）

互联网的发展使得英语文本易于在在线媒体中找到并广泛传播。广泛的英文文档和文本，使其中包含的英语类型之间的区分变得更加困难。实际上，了解文本中使用的英语类型对于学习英语很重要。英语在世界范围内的差异也很大，尤其是在词汇和句法层面展现出的区域差异[1]。因此，非英语母语者没有标准的英语参考文献可以参考[2]。

除了可以通过英语差异识别当地居民的籍贯之外，英式/美式英语的一致性还可以提高人们理解英语的知识水平。如先前的研究所述[3]，通过对作者使用的英语类型进行识别，可以知道作者的国籍信息。同时，对于这些所获得的信息，可以用作社会学研究、市场分析、翻译机制和信息检索的材料。

虽然美式英语是世界上使用的标准英语之一，但还没有对美式英语进行分类。考虑到已经进行了关于英语识别的研究，该研究的重点是关注英式/美式英语文本的句子中使用的语言，而不是基于作者所在国家。数据来自英式英语的英国国家语料库（British National Corpus，BNC）[4]，美式英语的数据来自当代美国英语语料库（Corpus of Contemporary American English,COCA）[5]。根据在COCA 和BNC 进行的数据检索，所拥有的每个数据的标签为英式英语和美式英语类。因此，这项研究使用监督学习对具有已知标签的训练数据集进行学习。

在这项研究中，使用SVM（支持向量机）算法对英式英语和美式英语文本进行分类。使用SVM 分类器可以很好地处理具有高维的输入空间，并且在文本分类中具有良好的准确性[6-10]。……