华南理工大学学报（自然科学版）
華南理工大學學報（自然科學版）
화남리공대학학보（자연과학판）
JOURNAL OF SOUTH CHINA UNIVERSITY OF TECHNOLOGY(NATURAL SCIENCE EDITION)
2004年
z1期
67-72
,共6页
代六玲%李雪梅%黄河燕%陈肇雄
代六玲%李雪梅%黃河燕%陳肇雄
대륙령%리설매%황하연%진조웅
文本分类%支持向量机%语义SVM%在线学习
文本分類%支持嚮量機%語義SVM%在線學習
문본분류%지지향량궤%어의SVM%재선학습
为使支持向量机(SVM)更加适用于在线文本分类应用,利用SVM在小训练样本集条件下仍有高泛化能力的特性,结合文本特征向量在特征空间中具有聚类性的特点,提出一种用语义中心集代替原训练样本集作为训练样本和支持向量的SVM:语义SVM.文中给出了语义中心集的生成步骤、语义SVM的在线学习算法框架,以及基于SMO算法的在线学习算法的实现.实验结果表明,相对于标准SVM,语义SVM及其在线学习算法不仅在线学习速度和分类速度有数量级提高,而且在分类准确率方面具有一定优势.
為使支持嚮量機(SVM)更加適用于在線文本分類應用,利用SVM在小訓練樣本集條件下仍有高汎化能力的特性,結閤文本特徵嚮量在特徵空間中具有聚類性的特點,提齣一種用語義中心集代替原訓練樣本集作為訓練樣本和支持嚮量的SVM:語義SVM.文中給齣瞭語義中心集的生成步驟、語義SVM的在線學習算法框架,以及基于SMO算法的在線學習算法的實現.實驗結果錶明,相對于標準SVM,語義SVM及其在線學習算法不僅在線學習速度和分類速度有數量級提高,而且在分類準確率方麵具有一定優勢.
위사지지향량궤(SVM)경가괄용우재선문본분류응용,이용SVM재소훈련양본집조건하잉유고범화능력적특성,결합문본특정향량재특정공간중구유취류성적특점,제출일충용어의중심집대체원훈련양본집작위훈련양본화지지향량적SVM:어의SVM.문중급출료어의중심집적생성보취、어의SVM적재선학습산법광가,이급기우SMO산법적재선학습산법적실현.실험결과표명,상대우표준SVM,어의SVM급기재선학습산법불부재선학습속도화분류속도유수량급제고,이차재분류준학솔방면구유일정우세.
