面向元信息分类的支持向量机改进技术

丁军平; 蔡皖东

您当前的位置：

首页 >

文章列表页 >

面向元信息分类的支持向量机改进技术

更新时间：2025-07-09

- 面向元信息分类的支持向量机改进技术
- An Improved Support Vector Machine Technology for Meta-Information Classification
- 西安交通大学学报 2011年45卷第8期页码：37-42
- 作者机构：
  
  西北工业大学计算机学院,西安,710072
- 作者简介：
- 基金信息：
  
  : 2010-12-10. 作者简介: 丁军平(1977-),男,博士生;蔡皖东(联系人),男,教授,博士生导师. 基金项目: 国家高技术研究发展计划资助项目(2009AA01Z424)
- DOI：
  中图分类号： TP393.0
- 网络首发：2011-08-10，
  
  纸质出版：2011
- 稿件说明：
移动端阅览
丁军平, 蔡皖东. 面向元信息分类的支持向量机改进技术[J]. 西安交通大学学报, 2011,45(8):37-42.

An Improved Support Vector Machine Technology for Meta-Information Classification[J]. 2011, 45(8): 37-42.
丁军平, 蔡皖东. 面向元信息分类的支持向量机改进技术[J]. 西安交通大学学报, 2011,45(8):37-42. DOI：

An Improved Support Vector Machine Technology for Meta-Information Classification[J]. 2011, 45(8): 37-42. DOI：

摘要

针对传统元信息分类方法的准确率不能满足主动P2P网络监测模型要求的问题

提出了一种基于改进支持向量机算法的元信息分类方法.该方法首先通过在加权最小二乘支持向量机的基础上加入对数据偏斜的处理

解决了元信息分类时关键词特征稀疏和样本高度不均衡问题

在对元信息文件名进行分词时

加入了词条之间的组合关系处理

在进行特征向量表示时

加入了对词条权值和语义属性的处理

最后使用基于粗糙集的属性规约方法进行特征向量选择

有效地降低了特征向量维度.实验结果表明

与传统方法相比

所提方法在进行元信息分类时能够大幅度提高分类准确率

准确率可达到97.8%

完全能够满足主动P2P网络监测模型的要求.

Abstract

An improved support vector machine(SVM)algorithm for meta-information classification is proposed to solve the problem that the traditional classification algorithm on meta-information can't meet the requirement of initiative P2P network monitoring model. The algorithm solves the problems that the keywords in classification are sparse and the distribution of sample is unbalanced by adding processing the data skew on LS-VSM. Combination relationships among keywords are added on filename segmentation of the meta-information. The weights of keywords and semantic attribute are processed for feature vector representation and the feature vector is selected using rough set specification so that the dimension of the feature vector is effectively reduced. Experimental results and comparisons with the traditional algorithm show that the proposed algorithm achieves a classification accuracy at 97.8%

that is the algorithm dramatically improves the classification accuracy

and meets the requirement of initiative P2P network monitoring model satisfactorily.

关键词

Keywords

references

徐沛娟, 李雄飞, 惠玥, 等. 中文文本分类相关算法的研究与实现[J]. 吉林大学学报, 2009, 47(4): 790-794.

XU Peijuan, LI Xiongfei, HUI Yue, et al. Research and implementation of related algorithm of Chinese text categorization[J]. Journal of Jilin University, 2009, 47(4): 790-794.

侯翠琴, 焦李成. 基于图的Co-Training 网页分类[J]. 电子学报, 2009, 37(10): 2173-2219.

HOU Cuiqin, JIAO Licheng. Graph based Co-Training algorithm for web page classification [J]. Acta Electronica Sinica, 2009, 37(10): 2173-2219.

杨震, 范科峰, 雷建军, 等. 基于语义的文本流形研究[J]. 电子学报, 2009, 37(3): 557-561.

YANG Zhen, FAN Kefeng, LEI Jianjun, et al. Text manifold based on semantic analysis [J]. Acta Electronica Sinica, 2009, 37(3): 557-561.

闫瑞, 曹先彬, 李凯. 面向短文本的动态组合分类算法[J]. 电子学报, 2009, 37(5): 1019-1024.

YAN Rui, CAO Xianbin, LI Kai. Dynamic assembly classification algorithm for short text[J]. Acta Electronica Sinica, 2009, 37(5): 1019-1024.

樊兴华, 王鹏. 基于两步策略的中文短文本分类研究[J]. 大连海事大学学报, 2008, 34(3): 121-124.

FAN Xinghua, WANG Peng. Chinese short-text classification in two-steps[J]. Journal of Dalian Maritime University, 2008, 34(3): 121-124.

宁亚辉, 樊兴华, 吴渝. 基于领域词语本体的短文本分类[J]. 计算机科学, 2009, 36(3): 142-145.

NING Yahui, FAN Xinghua, WU Yu. Short text classification based on domain word ontology[J]. Computer Science, 2009, 36(3): 142-145.

VAPNIC V. The nature of statistical learning theory[M]. New York, USA: Springer, 1995.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

面向分类去噪问题的模糊支持向量机新算法

一种新的浮选泡沫图像识别方法

粒度计算中混合属性约简的权重模糊粗糙集模型

泛化的统一切比雪夫多项式核函数

基于样本熵的注意力相关脑电特征信息提取与分类