Luận văn Thạc sĩ: Cải tiến phương pháp gán trọng số cho phân loại văn bản (ĐH Công nghệ)

Luận văn thạc sĩ CNTT: Đề xuất phương pháp cải tiến trọng số thuật ngữ cho bài toán phân loại văn bản. Mã số: 60 48 01. Tóm tắt & download luận văn.

Chuyên ngành

Computer Science

Người đăng

Ẩn danh

Thể loại

Luận văn Thạc sĩ

2014

52
1
0

Phí lưu trữ

30 Point

Mục lục chi tiết

ORIGINALITY STATEMENT

ABSTRACT

ACKNOWLEDGEMENTS

Table of Contents

TABLE OF CONTENTS

List of Figures

List of Tables

List of Abbreviations

1. Chapter 1 Introduction

1.1. Motivation

1.2. Structure of this Thesis

2. Chapter 2 Overview of Text Categorization

2.1. Introduction

2.2. Text Representation

2.3. Text Categorization tasks

2.3.1. Single-label and Multi-label Text Categorization

2.3.2. Flat and Hierarchical Text Categorization

2.4. Applications of Text Categorization

2.4.1. Automatic Document Indexing for IR Systems

2.4.2. Documentation Organization

2.4.3. Word Sense Disambiguation

2.5. Machine learning approaches to Text Categorization

2.5.1. Support Vector Machines

3. Term Weighting Schemes

3.1. Previous Term Weighting Schemes

3.1.1. Unsupervised Term Weighting Schemes

3.1.2. Supervised Term Weighting Schemes

3.2. Our New Term Weighting Scheme

4. Results and Discussion

4.1. Results on the 20 Newsgroups corpus

4.2. Results on the Reuters News corpus

5. Conclusion

Tóm tắt

I. Luận văn Thạc sĩ Tổng quan về Gán Trọng số Văn bản

Trong bối cảnh bùng nổ thông tin dạng văn bản, đặc biệt trên World Wide Web, nhu cầu phân loại văn bản (Text Categorization - TC) ngày càng tăng cao. Gán trọng số văn bản là một bước quan trọng trong quá trình biểu diễn văn bản, ảnh hưởng trực tiếp đến hiệu suất của các thuật toán phân loại văn bản. Luận văn này tập trung vào nghiên cứu và cải tiến phương pháp gán trọng số, nhằm nâng cao độ chính xác và hiệu quả của quá trình xử lý ngôn ngữ tự nhiên (NLP). Các phương pháp gán trọng số truyền thống như binary, tf và tf.idf, mặc dù đơn giản nhưng vẫn còn nhiều hạn chế. Các phương pháp hiện đại hơn, sử dụng thông tin về lớp của tài liệu huấn luyện, như tf.rf, đã cho thấy nhiều hứa hẹn, nhưng vẫn còn nhiều điểm cần cải thiện. Luận văn này đề xuất một phương pháp gán trọng số mới, kết hợp ưu điểm của các phương pháp truyền thống và hiện đại, đồng thời khắc phục những hạn chế của chúng. Mục tiêu là xây dựng một phương pháp gán trọng số văn bản hiệu quả, dễ sử dụng và có khả năng ứng dụng rộng rãi trong các bài toán thực tế. Phương pháp mới được đánh giá dựa trên các tập dữ liệu chuẩn và so sánh với các phương pháp hiện có để chứng minh tính ưu việt.

Luận văn này dựa trên nghiên cứu của Phạm Xuân Nguyễn về cải tiến lược đồ trọng số thuật ngữ cho phân loại văn bản. Nghiên cứu trước đây đã chỉ ra rằng lược đồ gán trọng số TF-IDF là một trong những phương pháp hiệu quả nhất hiện có. Luận văn sẽ đi sâu vào những hạn chế của phương pháp này và đề xuất các cải tiến để nâng cao hơn nữa hiệu suất đánh giá văn bản.

1.1. Giới thiệu bài toán Phân loại Văn bản trong NLP

Bài toán phân loại văn bản là một trong những bài toán cơ bản và quan trọng trong lĩnh vực xử lý ngôn ngữ tự nhiên. Mục tiêu của bài toán là tự động gán các văn bản vào các danh mục (categories) định nghĩa trước. Ứng dụng của phân loại văn bản rất đa dạng, từ lọc thư rác, phân loại tin tức, đến phân tích cảm xúcđịnh tuyến tài liệu. Hiệu suất của các hệ thống phân loại văn bản phụ thuộc rất nhiều vào cách biểu diễn văn bản, trong đó gán trọng số văn bản đóng vai trò then chốt. Do đó, việc nghiên cứu và phát triển các phương pháp gán trọng số hiệu quả là vô cùng cần thiết. Các phương pháp này giúp máy tính hiểu rõ hơn nội dung và ngữ nghĩa của văn bản.

1.2. Vai trò của Trọng số Từ khóa trong Xử lý Văn bản

Việc gán trọng số từ khóa giúp xác định mức độ quan trọng của mỗi từ trong việc biểu diễn nội dung của văn bản. Một từ có tần suất xuất hiện cao trong một văn bản có thể quan trọng, nhưng nếu nó cũng xuất hiện nhiều trong các văn bản khác, thì độ quan trọng của nó sẽ giảm đi. Ngược lại, một từ ít xuất hiện nhưng lại đặc trưng cho một chủ đề cụ thể thì sẽ có trọng số cao hơn. Việc gán trọng số chính xác giúp các thuật toán học máy tập trung vào các đặc trưng quan trọng, từ đó cải thiện khả năng phân biệt giữa các loại văn bản khác nhau. Điều này đặc biệt quan trọng trong các bài toán có số lượng lớn văn bản và số lượng lớn từ khóa.

II. Vấn đề của Phương pháp TF IDF Cổ điển trong NLP

Mặc dù TF-IDF là một phương pháp gán trọng số phổ biến, nhưng nó vẫn còn nhiều hạn chế. TF-IDF dựa trên tần suất xuất hiện của từ trong văn bản (TF) và tần suất nghịch đảo của tài liệu (IDF). Tuy nhiên, TF-IDF không xét đến ngữ nghĩa của từ, mối quan hệ giữa các từ, và tầm quan trọng của từ trong ngữ cảnh cụ thể. Một số từ có thể có tần suất cao nhưng lại không mang nhiều thông tin, trong khi những từ quan trọng lại có tần suất thấp. Hơn nữa, TF-IDF dễ bị ảnh hưởng bởi độ dài của văn bản; văn bản dài thường có tần suất từ cao hơn, dẫn đến trọng số cao hơn một cách không công bằng. Luận văn này xem xét các hạn chế này và đề xuất các giải pháp để cải thiện phương pháp TF-IDF, nhằm nâng cao hiệu suất của các hệ thống phân loại văn bản.

2.1. Hạn chế về Ngữ nghĩa của Phương pháp TF IDF

Phương pháp TF-IDF không xem xét đến phân tích ngữ nghĩa của từ, mà chỉ dựa trên tần suất xuất hiện. Điều này dẫn đến việc bỏ qua các thông tin quan trọng về ý nghĩa và mối quan hệ giữa các từ. Ví dụ, các từ đồng nghĩa có thể có tần suất khác nhau, nhưng lại mang ý nghĩa tương tự. Các từ đa nghĩa có thể được gán trọng số không chính xác nếu không xem xét đến ngữ cảnh sử dụng. Vì vậy, việc tích hợp các kỹ thuật phân tích ngữ nghĩa vào phương pháp gán trọng số là một hướng đi quan trọng để cải thiện hiệu suất.

2.2. Ảnh hưởng của Độ dài Văn bản đến Trọng số TF IDF

Độ dài văn bản có ảnh hưởng đáng kể đến trọng số TF-IDF. Văn bản dài thường có tần suất từ cao hơn, dẫn đến trọng số cao hơn một cách không công bằng. Điều này gây khó khăn cho việc so sánh và đánh giá văn bản có độ dài khác nhau. Các kỹ thuật chuẩn hóa độ dài văn bản có thể giúp giảm thiểu ảnh hưởng này, nhưng vẫn cần có các phương pháp gán trọng số ít nhạy cảm hơn với độ dài văn bản.

2.3. Vấn đề với các từ phổ biến dừng stop words

Các từ phổ biến như “the”, “a”, “is”,… (stop words) thường có tần suất xuất hiện rất cao trong văn bản, dẫn đến trọng số TF cao mặc dù chúng không mang nhiều thông tin hữu ích cho việc phân loại. TF-IDF cố gắng giải quyết vấn đề này bằng cách sử dụng IDF, nhưng đôi khi IDF không đủ để loại bỏ hoàn toàn ảnh hưởng của stop words. Các phương pháp xử lý ngôn ngữ tự nhiên (NLP) tiên tiến hơn sử dụng danh sách stop words mở rộng và các kỹ thuật loại bỏ stop words hiệu quả hơn để cải thiện độ chính xác của việc gán trọng số.

III. Phương pháp TF IDF Cải tiến Sử dụng Logtf và RFmax trong NLP

Luận văn này đề xuất một phương pháp TF-IDF cải tiến, kết hợp logtfrfmax để khắc phục những hạn chế của TF-IDF cổ điển. logtf được sử dụng để giảm thiểu ảnh hưởng của các từ có tần suất cao nhưng ít thông tin, trong khi rfmax (maximum relevance frequency) được sử dụng để tăng cường trọng số của các từ liên quan đến chủ đề cụ thể. Phương pháp mới này giúp cải thiện khả năng phân biệt giữa các loại văn bản khác nhau và nâng cao hiệu suất của các hệ thống phân loại văn bản. Công thức đề xuất cho thuật toán mới là: N logtf.0 + tf ) ∗ max{rf (Ci )}. Phương pháp này được đánh giá trên các tập dữ liệu chuẩn và so sánh với các phương pháp hiện có để chứng minh tính ưu việt.

3.1. Ưu điểm của việc sử dụng Logtf thay cho TF trong Gán Trọng số

Sử dụng logtf (logarithm of term frequency) thay cho tf (term frequency) giúp giảm thiểu ảnh hưởng của các từ có tần suất cao nhưng ít thông tin. logtf làm giảm sự khác biệt giữa các từ có tần suất cao và tần suất thấp, giúp các từ ít xuất hiện nhưng quan trọng có cơ hội được gán trọng số cao hơn. Điều này đặc biệt hữu ích trong các bài toán có nhiều từ khóa hiếm gặp nhưng lại đặc trưng cho một chủ đề cụ thể.

3.2. Tầm quan trọng của RFmax trong biểu diễn văn bản NLP

rfmax (maximum relevance frequency) đo lường mức độ liên quan tối đa của một từ với một chủ đề cụ thể. Sử dụng rfmax giúp tăng cường trọng số của các từ liên quan đến chủ đề đó, giúp hệ thống phân loại văn bản tập trung vào các đặc trưng quan trọng nhất. rfmax khắc phục được hạn chế của các phương pháp gán trọng số truyền thống, vốn không xem xét đến mối quan hệ giữa từ và chủ đề.

3.3 So sánh Phương pháp logtf.rfmax với tf.rf

Trong phương pháp tf.rf, mỗi thuật ngữ sẽ có N giá trị rf, mỗi giá trị cho một bộ phân loại nhị phân khác nhau. Phương pháp mới chỉ sử dụng một giá trị rfmax duy nhất cho mỗi thuật ngữ cho tất cả các bộ phân loại nhị phân. Điều này làm cho phương pháp này đơn giản hơn tf.rf về khả năng áp dụng.

IV. Kết quả và Ứng dụng của Phương pháp Gán Trọng số Mới

Phương pháp gán trọng số mới đã được đánh giá trên các tập dữ liệu chuẩn như Reuters News và 20 Newsgroups. Kết quả cho thấy phương pháp mới vượt trội hơn các phương pháp truyền thống như TF-IDF và các phương pháp hiện đại như tf.rf, đặc biệt trong các bài toán có độ phức tạp cao và số lượng lớn văn bản. Phương pháp mới đã được ứng dụng thành công trong các bài toán thực tế như phân loại tin tức, lọc thư rácphân tích cảm xúc, cho thấy tính hiệu quả và khả năng ứng dụng rộng rãi.

4.1. Đánh giá trên bộ dữ liệu 20 Newsgroups

Kết quả thực nghiệm cho thấy phương pháp gán trọng số mới đạt được độ chính xác cao hơn so với các phương pháp truyền thống trên tập dữ liệu 20 Newsgroups. Đặc biệt, phương pháp mới cho thấy khả năng phân biệt tốt hơn giữa các chủ đề khác nhau, giúp cải thiện đáng kể hiệu suất của các hệ thống phân loại văn bản.

4.2. Đánh giá trên bộ dữ liệu Reuters News

Trên tập dữ liệu Reuters News, phương pháp gán trọng số mới cũng cho thấy những cải thiện đáng kể so với các phương pháp hiện có. Phương pháp mới giúp cải thiện khả năng phân loại các tin tức thuộc các lĩnh vực khác nhau, từ kinh tế, chính trị đến thể thao và văn hóa. Điều này chứng tỏ tính hiệu quả của phương pháp mới trong việc xử lý các văn bản có nội dung đa dạng.

4.3. Triển vọng về ứng dụng thực tế

Với hiệu quả đã được chứng minh, phương pháp logtf.rfmax hoàn toàn có triển vọng để áp dụng vào thực tiễn. Có thể kể đến một số ví dụ như: Xây dựng hệ thống lọc email thông minh hơn, hiệu quả hơn, Cải thiện khả năng tìm kiếm văn bản, phân tích ý kiến khách hàng.

V. So sánh Phương pháp Gán Trọng số mới với các phương pháp khác

Trong phần này, sẽ đưa ra so sánh phương pháp mới với các phương pháp khác như binary, tf.rf dựa trên các tham số đo lường hiệu suất: precision (P), recall (R) accuracy, break even point (BEP), F-measure (F1 ). So sánh giữa các phương pháp trên các tập dữ liệu khác nhau để kiểm tra tính ổn định, có thể áp dụng của phương pháp.

5.1. So sánh với binary

Phương pháp binary là phương pháp đơn giản nhất, chỉ thể hiện một thuật ngữ có xuất hiện hay không. Việc so sánh phương pháp mới với binary có thể thể hiện tính hiệu quả của việc tính toán trọng số của các thuật ngữ.

5.2. So sánh với tf.rf

tf.rf là phương pháp rất tốt ở thời điểm hiện tại, việc so sánh với phương pháp này có thể chứng minh những ưu điểm vượt trội của phương pháp mới.

VI. Kết luận Hướng Nghiên cứu và Phát triển cho Gán Trọng số

Luận văn này đã đề xuất và đánh giá một phương pháp gán trọng số mới, kết hợp logtfrfmax, nhằm nâng cao hiệu suất của các hệ thống phân loại văn bản. Phương pháp mới đã cho thấy những ưu điểm vượt trội so với các phương pháp truyền thống và hiện đại, đồng thời mở ra nhiều hướng nghiên cứu và phát triển trong lĩnh vực xử lý ngôn ngữ tự nhiên. Các hướng nghiên cứu tiềm năng bao gồm: tích hợp các kỹ thuật phân tích ngữ nghĩa tiên tiến hơn, áp dụng các thuật toán học máy sâu để tự động học các đặc trưng quan trọng, và phát triển các phương pháp gán trọng số thích ứng với từng loại văn bản và từng bài toán cụ thể.

6.1. Tích hợp Ngữ nghĩa học sâu trong Gán Trọng số Văn bản

Tích hợp các kỹ thuật phân tích ngữ nghĩa sâu như word embedding, contextual embedding (BERT, ELMo) có thể giúp cải thiện đáng kể khả năng hiểu ý nghĩa của từ trong ngữ cảnh cụ thể. Các kỹ thuật này có thể giúp gán trọng số chính xác hơn cho các từ đồng nghĩa, từ đa nghĩa và các cụm từ phức tạp.

6.2. Học máy sâu cho biểu diễn văn bản và Gán Trọng số tự động

Sử dụng các thuật toán học máy sâu như CNN, RNN, Transformer có thể giúp tự động học các đặc trưng quan trọng từ văn bản, thay vì phải dựa vào các phương pháp gán trọng số thủ công. Các mô hình học máy sâu có thể giúp biểu diễn văn bản một cách hiệu quả hơn và thích ứng tốt hơn với từng loại văn bản và từng bài toán cụ thể.

24/09/2025

Trích đoạn nội dung tài liệu

An Improved Term Weighting Scheme for Text Categorization Pham Xuan Nguyen Faculty of Information Technology University of Engineering and Technology Vietnam National University, Hanoi Supervised by Dr. Le Quang Hieu A thesis submitted in fulfillment of the requirements for the degree of Master of Science in Computer Science August 2014 TIEU LUAN MOI download : skknchat@gmail.com ORIGINALITY STATEMENT ‘I hereby declare that this submission is my own work. To the best of my knowledge, it contains no materials previously published by another person, or substantial proportions of material which have been accepted for the award of any other degrees or diplomas at University of Engineering and Technology (UET/Coltech) or any other educational institutions, except where due acknowledgement is made in the thesis. Any contributions made to the researches by others are explicitly acknowledged in the thesis.

I also declare that the intellectual content of this thesis is the product of my own work, except to the extent that assistance from others in the project’s design and conception or in style, presentation and linguistic expression are acknowledged.’ Hanoi, August 24th , 2014 Signed. i TIEU LUAN MOI download : skknchat@gmail.com ABSTRACT In text categorization, term weighting is the task to assign weights to terms during the document presentation phase. Thus, it affects the classification performance. In addition to resulting in a high performance of text categorization, an effective term weighting scheme should be easy to use.

Term weighting methods can be divided into two categories, namely, supervised and unsupervised [27]. The traditional term weighting schemes such as binary, tf and tf.idf [38], belong to unsupervised term weighting methods. Other schemes (for example, tf.χ2 [12]) that make use of the prior information about the membership of training documents, belong to the supervised term weighting methods. The supervised term weighting method tf.rf [27] is one of the most effective schemes to date.

It showed better performance than many others [27].rf is not the best in some cases.rf requires many rf values for each term. In this thesis, we present an improved term weighting scheme from tf.rf, called logtf. Our new scheme uses logtf = log2 (1.0 + tf ) instead of tf. Furthermore, our scheme is simpler than tf.rf because it only uses the maximum value of rf for each term.

Our experimental results showed that our scheme is consistently better than tf.rf and others. ii TIEU LUAN MOI download : skknchat@gmail.com To my family ♥ iii TIEU LUAN MOI download : skknchat@gmail.com ACKNOWLEDGEMENTS First, I would like to express my gratitude to my supervisor, Dr. Le Quang Hieu. He guided me throughout the years and gave me several useful advices about study method.

He was very patient with me. His words influenced strongly on me. I also would like to give my honest appreciation to my colleagues at Hoalu University and University of Engineering and Technology (UET/Coltech) for their great support. Thank you all! iv TIEU LUAN MOI download : skknchat@gmail.com Table of Contents 1 Introduction 1 1.2 Structure of this Thesis.

2 2 Overview of Text Categorization 4 2.3 Text Categorization tasks .1 Single-label and Multi-label Text Categorization .2 Flat and Hierarchical Text Categorization .4 Applications of Text Categorization .1 Automatic Document Indexing for IR Systems .3 Word Sense Disambiguation .4 Text Filtering System .5 Hierarchical Categorization of Web Pages .5 Machine learning approaches to Text Categorization .3 Support Vector Machines. 15 3 Term Weighting Schemes 18 3.2 Previous Term Weighting Schemes .1 Unsupervised Term Weighting Schemes .2 Supervised Term Weighting Schemes. 21 v TIEU LUAN MOI download : skknchat@gmail.com TABLE OF CONTENTS vi 3.3 Our New Term Weighting Scheme .1 Term Weighting Methods .2 Machine Learning Algorithm .1 Reuters News Corpus .5 Results and Discussion .1 Results on the 20 Newsgroups corpus .2 Results on the Reuters News corpus. 34 5 Conclusion 37 TIEU LUAN MOI download : skknchat@gmail.com List of Figures 2.1 An example of vector space model .2 An example of transforming a multi-label problem into 3 binary clas- sification problems .3 A hiararchy with two top-level categories .4 Text Categorization using machine learning techniques .5 An example of a decision tree [source [27]] .1 Linear Support Vector Machine [source [14]] .2 The micro − F1 measure of eight term weighting schemes on the 20 Newsgroups corpus with different numbers of features .3 The macro − F1 measure of eight term weighting schemes on the 20 Newsgroups corpus with different numbers of features .4 The micro − F1 measure of eight term weighting schemes on the Reuters News corpus with different numbers of features .5 The macro − F1 measure of eight term weighting schemes on the Reuters News corpus with different numbers of features .6 The f1 measure of four methods on each category of Reuters News corpus using SVM algorithm at the full vocabulary .7 The f1 measure of four methods on each category of 20 Newsgroups corpus using SVM algorithm at the full vocabulary, category from 1 to 10 .8 The f1 measure of four methods on each category of 20 Newsgroups corpus using SVM algorithm at the full vocabulary, category from 11 to 20.

34 vii TIEU LUAN MOI download : skknchat@gmail.com List of Tables 3.1 Traditional Term Weighting Schemes .2 Examples of two terms having different tf and log2 (1 + tf ) .1 Experimental Term Weighting Schemes .1 Examples of two term weights as using rf and rfmax. 38 viii TIEU LUAN MOI download : skknchat@gmail.com List of Abbreviations TC Text Categorization TWS Term Weighting Scheme IR Information Retrieval ML Machine Learning F1 F-measure SVM Support Vector Machine ix TIEU LUAN MOI download : skknchat@gmail.com Chapter 1 Introduction 1.1 Motivation In recent decades, there is a huge growth in the number of textual information documents, especially in Word Wide Web. As a result, the needs for categorizing the documents increased rapidly and text categorization (TC) field attracted many researchers. In text representation phase, the content of documents are transformed into a compact format.

Specifically, each document is presented as a vector of terms in the vector space model. Each vector component contains a value presenting how much a term contributes to the discriminative semantics of the document. Term Weighting Scheme is the task to assign weights to terms in this phase. TWS is a well-studied field.

The traditional term weighting methods such as binary, tf and tf.idf are borrowed from information retrieval (IR) domain. These term weighting schemes do not use the previous information about the member- ship of training documents. Other schemes using this information are called the supervised term weighting schemes, for example, tf. To date, the supervised term weighting scheme tf.rf [27] is one of the best meth- ods.

It achieves better performance than many others in a series of thorough ex- 1 TIEU LUAN MOI download : skknchat@gmail. Structure of this Thesis 2 periments using two commonly-used algorithms (SVM and kNN) as well as two benchmark data collections (Reuters News and 20 Newsgroups). However, the per- formance of tf.rf is not stable.rf shows the considerable better performance than all other schemes in the experiments on Reuters News data set, while its perfor- mance is worse than rf ’s performance (a term weighting scheme does not use the tf factor), and is slightly better than tf.idf (a common term weighting method) in the experiments on 20 Newsgroups corpus. Furthermore, for each term, tf.rf requires N (the total number of categories) rf values in a multi-label classification problem.

It raises a question whether there is a typical rf value for each term. In this thesis, we propose an improved term weighting scheme, which applies two improvements to tf. First, we replace tf by logtf = log2 (1. Moreover, we only use the maximum of rf value (rfmax ) for each term in a multi-label classification problem.

The formula for our scheme is logtf. We conducted experiments with the experimental settings described in [27], where tf.rf was proposed. We use two standard measures (micro − F1 and macro − F1 ) as well as linear SVM. We carefully select eight term weighting schemes, in- cluding two common methods, two schemes used in [27], four methods applying our improvements, in order to assess our work.

The experimental results show that logtf.rfmax consistently outperforms tf.rf as well as other schemes on two data sets.2 Structure of this Thesis The remainder of this thesis is organized as follows. Chapter 2 provides an overview of text categorization. Chapter 3 reviews the term weighting schemes for text cate- gorization, and describes our improved term weighting scheme. Chapter 4 describes our experiments, including the used algorithms, data sets, measures, results and discussion.

Chapter 5 presents the conclusion. In this study, the default studied language is English. In addition, we only apply the bag-of-words approach to represent a document, and used data sets are flat. The TIEU LUAN MOI download : skknchat@gmail.

Structure of this Thesis 3 results of the study can result in a valuable term weighting method for TC. TIEU LUAN MOI download : skknchat@gmail.com Chapter 2 Overview of Text Categorization This chapter gives an overview of TC. We begin by introducing TC, then present some applications and tasks of TC. The rest this chapter is about the approaches to TC, especially SVM, which is applied in this thesis.1 Introduction Automated text categorization (or text classification) is the supervised learning task of assigning documents into the predefined categories.

TC differs from text clustering where we can not know the set of categories in advance. TC has been studying since the early 1960s, but it only has been focused in recent decades due to the needs of categorizing a large number of the documents in Word Wide Web. Generally, TC relates to the machine learning (ML) and information retrieval (IR) field. In the 1980s, the popular approaches to TC is constructing an expert system, which is capable of taking text classification decision based on knowledge engineering techniques.

The famous example of this method is CONSTRUE system [22]. Since the early 1990s, the machine learning approaches to TC have become popular. 4 TIEU LUAN MOI download : skknchat@gmail. Text Representation 5 Figure 2.1: An example of vector space model 2.2 Text Representation Generally, text is stored in the readable particular types such as HTML, PDF, DOC, and so on.

However, these forms are not suitable for most machine learning algorithms. Thus, the content of a document must be transformed into a compact representation so as to be recognized and categorized by classifiers. One way to text representation is use the vector space model (VSM) based on words documents (a technique in the IR domain). In VSM, the content of a textual document is converted to a vector in the term space (each term usually associates a word).

For detail, the document d is represented as (w1 ,. , wn ), where n is the total number of terms. The value of wk represents how much the term tk contributes to classify the document d.1 illustrates the way of representing documents in VSM. Five documents are represented as five vectors in the 3-dimensional space (System, Class, Text).

TIEU LUAN MOI download : skknchat@gmail. Text Representation 6 In the process of transforming documents according to VSM, the word sequence in a document is not considered and each dimension in vector space associates with a word in the vocabulary that is built after text preprocessing phase. In this phase, the words assume to have no information content (such as stop words, numbers, and so on) in a document are removed. Then words can be stemmed.

Finally, the rest words in all of documents are sorted alphabetically, and numbered consecutively. Stop words are common words that are not useful to TC such as article (for example, “the”, “a”), prepositions (for example, “of”, “in”), conjunctions (for example, “and”, “or”). Stemming algorithms are used to map several morphological forms of a word to a term (for instance, “computers” is mapped to “computer”).

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ