[发明专利]一种基于头脑风暴优化算法的中文网页分类方法

权利要求书

1.一种基于头脑风暴优化算法的中文网页分类方法，其特征在于，包括：

对中文文档进行分词，并根据词频建立中文文档的单词索引；

根据中文文档的单词索引，建立中文文档分词向量；

采用头脑风暴优化算法，对中文文档分类算法的性能和参数进行优化；

采用头脑风暴优化算法，对中文文档分类算法训练集的样本选择和样本数目进行优化；

根据优化后的中文文档分类算法，对中文文档进行分类；

所述中文文档分类算法包括：k最近邻算法、k加权最近邻算法；

所述采用头脑风暴优化算法，对中文文档分类算法的性能和参数进行优化；具体包括：

对于k最近邻算法，中文文档分类算法的性能优化如下：

其中，y'为最大预测样本值；v是类别标记；y_i是根据最近样本得到的类别，如果分类相同I(·)为1，否则为0；x_i为第i个词组；

对于k最近邻算法，中文文档分类算法的参数优化如下：

将k作为优化决策变量，设定初步优化目标函数：

将不同的k取值作为解，将分类的错误率作为函数值；

所述采用头脑风暴优化算法，对中文文档分类算法训练集的样本选择和样本数目进行优化；具体包括：

对于k最近邻算法，中文文档分类算法训练集的样本数目优化如下：

将k和每个类别的训练样本数目n_i作为优化决策变量，设定初步优化目标函数：

其中，N＝{n₁，...n_i，...n_m}，m为分类的总类别数，n_i为类别i的训练样本数目；将不同的k和N的取值作为解，将分类的错误率作为函数值；

对于k最近邻算法，中文文档分类算法训练集的样本选择优化如下：

将k和每个类别的训练样本X^t作为优化决策变量，设定初步优化目标函数：

其中，m为分类的总类别数，n_i为类别i的训练样本数目，X^t_i,1表示类别i的第一个训练样本；将不同的k和X^t的取值作为解，将分类的错误率作为函数值。

2.如权利要求1所述的基于头脑风暴优化算法的中文网页分类方法，其特征在于，所述对中文文档进行分词，并根据词频建立中文文档的单词索引；具体包括：

对网页长文本信息进行预处理；去掉每个网页中无关词汇，对句子进行分词，将长文本转化为包含多个词语的词袋，每个词语为一个变量；一个网页被转化为包含词汇多个变量的链表或称为一个长向量，长向量用X＝(x₁，x₂，...，x_n)表示，其中，X为一个网页包含的所有词组的集合，x₁到x_n为单个词组。

3.如权利要求1所述的基于头脑风暴优化算法的中文网页分类方法，其特征在于，所述根据中文文档的单词索引，建立中文文档分词向量；具体包括：

计算词汇的出现频率，去掉无关词汇，调整其余每个词汇的权重信息；对中文文档建立词频-逆文本频率指数序列；选择部分文档进行类别标注，作为分类样例。