[发明专利]一种基于扩充标记样本的文本分类方法及系统

摘要

本发明提出了一种基于扩充标记样本的文本分类方法，首先采集包含已标记文本样本、未标记文本样本的真实样本数据集，然后通过聚类方法KFCM发现高可信样本来获得扩充的标记样本，再利用平方损失函数为已标记、未标记以及扩充的样本数据制定一个统一的分类目标函数，设置其中的正则化参数和核函数等参数，并学习获得文本分类函数，最后输入待分类文本数据，利用文本分类函数进行分类，获得文本的类别。本发明还提出一种文本分类系统，与其他经典分类算法以及相关算法在测试集上的错误率相比具有显著改善，解决了现有技术在标记样本较少且不准确的文本上的分类精度低的问题，且具有最好的互信息和类变量。

主权项

一种基于扩充标记样本的半监督流形正则化文本分类方法，其特征在于，包括以下步骤：步骤1，采集文本真实样本数据集，包含已标记文本样本、未标记文本样本，其中已标记文本样本包括文本类别标签；步骤2，通过聚类算法获取所有文本隶属度信息，由聚类隶属度选出高可信度文本样本，利用高可信度文本样本及其类别标号构成扩充标记文本样本集；步骤3，基于流行正则化方法MR，根据平方损失函数对已标记文本样本、未标记文本样本以及扩充标记文本样本数据统一设定目标函数，利用步骤2获取的扩充标记样本训练目标函数获得最优的正则化参数以及核函数，得到最终的文本分类函数；步骤4，输入待分类文本数据，利用步骤3得到的文本分类函数进行分类，获得文本的类别：有用文本和无用文本。