Microsoft Word doc

Size: px

Start display at page:

Download "Microsoft Word - 122046.doc"

寇浈从
7 years ago
Views:

1 第 38 卷第 20 期 Vol.38 No.20 计算机工程 Computer Engineering 2012 年 10 月 October 2012 人工智能及识别技术摘行为特征分析模式下的网页分类技术研究汤亚玲 1, 崔志明 (1. 安徽工业大学计算机学院, 安徽马鞍山 ;2. 苏州大学智能信息处理及应用研究所, 江苏苏州 ) 要 : 现有网页分类技术忽略用户个性行为的差异为此, 提出一种结合用户行为特征分析的网页分类技术运用知识规则发现页面特征提取等方法, 分析 Web 用户的访问历史和个性化定制信息, 学习并掌握用户的行为和兴趣针对用户的认知特征, 提供合适的 Web 页面分类模式, 能在一定程度上改进单纯统计学网页分类方法在自然语言理解上的不足实验数据表明, 该分类方法与多种统计学方法相结合实施网页分类均能有效地提高分类准确率, 使网页分类结果更接近分类的真实情形和要求关键词 : 网页分类 ; 行为特征 ; 数据挖掘 ; 逆向推理 ; 关联规则 ; 序列模式 Research on Web Page Categorization Technology Under Behavior Characteristic Analysis Pattern TANG Ya-ling 1, CUI Zhi-ming 2 (1. School of Computer, Anhui University of Technology, Maanshan , China; 2. Institute of Intelligent Information Processing and Application, Soochow University, Suzhou , China) Abstract This paper introduces a kind of Web page categorization technology through analysis of characters of users behavior, along with current hotspot of researching on Web pages categorization. Trough grasping users behavior and interest by analyzing the history of Web user s access, and by concluding knowledge rules out also with pages characters distilled. It provides a kind of appropriate categorization pattern on Web pages based on users knowledge level, and surely improves classifying effect without language meanings understood contrast with pure statistic categorization. Experimental results indicate that this pattern of categorization combining kinds of statistic algorithm can improve accuracy of categorization, and make the classifying results more closer to real facts and people s knowledge desire. Key words Web page categorization; behavior characteristic; data mining; reverse-reasoning; association rule; sequence pattern DOI: /j.issn 文章编号 : (2012) 文献标识码 :A 中图分类号 :TP391 1 概述网页分类技术一直是重要的研究课题, 是当前国内外信息技术研究的热点问题之一在该领域的研究中, 主要采用结构语义文本过滤自然语言理解 [1-2], 通过字间的相关信息词频及页面的标记信息等, 提取网页特征, 计算词频加权参数, 然后通过本类和非本类训练, 建立专家数据库等技术实现 Web 网页分类但此类方法一般忽略了用户因受教育程度不同导致个性行为特征存在的差异, 对于不同的 Web 用户, 分类标准可能会有所不同因此, 网页分类也因不同的 Web 用户, 体现出细节上的差异及不同的分类结果而不同的分类结果也是 Web 服务系统及智能搜索引擎提供个性化 Web 服务的重要知识依据 [3] 深层次的网页分类不仅要考察网页的内容和网页的结构语义等自身因素, 而且应根据使用者的认知能力和个性特征提供更深层次的分类依据和分类结果, 使用户在最短的时间内准确地获取 Web 上感兴趣和关注的信息本文通过分析当前网页分类技术的问题, 提出一种结合用户行为特征分析的网页分类技术 2 网页分类体系网站自身的结构及 URL 往往提供了重要的网页分类信息 [4], 如果网页来源于不同网站, 分类的主要途径是依据统计学方法进行, 同时结合知识规则进行辅助分类能取得较好的分类效果针对中文网页, 本文提出一种结合用户特征分析的网页分类技术 CAC(Character Analysis Categorization) 结合推理技术进行分类研究的网页分类系统主要由 2 个部分组成 : (1) 在统计学模式下的网页特征提取和分类器 ; (2) 体现用户特征的知识体系库和知识规则辅助分类机制基金项目 : 国家自然科学基金资助项目 ( ); 安徽省高校省级自然科学研究基金资助重点项目 (KJ2010A051, KJ2011A039); 安徽省高校省级优秀青年人才基金资助项目 (2009SQRZ076) 作者简介 : 汤亚玲 (1974-), 男, 副教授, 主研方向 : 数据挖掘, 网络数据库系统 ; 崔志明, 教授博士生导师收稿日期 : 修回日期 : tangyl@ahut.edu.cn

性化定制信息, 学习并掌握用户的行为和兴趣针对用户的认知特征, 提供合适的 Web 页面分类模式, 能在一定程度上改进单纯统计学网页分类方法在自然语言理解上的不足实验数据表明, 该分类方法与多种统计学方法相结合实施网页

2 180 计算机工程 2012 年 10 月 20 日知识辅助在网页分类时发挥知识规则的导向作用, 其提取用户行为特征, 结合网页分类器的中间结果, 在遇到结果不确定时进行推理, 从而决定网页的最终所属类别式 (1) 给出了用网页作为组成元素的关联规则知识表达形式 : <url1,url 2,,url m >=><url m+k,url m+k+1,,url m+m > support=?,confidence=? (1) 其中,url i 表示某个网页 ;support 表示规则的支持度 ; confidence 表示规则的置信度本文讨论的特征模式下网页分类模式如图 1 所示知识库体现了 Web 用户的行为特征, 其建立是通过数据挖掘的方式实现的, 其中包含了序列模式聚类模式关联规则, 作为特征模式下分类的知识依据, 其来源于对 Web 站点访问日志及 Web 站点拓扑结构的数据挖掘过程图 1 特征模式下网页分类模式知识库建立基本过程如下 : 息, 其格式 ({ } 内为可选项 ) 如下 : 对 Web 服务器端的访问日志实施提取分析和去噪 ( 数据净化 ), 进行用户识别并结合 Web 站点拓扑结构进行会话识别路径补充事务分割频繁项集挖掘同时用户识别后得到大量的用户群体信息, 对不同用户分析其访问行为建立起用户行为描述向量, 使用基于划分或层次的聚类算法 ( 如 K- 平均 Chameleon 算法 ) 实施用户聚类得到聚类模式, 而后, 可以针对不同的用户聚类, 实施特征分析 ( 通过 Apriori FP 树等频繁项集挖掘算法 ) 产生关联规则和序列模式 ( 结合用户访问页面的时间序 ), 这样得到的用户特征更准确, 针对性更强, 具体如图 2 所示图 2 知识库建立过程在本文的实验系统中,Web 站点 ( 主要包括一些高校的网站和政府新闻网站 ) 的访问日志取自 Web 服务器下配置的访问日志文件, 其中, 如安徽工业大学网站的 Tomcat Web 服务器, 其服务器端记录的日志文件名为 Access_ log( 文本格式 ), 其中记录了用户访问页面的一些重要信 IP 地址 [ 请求时间 ] 方法被请求文件的 url Http 版本号返回码传输字节数 { 引用 url}{ 代理 } 在网页分类时, 根据用户聚类模式, 通过查询推理机, 由推理机提取对应该类用户的知识库存储的相关知识规则, 进行演绎, 得出网页之间的相关性相似性指标度量值, 实现知识模式下的辅助分类机制, 见图 1 在对 Web 文本 ( 页面 ) 进行分类前, 首先需要对训练文本进行预处理, 提取页面分类特征页面信息的预处理包括以下 2 步 : (1) 文本分词中文文本分词有不少成熟的方法, 如基于字符串匹配的分词方法基于理解的分词方法和基于统计的分词方法分词采用国内目前分词精度较高的中科院分词系统 ICTCLAS, 其准确率达到 97.5% 以上 (2) 向量化分类文本通过计算词在语料库中的词频进行粗略的降维, 删除一些频率很高或很低的词, 这些词对分类作用不大, 或是没有实际意义的功能词, 此后, 建立网页文本特征描述向量 VSM(Vector Space Model) 特征词根据其词频和位置等相关信息赋予不同的权重文档 d=(w 1,w 2,,w n ),w i 表示第 i 个特征词的权重,n 代表所有的词条数目 w i 值采用分类效果较好的 TF-IDF 加权方法 [5] w i = lb tf ( t, d) lb( N / n ) + 1 i [ 1+ lb( N / n ) lb tf ( t, d) ] 2 t t i f_ pos(w i ) (2) 其中,tf(t i,d) 代表特征词 t i 在文档 d 中的词频 ;N 代表训练文档数 ;n t 表示训练文本集中出现 t 的文本个数 ; 分母是归一化因子同时考虑特征词在网页文本中的位置 ( 如

(1) 其中,url i 表示某个网页 ;support 表示规则的支持度 ; confidence 表示规则的置信度本文讨论的特征模式下网页分类模式如图 1 所示知识库体现了 Web 用户的行为特征, 其建立是通过数据挖掘的方式实现的, 其中包含了序列

3 第 38 卷第 20 期汤亚玲, 崔志明 : 行为特征分析模式下的网页分类技术研究 181 Title Keywords Description 等位置的权重给予适当的增加 ) 和超文本方式, 给权值一个合适的系数, 其值用位置函数 f_pos(w i ) 表示, 实验测定表 1 的取值比较合理表 1 页面特征词权值函数值特征词位置 funpos 值 Title 2.0 Keywords 2.7 Description 1.8 Hyper text 1.2~1.5 对于每一篇文档, 其向量都进行了归一化, 即长度相等, 加权实际上是使向量在特征空间中向某些有用的方向旋转一定的角度, 同时也使无用的特征词对向量的方向影响被削弱此外, 为了提高分类器的计算效率, 必须对文本向量做进一步的降维, 本文采用奇异值分解 (Sigular Value Decomposition, SVD) 对文本降维,SVD 方法能够删除噪音, 进一步提高聚类效果, 降维后大大减少了词的数目, 提高了计算效率 [6] 采用如下的计算公式可以求得矩阵的奇异值分解 : S=svd(A)% (3) 式 (3) 为返回矩阵 A 的奇异值向量 [U,S,V]=svd(A)% 其中,S 为与 A 同样大小的对角矩阵 ;2 个矩阵 U 和 V 满足 A=U S V'; 若 A 为 m n 阵, 则 U 为 m m 阵,V 为 n n 阵 ; 奇异值在 S 的对角线上, 非负且按降序排列在对网页进行特征提取和向量化表示后, 构建网页分类器, 利用网页分类器进行分类和测试一般情况下, 针对文本的分类器都可以用在 Web 页面的分类中, 如 Naive Bayes KNN 支持向量机 (Support Vector Machine, SVM) 等 [7] 本文讨论的是知识模式下的网页分类技术, 重点是测试知识辅助下对传统分类方法改进的效果上述的经典文本分类方法不是本文的重点, 限于篇幅, 不再赘述在实验过程中, 选择单纯的 Naive Bayes KNN SVM 等分类算法和结合特征模式的 Naive Bayes KNN SVM 等分类算法进行了对比测试研究 3 行为特征模式下的网页分类体现用户特征的知识规则由数据挖掘模块获取, 其知识规则由访问序列模式聚类规则页面关联规则等组成其中, 关联规则和序列模式的基本构成元素是网页, 这些知识规则反映了 Web 用户的个性行为特征和网页间的关联关系及访问相关度, 一定程度上体现了网页间的类别关系在实施网页分类时, 推理机从特征知识库按照分类器指定的用户类 ( 即聚类模式 ) 提取相应的关联规则和序列模式并加以推理, 因为不同用户类可以对应不同的用户特征在提取相关知识规则后, 分类器在对网页分类的过程中会结合传统的网页分类算法 ( 如 SVM Naive Bayes) 和知识规则进行网页分类结果最佳抉择, 提高网页分类结果的准确性和个性化, 使分类结果更适合相应的用户群体本文采用逆向推理和查询的方式推测网页间是否存在类别关联关系逆向推理的方法是, 如网页 URL m 及类别属性 C i 和 C j, 在用传统统计学方法不能确定 URL m 属于 C i 还是 C j 更准确时, 比如存在多标记分类的情形 [8], 如果此时存在一个网页 URL n, 能从知识库中推理出规则 URL n =>URL m 或 URL m =>URL n, 则说明这 2 个网页之间存在较大的相似性和关联关系, 此时如果 URL n 已经归属为类别 C i, 那么由于存在这种知识关联, 因此可以把网页 URL m 也划归到类别 C i 中这种相似性或相关性可以从体现页面访问者行为特征的序列模式或描述页面之间联系的关联规则中发现假设存在知识规则 URL n =>URL m 或 URL m =>URL n, 将它们提交给逆向推理机进行查询, 利用推理的结论推断规则的有效性逆向推理是人工智能中知识推理的一种方式, 在针对关联规则形式进行推理时, 描述反映 URL 关系的关联规则中有支持度和置信度的量化标准, 这种量化标准是一种概率度量, 是非确定的下面简单介绍本文采用 prolog 语言实现的逆向推理机制定义 1 规则是一种条件产生式 : 结论成立 IF 条件存在, 并且可信度因子 (CF)( 最大值设定为 100)> 阈值这里的条件是网页的访问序列, 结论是某个网页或网页序列, 可信度有个阈值, 高于阈值的规则是有效的当 CF=100 时表示确定的 ; 取 CF=30 为可信度的最小阈值定义 2 规则的推理机制包括合取析取规则约减和规则终止规则合取 : 如果规则的前件 ( 条件 ) 由若干前提用 and 连接, 则规则的总 CF 值是它们的最小值, 即 : CF(A1,A2, )=min(cf(a1),cf(a2), ) (4) 其中,A1, A2, 是规则规则析取 : 如规则的前件由用 or 运算连接的若干个条件组成, 则将它们视为同一结论的多条规则, 对于此种情形的 CF 值, 计算方法为 : CF=CF 1 +CF 2 (CF 1 CF 2 )/100 (5) 可以证明,CF 比 CF 1 和 CF 2 的值在一定程度上有所增大, 但不会超过 CF 值的上限 100; 在多条规则析取时, 按此方法迭代进行计算规则约减 : 如果前提条件的可信度是非确定的 (<100), 那么规则结论的可信度将变小, 且结论的可信度等于前提条件的可信度乘以规则成立的可信度, 依据是概率中的条件概率模型规则终止 : 当规则的前提条件的 CF 值低于 30 时, 该规则将失败, 规则后件不再测试在系统中, 可假定一个事实结论, 看能否由逆向推理机用现有的知识库 ( 事实和规则 ) 推理出来在网页分类系统中,Data mining 组件模块从知识库中提取关联规则进行知识推理, 因为关联规则本身就符合

5 对于每一篇文档, 其向量都进行了归一化, 即长度相等, 加权实际上是使向量在特征空间中向某些有用的方向旋转一定的角度, 同时也使无用的特征词对向量的方向影响被削弱此外, 为了提高分类器的计算效率, 必须对文本向量做进

4 182 计算机工程 2012 年 10 月 20 日产生式的基本形式, 同时关联规则有支持度和置信度的量化指标, 在针对个性化用户群体的分类系统中, 提取出其相应的关联规则, 将支持度和置信度转化成规则推理系统中的 CF 值, 再将此关联规则以知识规则的形式提供给推理机, 供分类页面时查询使用其中, 关联规则转化为推理机使用的知识规则, 其形式如下 : 据的双向流动 ) 第 3 个 inference 子句是当存在可以匹配的规则时利用 inferlist 子句进行推理, 推理采用产生式规则的方式, 如果产生的规则满足 CF 值的阈值要求, 则保留 inferlist 采用递归方式定义, 对条件规则进行推理, 直到规则为空,findall 子句 solve 子句求析取方式下的 CF 值,mincf 子句求规则合取 CF 值 url 1,url 2,,url m =>url 1,url 2,,url n CF=? (6) 如存在关联规则 :50,url 1 =>url 3 ; 60,url 1,url 3 =>url 5, 如其中,url i 表示具体页面地址 ; => 符号左右两边各代表一个页面序列 ;m 1;n 1;CF 不小于确定的阈值一般情况下, 在推理机中运用关联规则能推理出如下结论 : url i =>url j 则说明 url i 和 url j 所代表的 2 个页面具有强相关性, 可将此作为把它们归为某一类的依据如前所述, 推理机采用查询方式的逆向推理, 是基于知识库的不精确推理, 保证较高概率的规则有效性, 下面的 prolog 程序描述了对关联规则采用查询方式的逆向推理机核心思想 : 果在实施网页分类时, 出现 url 5 归属问题, 例如, 在与 url 1 归为一类或与 url 6 归为一类差异不大情况下, 可以查询推理机是否存在规则 url 1 =>url 5, 查询推理机得出 30,url 1 => url 5, 其中, 分别表示该条关联规则的 CF 值, 推理得出的关联规则的 CF 值 (30) 满足阈值要求 ( 30) 在 url 5 和 url 6 之间不存在关联规则或者尽管存在但其 CF 值比前者小时, 则可以将 url 1 和 url 5 归为一类类似的, 序列模式在推理机中以 facts( 事实 ) 的形式作为推理的依据, 因为序列模式是一个满足时间序的频繁模 predicates /* 谓词 */ 式, 如存在序列模式 :url 1,url 2,,url m, 则在推理系统中, inference(data-type,string) /*string 是规则的表示形式, 具体实现可以演绎出 :url i =>url j, 其中 : 是将 url 编码转化为字符串形式的规则前件或者后件的组成部分, 前 1 i m, 1 j m, i j (7) 件和后件之间用特定的界定符号分割 */ inferlist(data-list,string) 知识推理下的页面分类优点在于, 当页面分类出现难 database /* 知识库 */ 以决定的情况时 ( 比如分类的页面通过向量空间模型模式 facts(data-type,string) 表示后, 在分类的指标上归于不同类别差异很小时 ), 提 clauses /* 子句说明 */ 取每个类别的若干主题中心页面, 看分类页面与这些主题 inference(query,cf):-facts(query,cf),!. /* 判断是否存在事实可以页面间是否存在一定的关联关系, 设定一定的阈值, 保证匹配成功 */ inference(query,cf):-not(rule(-,query,-,-)),!, 查询逆向推理机得出的关联关系能反映出页面之间有较 Write(Query, Cf= ),getresponse(cf), Assert(facts(Query,Cf)). inference(query,cf):-rule(-,query,cond-list,cf1), 强的关联关系如存在这种关联关系, 则将待分类页面归属到此类别, 这样能有效提高分类精度, 同时也体现了分类的用户个性倾向特征 inferlist(cond-list,cf2), Cf=Cf1*Cf2/100,Cf>=30. 4 实验结果与分析 inferlist([],100):-!. inferlist(cond-list,cf):-get-first(cond-list,cond,new-list), /* 得到用网络爬虫从互联网上获取各类网页, 包含体育 (C1) 科技 (C2) 教育 (C3) 社会时事 (C4) 经济 (C5) 娱规则体中的第 1 个条件 */ 乐 (C6) 等 6 类, 网页共个, 选择其中个网页 findall(cf1,inference(cond,cf1),l),!, solve-cf(cf1,l),cf1>=30, 作为训练分类器, 其余个网页作为测试网页体现 interlist(new-list,cf2),mincf(cf,cf1,cf2) /* 计算 CF 值 */ 其中, 第 2 个 inference 子句是在不存在可以匹配的规则或事实时检索知识库是否有更新的新知识, 如果从更新的知识库查询到新的知识规则, 用谓词 Assert 将新事实写入知识库 ( 图 1 中推理机与知识库之间是双向箭头, 表示数用户特征的聚类模式关联规则和序列模式主要从网站的访问日志中运用数据挖掘方法得出, 从查准率和 F1 值进行分类器性能评估, 具体结果如表 2 所示, 其中,CAC- Naive Bayes 表示特征分析模式下的 Naive Bayes 分类器 ; 其他类同 ;C1~C6 表示网页的类别表 2 6 种分类器性能对比 (%) 算法查准率 F1 C1 C2 C3 C4 C5 C6 C1 C2 C3 C4 C5 C6 Naive Bayes CAC-Naive Bayes KNN CAC-KNN SVM CAC-SVM

式规则的方式, 如果产生的规则满足 CF 值的阈值要求, 则保留 inferlist 采用递归方式定义, 对条件规则进行推理, 直到规则为空,findall 子句 solve 子句求析取方式下的 CF 值,mincf 子句求规则合取 CF 值 url 1,url 2,,url m

5 第 38 卷第 20 期汤亚玲, 崔志明 : 行为特征分析模式下的网页分类技术研究 183 其中 : F1=2pr/(p+r) (8) 其中,p 代表查准率 ;r 代表查全率从表 2 中数据可以看出, 对于各种分类算法, 在 CAC 特征知识支持下的分类器分类评价指标在一定程度上优于原分类器的各项指标 ; 对于原指标值偏低的各类结果, 如 C3 和 C5 类的评价指标有较明显的提高图 3 是 6 种分类算法的 F1 值对比可以看出在结合特征分析 CAC 后, 页面分类指标均比单纯的统计学算法的分类指标有一定的提高 Naive Bayes 算法 CAC-Naive Bayes 算法 KNN 算法 86 C1 C2 C3 C4 C5 C6 图 3 网页类别 CAC-KNN 算法 SVM 算法 6 种分类算法 F1 值对比 CAC-SVM 算法 5 结束语通过数据挖掘知识学习及知识归类等手段后, 可以在个性化知识库的基础上, 针对不同用户提供不同知识库进行个性化网页分类在具体实施时, 可以把用户聚类模式作为提取知识库的入口依据, 将描述用户特征的 Web 关联规则及序列模式存储在数据库中, 分类时进行检索在对分类要求较高的应用领域, 采用结合用户行为特征知识库的模式, 用知识推理的方式辅助分类, 会使分类结果更接近正确的结果及使用者实际的知识需求下一步将研究如何提高推理和查询知识的效率参考文献 [1] Chang Chia-Hui, Kayed M, Girgis M R. A Survey of Web Information Extraction Systems[J]. IEEE Transactions on Knowledge and Data Engineering, 2006, 18(10): [2] Han Jiawei, Chang K C. Data Mining for Web Intelligence[J]. Computer, 2002, 35(11): [3] 王实, 高文, 李锦涛. 基于分类方法的 Web 站点实时个性化推荐 [J]. 计算机学报, 2002, 25(8): [4] 汤亚玲, 秦锋. Web 使用挖掘下的 Web 页面层次分类技术研究 [J]. 情报学报, 2008, 27(3): [5] 冯和龙, 夏胜平. 基于 RSOM-Bayes 的网页分类方法 [J]. 计算机工程, 2008, 34(13): [6] 刘贵龙, 王慧玲, 宋柔. 矩阵的奇异值分解在文本分类研究中的应用 [J]. 计算机工程, 2002, 28(12): [7] 李杨, 曾海泉, 刘庆华, 等. 基于 KNN 的快速 Web 文档分类 [J]. 小型微型计算机系统, 2004, 25(4): [8] Zhang M L, Zhou Z H. ML-NN: A Lazy Learning Approach to Multi-label Learning[J]. Pattern Recognition, 2007, 40(7): 编辑张正兴 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ ( 上接第 178 页 ) 可见, 方言是不同地区的人们长久以来使用语言过程中按照以往人们的生活习性形成的与其他地区的方言比较, 喀什方言确实比较特殊而且维吾尔语的词性结构复参考文献 [1] 朱文旭. 彝语方言学 [M]. 北京 : 中央民族大学出版社, [2] 高士杰. 维吾尔语方言与方言调查 [M]. 北京 : 中央民族大学出版社, 杂词汇量大语言变化多种而且不守规则, 因此, 很难 [3] 米娜瓦尔艾比不拉. 维吾尔语方言和方言调查 [M]. 北京 : 找到符合整个音位变化的规律民族出版社, 结束语本文分析了标准维吾尔语语言与喀什方言语言在特 [4] 贾珈, 蔡莲红, 李明, 等. 汉语普通话与沈阳方言转换的研究 [J]. 清华大学学报 : 自然科学版, 2009, 49(S1): 殊词和音素等方面的差异, 探讨了标准维吾尔语与喀什方言转换的可行性, 采用有限状态自动机建立了转换模型, [5] 新疆维吾尔自治区社会科学院语言研究所. 现代维吾尔语方言土语词典 [M]. 北京 : 民族出版社, [6] 木海拜提卡斯木. 现代维吾尔语方言词汇研究 [M]. 乌鲁木齐 : 并用编程工具实现了标准维吾尔语语言与喀什方言语言新疆人民出版社, 之间典型的增音漏音和转音等音素变换算法实验结果 [7] 艾尼瓦尔艾合买提江. 现代维吾尔语喀什话及其语音词汇特表明, 自动转换算法具有比较良好的运行效果由于特殊的语言现象, 因此仅靠规则来完成变换是不够的下一步工作除了完善转换规则外, 还得考虑利用词语的词干词性标注等信息, 基于上下文语义分析等方法改善转换准征 [J]. 喀什师范学院学报, 2009, 30(2): [8] Mohri M, Pereira F, Riley M. Weighted Finite-state Transducers in Speech Recognition[J]. Computer Speech & Language, 2002, 16(1): 确率编辑张正兴

有一定的提高 98 96 94 92 90 88 Naive Bayes 算法 CAC-Naive Bayes 算法 KNN 算法 86 C1 C2 C3 C4 C5 C6 图 3 网页类别 CAC-KNN 算法 SVM 算法 6 种分类算法 F1 值对比 CAC-SVM 算法 5 结束语通过数据挖掘知识学习及知识归类等

第 02 期 1 医疗信息现状 20% EMR Electronic Medical Record HIS HIS [1-2] 40 2011 张肖等 : 基于大数据的医疗健康创新应用 2 大数据环境下医疗数据特征分析 PC [3]

第 02 期 1 医疗信息现状 20% EMR Electronic Medical Record HIS HIS [1-2] 40 2011 张肖等 : 基于大数据的医疗健康创新应用 2 大数据环境下医疗数据特征分析 PC [3] 电子科学技术电第 02 子科卷学第技 02 术期 Electronic 2015 年 Science 3 月 & Technology Electronic Science & Technology Vol.02 No.02 Mar.2015 年基于大数据的医疗健康创新应用张肖, 杨锦洲, 王志勇 ( 中国联通研究院, 北