内容相近类目实现自动分类时相关分类技术的比较研究 ——以《中图法》E271和E712.51为例

摘要 对《中图法》中内容极为相似的两个类别，开展基于机器学习的自动分类（两类分类）研究。以《中图法》中E271和E712.51两个类别的书目信息作为两类分类的对象，对涉及的 CHI、IG和MI等特征选择法，TF和TF*IDF等加权方式，KNN、NB和SVM等分类算法等主要分类环节中的各种代表性技术的分类性能进行比较研究，为今后对《中图法》中极为相似类目开展针对性的自动分类研究提供基础数据。实验结果表明，关于特征选择法，CHI和IG的效果较佳，MI的表现稍弱，但是MI在特征数为4 000以上时，性能明显提高；关于分类算法，NB在采取MI特征选择法时表现较佳，但SVM在采取CHI和IG两种特征选择法下表现更佳，而KNN比前两者均差；关于特征加权方式，大多数情况下TF优于TF*IDF，但易受到分类算法、特征数目或特征选择法的影响。各个分类环节中的相关技术组合在一起能够适应对相似类目的自动分类，但性能上优劣不一，需要针对相似类目分类改进相关技术，以进一步提高对相似类目开展自动分类时的分类性能