基于SVM的藏文文本分類技術研究.pdf

1、當今信息時代，互聯網信息技術高速發(fā)展，各類信息不僅滿足了人們的日常生活，也在影響著整個社會的平穩(wěn)健康發(fā)展。藏語作為中國少數民族中使用最多的語言之一，在藏族集中地區(qū)研究藏文信息處理顯得尤為重要。目前，藏文信息處理技術正在日趨完善和成熟，但相對于中文信息處理技術，還存在著一定的差距，特別是在藏文文本自動分類方面。
　　研究藏文文本分類對于在民族地區(qū)的信息篩選、輿情監(jiān)測、數字圖書館建設等方面具有十分重要的意義。文本分類的方法主要有樸素貝

2、葉斯（Na?ve Bayesian）、基于支持向量機(Support Vector Machines,SVM)、K-最近鄰法(KNN)、神經網絡法(Neural Network,NNet)、決策樹(Decision Tree)、Rocchio分類等。本人通過查閱大量文獻，發(fā)現目前深入研究藏文文本分類的方法相對較少，通常有樸素貝葉斯和K-最近鄰法，雖然都取得了一定的實驗效果，但研究方法較為單一，不利于對藏文文本分類技術開展更加深入的研究。

3、本文在前人研究的基礎上采用基于支持向量機（SVM）的分類方法對藏文文本分類開展一定的研究和實驗，并與樸素貝葉斯、K-最近鄰法進行對比和分析。
　　支持向量機（Support Vector Machines，SVM）是近幾年發(fā)展起來的新型分類方法，是在高維特征空間使用線性函數進行分類的系統(tǒng)，在分類方面具有良好的性能[1]。SVM最初應用于線性二分類系統(tǒng)，通過尋找兩個類別的最優(yōu)超平面，對其進行分類。在解決非線性問題時，通過某種非線性映

4、射將輸入變量映射到高維特征空間，在高維空間內構造最優(yōu)超平面。從低維向高維轉換，會出現高維空間計算困難的問題，容易造成“維度爆炸”災難，為解決這一問題，相關學者適時引入了核函數。對于多分類問題，可通過“一對一”、“一對多”、決策樹等方法構造多個SVM分類器來實現。
　　本文主要對藏文分詞、文本表示、特征選擇、分類方法等開展深入的研究，其中重點研究了特征提取和支持向量機的分類技術在藏文文本分類的應用，并通過具體實驗對比優(yōu)化，提出符合藏