李波

摘要：隨著信息技術的不斷發(fā)展，信息量也在呈現(xiàn)爆炸式的增長，對于海量、動態(tài)的文本信息，對其展開自動分類有著極為重要的現(xiàn)實意義。模式識別技術的進步對文本分類有著促進作用。文本分類由于具有樣本眾多、樣本類別數(shù)目不均、噪音多、類目多等特點，導致各模式識別運用于文本分類中均有著缺點。本文嘗試把蟻群智能算法運用到文本分類中，構建以蟻群智能算法為基礎的文本分類模式。

關鍵詞：群集智能 蟻群智能算法 文本分類

中圖分類號：TP391.1 文獻標識碼：A 文章編號：1007-9416（2016）09-0126-01

1 基于蟻群智能算法文本分類模型

1.1 分類流程

基于蟻群智能算法文本分類模型大致上分為訓練與測試兩部分。訓練部分分為三個階段，規(guī)則構造、適應的計算、規(guī)則覆蓋訓練數(shù)據(jù)。利用訓練過程獲取分類規(guī)則，測試過程利用這些分類規(guī)則將文本集加以分類[1]。利用分類規(guī)則將文本加以分類的方法非常簡便，基于蟻群智能算法的訓練過程是其中較為重要的組成，其位代碼為：

初始化的規(guī)則集RS是空；訓練集含有M類；令TS是訓練文本向量集，當訓練文本向量集中第i個文本向量數(shù)大于閾值，運行ACORuleConstructer（ ）函數(shù)，更新規(guī)則集CTR是發(fā)現(xiàn)規(guī)則所覆蓋的文本向量

1.2 規(guī)則構造

偽代碼中涉及的構造函數(shù)ACORuleConstructer（ ）具體運算流程。需要進行如下操作。

第一步，初始化蟻群。將m只螞蟻進行隨機分布與第一個屬性上的某節(jié)點。第二步，初始化信息素。所有路徑包含的節(jié)點所含有的信息素設置為相同的濃度。其中：τij為條件所具termij有的信息素濃度；α是數(shù)據(jù)庫中不含類別屬性的所有屬性的總數(shù)；bi是屬性i全部可能被取的數(shù)據(jù)。第三步，蟻群移動。根據(jù)如下公式對下一節(jié)點進行選擇。

對于每一個屬性而言，它所具有的節(jié)點termij被選取的概率是Pij（t）。那么τij（t）是條件項的啟發(fā)函數(shù)值。α與β是重要的參數(shù)，說明的是螞蟻在進行路徑選擇時路徑上所具有的信息數(shù)濃度與termij啟發(fā)函數(shù)值所具備的重要程度。

第四步，規(guī)則修剪。規(guī)則有效性如何根據(jù)如下公式進行計算。

修剪方法的目的是依次去除可以使規(guī)則有效性能夠得到提升的特征節(jié)點，也就是說移去無用的特征節(jié)點，最終使特征節(jié)點的移除均會時規(guī)則有效性得到降低。第五步，若達到規(guī)則足夠良好或者迭代次數(shù)最大時，流程結束，否則重新從第三步繼續(xù)開始。第六步，更新信息素的濃度。根據(jù)如下公式進行屬性節(jié)點信息素濃度的改變。

2 模型驗證驗證方法及結果

本文對軍事、交通、經(jīng)濟、教育四類中的數(shù)據(jù)集中隨機選取共計3240篇文本文檔進行測試。首先把全部數(shù)據(jù)平分為訓練集A與測試集B。之后將A與B的數(shù)據(jù)輸入到相應的程序中，使用χ2統(tǒng)計、信息增益、互信息、期望交叉熵等文本選取方式，取得與選取方式相對應的4組訓練集的向量矩陣，計作Aj（j=1，2，3，4）。測試集向量矩陣計作 Bj（j=1，2，3，4）[2]。之后將矩陣分別輸入到不同的分類公式中，得到不同的分類結果Cj（j=1，2，3，4）。選取其中結果最佳作為評價基準。最佳結果對應的矩陣輸入到基于蟻群算法中，得到分類結果，將這兩個結果進行比較。KNN、NB、SVM分類模型分別實用χ2統(tǒng)計、信息增益、互信息、期望交叉熵等特征選取方式得到MF和mF的憑據(jù)值。通過對測試結果進行分析發(fā)現(xiàn)，基于蟻群算法的分類效果相比于傳統(tǒng)的分類模型的分類效果有著更好的分類分類性能，從比較結果來看，在數(shù)據(jù)集進行特征選擇時，采用信息增益取得的效果最佳。

參考文獻

[1]李建軍，宋志章.基于混合智能算法的網(wǎng)頁文本分類仿真研究[J].科技通報，2012，06（06）：152-154.

[2]杜芳華，冀俊忠，吳晨生，等.基于蟻群聚集信息素的半監(jiān)督文本分類算法[J].計算機工程，2014，11（11）：167-171.

[3]楊義先，李麗香，彭海朋，等.群體智能算法及其在信息安全中的應用探索[J].信息安全學報，2016，01（01）：39-49.