王彥焱 李文超 吉林大學(xué)

分類加權(quán)的TF-IDF的網(wǎng)頁分類算法

王彥焱 李文超 吉林大學(xué)

網(wǎng)頁分類算法是目前比較熱門的研究課題，目前已經(jīng)有許多網(wǎng)頁分類算法，其中TFIDF算法是一種用于信息檢索與數(shù)據(jù)挖掘的常用加權(quán)技術(shù)，本文通過TFIDF算法提取了每個分類下的具有高區(qū)分度的特征詞，在網(wǎng)頁分類時通過找出其中最能代表該網(wǎng)頁的詞素，依據(jù)該詞素的類別信息即能對網(wǎng)頁進(jìn)行分類。由于TFIDF算法中詞頻計算未考慮網(wǎng)頁結(jié)構(gòu)信息，因此在本文中對詞頻計算進(jìn)行了改進(jìn)，通過對網(wǎng)頁結(jié)構(gòu)分類，計算詞素出現(xiàn)在不同分類下的權(quán)重，達(dá)到對網(wǎng)頁信息的合理利用。

TF-IDF 詞頻加權(quán) 特征詞提取

1 引言

隨著互聯(lián)網(wǎng)的高速發(fā)展，網(wǎng)頁規(guī)模呈指數(shù)級增長，對網(wǎng)頁按照主題進(jìn)行分類，一方面可以根據(jù)需要，濾除包含不良信息的網(wǎng)頁，凈化網(wǎng)絡(luò)環(huán)境；另一方面可以按照主題為用戶提供類別目錄，這樣既可以實(shí)現(xiàn)網(wǎng)頁的分級管理，而且為使用戶更方便的查找所需要的信息，從而提高網(wǎng)頁瀏覽的效率。因此，網(wǎng)頁分類技術(shù)的研究正在成為繼文本分類技術(shù)的另一大熱點(diǎn)。

2 網(wǎng)頁預(yù)處理與中文分詞

2.1 網(wǎng)頁預(yù)處理

網(wǎng)頁是信息的集合，其中包含的信息類型非常復(fù)雜，一個網(wǎng)頁除了標(biāo)題、正文之外還可能含有廣告、友情鏈接等信息，這些信息對文本分類的幫助很小，甚至?xí)蓴_正確的結(jié)果。網(wǎng)頁噪聲處理目前已經(jīng)存在許多方法有，比較常用的有java的開源項(xiàng)目HTMLParser設(shè)計的處理方法，它能超高速解析HTML，而且不會出錯。另外，網(wǎng)頁中一般包含有大量的網(wǎng)頁布局信息，比如javescript和sytle標(biāo)識的信息等，這樣的信息只是在說明網(wǎng)頁的表示，輸入網(wǎng)頁分類算法中的噪聲，所以應(yīng)該在算法之前將其刪除，否則會對分類算法造成干擾。

2.2 中文分詞

中文分詞不同于英文，英文中每個單詞之間都有空格分隔，中文書寫以字為單位，一個或多個漢字組成一個詞，中文分詞要做的就是把句子拆分成詞語，以便后續(xù)使用。目前存在的中文分詞算法中，中科院計算技術(shù)研究所推出的基于隱馬爾科夫模型的ICTCLAS漢語分詞器分詞效率達(dá)到95%以上，是目前公認(rèn)的最好的漢語分詞器。

3 分類加權(quán)的TF-IDF的網(wǎng)頁分類算法

3.1 TF-IDF算法

TF-IDF是一種統(tǒng)計方法，用于評估一個字詞在其所在文檔中的重要程度。主要思想是：如果某個詞素在一個文檔中出現(xiàn)的頻率TF高，并且在其他文檔中很少出現(xiàn)，則認(rèn)為該詞素具有很好的區(qū)分能力。tf表征一個詞素在文檔中出現(xiàn)的頻率，idf值是逆向文本頻率，表征詞語的普遍重要性，一個詞語在越多的文檔中出現(xiàn)，則該詞的區(qū)分能力越低。其中：

nt，d表示特征詞t在文檔d中出現(xiàn)的次數(shù)，M表示d文檔總特征詞數(shù)

N為文檔總數(shù)，n為包含詞素t的文檔數(shù)。

3.2 TF-IDF算法的不足及其改進(jìn)

TF-IDF算法TF值為詞素的出現(xiàn)次數(shù)，沒有考慮網(wǎng)頁的結(jié)構(gòu)信息，無論特征詞出現(xiàn)在哪一部分，它的權(quán)重都為1。對于一個網(wǎng)頁來說，這顯然是不合理的，分析HTML文件可知，一個網(wǎng)頁一般包含3種結(jié)構(gòu)：標(biāo)題、以＜TITLE＞＜TITLE＞標(biāo)記網(wǎng)頁正文和其余部分。

本文采用分類加權(quán)的方法對其改進(jìn)，將網(wǎng)頁分成上述3個部分，給每個部分賦予不同的權(quán)值。權(quán)值的大小可采用機(jī)器學(xué)習(xí)中的線性回歸法來確定，輸入一定規(guī)模的訓(xùn)練集，找出使損失函數(shù)值最小的權(quán)值分配。確定權(quán)值后計算每個網(wǎng)頁的TF值時改進(jìn)的公式為

w1為詞素出現(xiàn)在不同位置時的權(quán)重。

3.3 特征詞提取

特征詞的提取是整個分類算法的關(guān)鍵，特征詞提取的效果直接影響分類的準(zhǔn)確度，算法要保證特征詞具有高區(qū)分度，由于原始TF-IDF算法求出的是詞素對其所在文檔的區(qū)分度，因此要提取能夠區(qū)分每個類別網(wǎng)頁集合的特征詞，需要將每個類別當(dāng)成一個集合看待，這樣求出的具有較高TFIDF值的詞即是在每個類別中具有高區(qū)分度的詞，算法思想為，將每個類別中的所有網(wǎng)頁看作一個單獨(dú)的集合，在每個類別中以網(wǎng)頁為單位計算加權(quán)分類的TF值，再以類別為單位計算總TF值與IDF值，之后算出的TFIDF值越高，則代表該詞越具有區(qū)分度，流程為：①選取合適規(guī)模的已分類網(wǎng)頁。②將每個類中的所有網(wǎng)頁看成一個集合，計算每個類中網(wǎng)頁的所以詞素TF值，之后計算每個詞素在該類別下的總TF值。以i表示類別集合，j表示每個網(wǎng)頁，則詞素t在i類別下的TF值為：

③每個類別中的詞素IDF值為總分類數(shù)除以包含該詞語的分類的數(shù)目，再將得到的商取對數(shù)得到計算每個類中的所有詞素的TFIDF值并進(jìn)行排序。④去掉平凡詞后在每個類中選取排名前500的詞作為該分類的特征詞。

3.4 分類算法

分類算法的流程為：

對于新的網(wǎng)頁，計算網(wǎng)頁中所有詞的TFIDF值進(jìn)行排序。

取值最大的詞素，若該詞素屬于某個類別的特征集合，則將網(wǎng)頁設(shè)置為該類別，否則刪除該詞，再次取值最大的詞進(jìn)行比較，以此類推求出網(wǎng)頁的類別。

[1]張祥.一個網(wǎng)頁分類系統(tǒng)的研究與實(shí)現(xiàn)[D].北京郵電大學(xué)，2013

[2]孔令成.基于特征提取和權(quán)值計算算法的中文網(wǎng)頁分類研究[D].安徽大學(xué)，2010

[3]彭浩，王雅琳.一個面向?qū)崟r網(wǎng)頁分類的主題特征提取算法[J].計算機(jī)與現(xiàn)代化，2008，(7)