董 婷

(榆林學(xué)院 信息工程學(xué)院， 陜西 榆林 719000)

引言

從用戶的角度來看，在觀察web頁面時(shí)，把語義塊作為單一的對象來看，而不會研究web頁面的內(nèi)部是怎樣的。分塊之后頁面快的高度、寬度，色素點(diǎn)等一系列的屬性對于整個(gè)頁面塊對于人視覺的影響是怎樣的，這些通過人的感官是無法進(jìn)行準(zhǔn)確判斷的。隨著機(jī)器學(xué)習(xí)手段的發(fā)展，采用支持向量機(jī)這種方式研究問題，分析問題規(guī)律的案例也在不斷增多，為通過SVM技術(shù)分析頁面塊的聯(lián)系提供了更多的理論支持。

1 模型分析

1.1 數(shù)據(jù)來源

數(shù)據(jù)源來自UCI數(shù)據(jù)庫中的Page Blocks Classification數(shù)據(jù)包,該數(shù)據(jù)來自54個(gè)不同的網(wǎng)頁文檔，特性如下:實(shí)例共5473個(gè)，屬性共10個(gè)，所有的屬性都是數(shù)字，都是可通過C4.5的可讀格式，沒有未知量。根據(jù)測試得到的輸入變量包括10個(gè)，分別是height、lenght、area、eccen、p_and、mean_tr、blackpix、wb_trans。這幾種屬性分別對網(wǎng)頁頁面被分割后的寬度，高度，偏心塊長度以及高度，黑色塊內(nèi)的像素點(diǎn)的比例，黑色像素總數(shù)RLAS后的位圖塊等一系列的的描述。

1.2 支持向量機(jī)簡介

支持向量機(jī)是根據(jù)Vapnik提出的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則來提高學(xué)習(xí)機(jī)泛化能力的方法,其本質(zhì)是一個(gè)凸二次優(yōu)化問題,能夠保證找到的極值解就是全局最優(yōu)解[1]。求兩個(gè)樣本的最優(yōu)分類面是它的主要目的[2]。最優(yōu)分類面既要將兩類樣本正確分開,又要使它們之間的間隔最大。一般用一次方程來表示分類面方程即(w·x)+b=0(b為常數(shù))。經(jīng)過歸一化后,得到的樣本集(xi,yi),xi∈χ=Rn,yi∈1,-1},i=1,…l,是線性可分的并滿足

yi((w·xi)+b)≥1,i=1,…,l

(1)

這時(shí)的分類間隔為2/‖w‖ ,要使間隔取最大值,那么就要使

Φ(w)=1/2‖w‖2=1/2wTw=1/2(w·w)

(2)

取最大值[3]。

2 建立模型

2.1 理論依據(jù)

SVM的兩大重要思想是[4]： (1)線性不可分時(shí)，SVM利用非線性映射算法，樣本的非線性特征會進(jìn)行線性分析；(2) SVM建構(gòu)最優(yōu)分割超平面，使整個(gè)樣本空間風(fēng)險(xiǎn)低于某個(gè)概率的上邊界。

SVM在它堅(jiān)實(shí)的理論基礎(chǔ)上；使它結(jié)構(gòu)風(fēng)險(xiǎn)變得最小，它不僅解決了傳統(tǒng)的過學(xué)習(xí)方法而且解決了陷入局部最小的問題，它的泛化能力也很強(qiáng)；SVM在不增加計(jì)算的復(fù)雜性和維數(shù)災(zāi)難的情況下，采用核函數(shù)方法，向高維空間映射，大大減小了計(jì)算量等優(yōu)勢得到了廣泛應(yīng)用。本課題正是在這一系列堅(jiān)實(shí)的理論基礎(chǔ)之上開展的。

2.2 實(shí)驗(yàn)過程

在求解分類問題，我們采用支持向量機(jī)時(shí)，首要選擇非常合適的核函數(shù)，再選擇相關(guān)參數(shù)。LIBSVM-2.86軟件包中對剛才得到的數(shù)據(jù)進(jìn)行分析和對比，找到最合適的模型[5]。

(1) 收集樣本，整理數(shù)據(jù)，進(jìn)行標(biāo)準(zhǔn)化設(shè)置

LIBSVM按一定的數(shù)據(jù)格式把每一個(gè)樣本特征設(shè)置成實(shí)數(shù)行向量，格式設(shè)置為: [index1]:[value1] ...

其中：label是訓(xùn)練數(shù)據(jù)集的目標(biāo)值，對于分類可以是任意實(shí)數(shù)[6]。index是從1開始的整數(shù)，表示特征值的序號；value是用來訓(xùn)練或預(yù)測的數(shù)據(jù)，即特征值或自變量，一般為實(shí)數(shù)。以下為本樣本中的部分?jǐn)?shù)據(jù)：

表1 樣本部分?jǐn)?shù)據(jù)

集合構(gòu)建完之后，任意選取部分?jǐn)?shù)據(jù)來進(jìn)行訓(xùn)練。進(jìn)而對數(shù)據(jù)進(jìn)行預(yù)測，我們先按照比例為1:1來選取樣本,我們從總數(shù)據(jù)集合的數(shù)據(jù)中隨機(jī)選取樣本，建立page_predict和page_train兩部分。

(2) 訓(xùn)練數(shù)據(jù)，生成模型

進(jìn)行訓(xùn)練，輸入命令：svm-train page_train page_train.model，其中page_train是訓(xùn)練文本、page_train.model是訓(xùn)練后的輸出文本，輸出權(quán)系數(shù)及各支持向量。

(3)利用獲取的模型進(jìn)行測試與預(yù)測

用已經(jīng)分類好的數(shù)據(jù)集page_train對page_predict進(jìn)行預(yù)測，page_predict.predict可以與元數(shù)據(jù)進(jìn)行對比從而判斷預(yù)測數(shù)據(jù)與預(yù)測結(jié)果的正確性。

表2 生成模型

2.3 結(jié)果分析

從圖1可以看到不同顏色等值線，由于C和g的取值不同，表現(xiàn)出不同分類效果，如綠色線條a，曲線趨于復(fù)雜，擬合效果好[7]。黃色線條f，曲線趨于平滑，擬合效果略差。當(dāng)核函數(shù)參數(shù)g取不同的值，懲罰因子C需配以不同的值，擬合效果才好，因此存在核函數(shù)參數(shù)數(shù)和懲罰因子的最佳匹配問題[8]。當(dāng)C = 32768 和g=0.0078125取最佳參數(shù)時(shí)，交叉驗(yàn)證精度高達(dá)97.004%，這就是最優(yōu)結(jié)果。實(shí)驗(yàn)表明該方法能夠?qū)撁鎵K的相關(guān)屬性快速有效的評判。

圖1 調(diào)優(yōu)時(shí)gnuplot訓(xùn)練文本所形成的向量機(jī)

3 結(jié)束語

SVM的分析模型不受樣本空間維數(shù)的限制，關(guān)鍵在于支持向量的數(shù)目，所以支持向量樣本集具有一定的魯棒性。該模型為客觀數(shù)據(jù)驅(qū)動評判方法提供了理論依據(jù)，并為理化數(shù)據(jù)測試方法的研究與應(yīng)用奠定了理論基礎(chǔ)。