辛梓銘 王芳

摘 要：樸素貝葉斯算法在給定輸出類別的情況下，需假設屬性之間相互獨立，然而現(xiàn)實中這個假設一般不成立，導致在屬性個數(shù)較多或者屬性之間相關(guān)性較大時，分類效果不是很理想。為了解決這個問題，本文采用優(yōu)化的模糊C均值聚類及權(quán)重計算方法改進樸素貝葉斯算法。首先，基于JS散度構(gòu)造類別個數(shù)的自適應函數(shù)優(yōu)化模糊聚類算法，利用優(yōu)化后的算法將文本分類整理。然后，采用詞頻因子優(yōu)化的TF-IDF算法計算分類后各樣本的特征權(quán)重，結(jié)合樣本權(quán)重與貝葉斯公式，進行分類計算。最后，為了體現(xiàn)改進的樸素貝葉斯算法的有效性和優(yōu)越性，將其與原始樸素貝葉斯算法以及其他改進算法進行對比實驗。實驗結(jié)果表明，改進后的算法有效地降低了樸素貝葉斯模型對特征項獨立性的要求，提高了分類決策的準確率，且在分類性能和效率上具有一定的優(yōu)越性。

關(guān)鍵詞：樸素貝葉斯；文本分類；模糊聚類；特征權(quán)重；獨立性假設

中圖分類號： TP391? 文獻標識碼： A? DOI：10.3969/j.issn.1007-791X.2023.01.009

0 引言

隨著互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展以及大數(shù)據(jù)時代的到來，文本信息量呈爆炸式增長。如何更快更準確地進行信息檢索與數(shù)據(jù)分類成為重要的問題。文本分類算法是數(shù)據(jù)挖掘領(lǐng)域的核心內(nèi)容之一，它根據(jù)分類器將數(shù)據(jù)集中的數(shù)據(jù)項劃分到某一個固定的類別，基本步驟為：文本預處理、索引和詞頻統(tǒng)計、特征抽取、構(gòu)造分類器以及對分類結(jié)果的評價。文本分類算法包含多種，如支持向量機算法［1］、決策樹算法［2］、K近鄰算法［3］、神經(jīng)網(wǎng)絡算法［4］、貝葉斯分類算法［5］等等。

樸素貝葉斯算法先計算各個樣本的先驗概率，再利用貝葉斯公式計算各樣本屬于每一個類的后驗概率。該算法高效穩(wěn)定，常被應用于數(shù)據(jù)分析：張付志等［6］利用貝葉斯算法對垃圾郵件的過濾進行研究；楊曉花等［7］利用貝葉斯算法對圖書館書目進行自動分類；丁童心等［8］利用樸素貝葉斯算法進行人臉表情識別。樸素貝葉斯算法的應用領(lǐng)域廣泛，但是它的使用是以各屬性之間相互獨立的假設為前提。考慮到文本中各個詞組的特征向量之間并不都滿足獨立性假設的條件，直接使用樸素貝葉斯算法可能會導致文本分類的準確率下降。針對這一問題，很多學者提出了改進方法：Kononenko等［9］提出了半樸素貝葉斯分類模型，考慮部分屬性之間的相互依賴關(guān)系，通常假定每個屬性僅依賴于其他最多一個屬性。Hall［10］提出將樸素貝葉斯算法與決策樹算法結(jié)合，通過構(gòu)建決策樹來估計各屬性的權(quán)重。Webb等［11］通過對所有約束分類器類求平均的方法來削弱屬性的獨立性假設。Zadrozny等［12］提出了從決策樹和樸素貝葉斯分類器中獲得校正概率估計的方法。裘雅瑩等［13］提出了基于帶加權(quán)正特征的擴展貝葉斯模型的中文文本分類的方法。秦兵等［14］提出利用密度函數(shù)似然比來增加特征詞的可分性信息的算法。李方［15］構(gòu)造了屬性間相關(guān)性的度量方法：通過改進屬性加權(quán)來優(yōu)化樸素貝葉斯分類模型。黃勇等［16］提出了基于詞向量間余弦相似度改進樸素貝葉斯算法。這些方法一定程度上削弱了貝葉斯模型獨立性假設帶來的影響，然而它們沒有考慮文本的語法語序，且操作起來相對復雜，導致耗時較大。

針對上述不足，本文利用優(yōu)化的模糊C均值聚類法［17］和權(quán)重計算方法改進樸素貝葉斯算法。首先，采用JS散度構(gòu)造類別個數(shù)的自適應函數(shù)以優(yōu)化模糊聚類算法，并利用改進算法對文本進行分類整理。然后，利用詞頻因子優(yōu)化的TF-IDF算法計算各類別內(nèi)樣本的權(quán)重，同位置權(quán)重一起代入貝葉斯公式，最后進行分類計算。通過與傳統(tǒng)樸素貝葉斯算法與其他改進算法的對比實驗表明，本文的算法提高了分類決策的正確率與效率，降低了樸素貝葉斯模型對特征項獨立性的要求，并較其他改進算法有一定的優(yōu)越性。

由表1可知，改進后的樸素貝葉斯算法除了科學類的準確率和F1分數(shù)略低于傳統(tǒng)算法，其他類別都有所提升。改進算法的P，R，F(xiàn)1指標均值較傳統(tǒng)算法分別提升了3.07%、2.84%、2.91%，分類時間較原來減少1 min 3 s。實驗結(jié)果表明，改進后的樸素貝葉斯算法有效地提高了文本分類的性能與效率，降低了算法獨立性帶來的影響。

為了更好地體現(xiàn)本文的改進算法在文本分類上的優(yōu)越性，選取基于樸素貝葉斯與決策樹結(jié)合的改進算法［11］、基于屬性加權(quán)的改進算法［15］、基于詞向量余弦相似度的改進算法［16］進行對比實驗，得到數(shù)據(jù)如表2所示。

通過4種算法的實驗數(shù)據(jù)對比可以得到本文算法模型的F1分數(shù)均值最大，分類性能最佳，且平均消耗時長最短，分類效率最高。將4種算法模型與原始算法模型應用于六類數(shù)據(jù)分類時的12個P、R指標進行比較，除了文獻［15］算法，其余的3種算法模型均存在不同數(shù)量的分類指標低于原始算法模型。本文的算法模型中存在兩個指標略低于原始算法模型，穩(wěn)定性僅次于文獻［15］算法模型。實驗結(jié)果表明，本文的改進算法模型在分類性能和效率上具有一定的優(yōu)越性，但穩(wěn)定性欠佳，未來研究中，將針對算法模型穩(wěn)定性的問題進行優(yōu)化。

4 結(jié)論

本文針對樸素貝葉斯算法的獨立性假設與特征權(quán)重分配不當?shù)膯栴}，在分類前利用模糊聚類法對數(shù)據(jù)集進行重新整理，分類后計算不同類別的權(quán)重數(shù)值，得到改進的樸素貝葉斯算法。通過進一步的對比實驗，本文改進算法的P，R，F(xiàn)1指標均值較原始算法均提升了3%左右，較其他三類改進算法提升了1%～2%左右，且平均消耗時長最短。實驗結(jié)果表明本文的改進算法有效地降低了樸素貝葉斯模型對特征項獨立性的要求，提高了分類決策的正確率與效率，且在分類性能和效率上同其他改進算法具有一定的優(yōu)越性。未來工作中，將在本文的文本類別基礎上添加相關(guān)的英文文本，在增大數(shù)據(jù)量以增強算法模型穩(wěn)定性的同時，實現(xiàn)文本的多語種分類。

參考文獻

［1］ SHEVADE S K， KEERTHI S S， BHATTACHARYYA C， et al. Improvements to the SMO algorithm for SVM regression［J］. IEEE Transactions on Neural Networks， 2000， 11（5）： 1188-1193.

［2］? WANG L M， LI X L， CAO C H， et al. Combining decision tree and naive Bayes for classification［J］. Knowledge-Based Systems， 2006，19（7）： 511-515.

［3］? CHEN Q， LI D， TANG C K. KNN matting［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2013， 35（9）： 2175-2188.

［4］? LI Y M， WEI B G， LIU Y H， et al. Incorporating knowledge into neural network for text representation［J］. Expert Systems with Applications， 2018， 96：103-114.

［5］? ZHENG G， TIAN Y. Chinese web text classification system model based on naive bayes［C］//International Conference on E-product and E-entertainment， Zhengzhou，China， 2010： 1-4.

［6］ 張付志， 伍朝輝， 姚芳. 基于貝葉斯算法的垃圾郵件過濾技術(shù)的研究與改進［J］. 燕山大學學報， 2009， 33（1）： 47-52.

ZHANG F Z， WU Z F， YAO F. Research and improvement of spam filtering technology based on Bayesian algorithm［J］. Journal of the Yanshan University， 2009， 33（1）： 47-52.

［7］ 楊曉花，高海云.基于改進貝葉斯的書目自動分類算法［J］. 計算機科學， 2018， 45（8）： 203-207.

YANG X H，GAO H Y. Bibliographic automatic classification algorithm based on improved Bayes［J］. Computer Science， 2018， 45（8）： 203-207.

［8］ 丁童心，禹素萍.改進樸素貝葉斯算法的人臉表情識別［J］. 軟件導刊， 2021， 20（1）： 68-71.

DING T X， YU S P. Facial expression recognition based on improved naive Bayes algorithm［J］. Software Guide， 2021， 20（1）： 68-71.

［9］ KONONENKO I. Semi-naive Bayesian classifier［M］. Berlin： Lecture Notes in Computer Science， 1991：206-219.

［10］ HALL M. A decision tree-based attribute weighting filter for naive Bayes［J］. Knowledge-Based Systems， 2007， 20（2）： 120-126.

［11］ WEBB G I， BOUGHTON J R， WANG Z. Not so naive Bayes： aggregating one-dependence estimators［J］. Machine Learning， 2005， 58（1）： 5-24.

［12］ ZADROZNY B， ELKAN C. Obtaining calibrated probablity estimates from decision trees and naive Bayesian classsifiers［C］//International Conferrence on Machine Learning，Williamstown，USA， 2001： 609-616.

［13］ QIU Y Y， YANG G M，TAN Z H.Chinese text classification based on extended naive Bayes model with weighted positive features［C］//IEEE International Conference on Software Engineering and Service Science， Beijing，China， 2010： 243-246.

［14］ 秦兵， 鄭實福， 劉挺， 等. 基于改進的貝葉斯模型的中文網(wǎng)頁分類［C］//全國第六屆計算語言學聯(lián)合學術(shù)會議論文集， 北京： 清華大學出版社， 2001： 373-378.

QIN B， ZHENG S F， LIU T， et al. Chinese webpage classifier based on improved Bayesian cognitive science［C］//The Proceedings of the Sixth Joint Conference on Computational Linguistics， Beijing： Tsinghua University Press， 2001： 373-378.

［15］ 李方. 基于改進屬性加權(quán)的樸素貝葉斯分類模型［J］. 計算機工程與應用， 2006， 46（4）： 132-133.

LI F. Naivebayes classification model basedon improved attribute weighting［J］. Computer Engineering and Applications， 2006， 46（4）： 132-133.

［16］ 黃勇， 羅文輝， 張瑞舒. 改進樸素貝葉斯算法在文本分類中的應用［J］. 科技創(chuàng)新與應用，2019（5）：24-27.

HUANG Y， LUO W H， ZHANG R S. Application of improved naive Bayes algorithm in text categorization［J］. Technology Innovation and Application，2019（5）：24-27.

［17］ PAL S K， KING R A， HASHIM A A. Automatic gray level thresholding through index of fuzziness and entropy［J］. Pattern Recognition Letters， 1983， 1（3）： 141-146.

［18］ BEZDEK J C， HALL L O， CLARKELP. Review of MR image segmentation techniques using pattern recognition［J］. Medical Physics， 1993， 20（4）： 1033-1048.

［19］CHEN J N， MATZINGER H， ZHAI H Y， et al. Centroid estimation based on symmetric KL divergence for multinomial text classification problem［C］//Proceedings of IEEE International Conference on Machine Learning and Applications， Orlando，USA， 2018： 1174-1177.

［20］ 王春偉， 侯方， 申升， 等. 基于文本信息的PDF文檔管理系統(tǒng)設計與實現(xiàn)［J］. 燕山大學學報，2020， 44（6）： 603-608.

WANG C W， HOU F， SHEN S， et al. Design and implementation of PDF document management system based on text information［J］. Journal of Yanshan University， 2020， 44（6）： 603-608.

［21］ 何曉靜. 對TF-IDF算法的改進及實驗研究［D］.長春： 吉林大學， 2017： 14-24.HE X J. Improvement and experimental research on TF-IDF algorithm［D］. Changchun： Jilin University， 2017： 14-24.

Research on text classification based on improved naive Bayes algorithm

XIN Ziming，WANG Fang

（School of Science， Yanshan University， Qinhuangdao， Hebei 066004， China）

Abstract： In the case of a given output class， the naive Bayes algorithm assumes that the attributes are independent of each other. However， in reality， this assumption is usually not true.When the number of attributes is large or the correlation between attributes is high， the classification effect is not very good.In order to solve this problem， an optimized fuzzy C-means clustering and weight calculation method is used to improve the naive Bayes algorithm. Firstly， an adaptive function based on JS divergence is constructed to optimize the fuzzy clustering algorithm， and the optimized algorithm is used to sort the text. Then， the TF-IDF algorithm optimized by word frequency factor is used to calculate the feature weight of each sample after classification， and the classification calculation is carried out by combining the sample weight and Bayesian formula. Finally， in order to show the effectiveness and superiority of the improved naive Bayes algorithm， it is compared with the original naive Bayes algorithm and other improved algorithms. Experimental results show that the improved algorithm effectively reduces the requirements of the naive Bayes model for the independence of feature terms， improves the accuracy of classification decision-making， and has certain advantages in classification performance and efficiency.

Keywords： naive Bayes；text classification；fuzzy clustering；feature weight；independence hypothesis