Posted on 2005-12-07 12:02
inwind 阅读(277)
评论(0) 编辑 收藏 引用 所属分类:
随想
网页的自动分类，需要考虑的东西很多啊。
分类体系的选择，利用DDC还是中图？还是借鉴yahoo或者google的分类体系？分类层次有多深？
训练文集的选取？哪里来呢，那么多打好标记，并且其分类要与我们的分类相同或者，相似吧
刚开始网页的内容处理，表示，是否考虑超链接，是否考虑html，如何剔出乱其八糟的广告？
网页向量化，又有那么多种权值计算方法，经典的就五个了，还有改进的，估计也有那么五六个比较好的吧？
向量的降维，还好那位帅哥整理过5经典的算法，再加上后来北大那帮人做的实验，经典的几个里面的性能大多清楚了。可是，是不是还有改进的呢？特征提取算法和后面的分类算法组合后的性能参数呢？
ok，然后是分类算法，姑且考虑KNN，还要考虑KNN的参数，K=？，文档之间的距离的计算，文档-类得分的的加权？如何加权？——还有其他的算法呢？
分类完了，还有截取算法，某个文档可以属于哪些类？某个类可以包含哪些文档？这个怎么确定？RCut，PCut还是SCut，还有其他的改进算法吗？
最有，贪心算法在这里面能起作用吗？即每一步，都利用别人的实验，选择最好的算法，可是综合起来，就一定是全局最好的算法吗？