基于集成学习的多标签文本分类计算方法技术

本发明专利技术属于计算机文本分类技术领域，尤其涉及一种基于集成学习的多标签文本分类计算方法，包括：步骤1：对原始数据集进行预处理，将句子分段成为一个个独立的单词，删除非关键词；步骤2：采用词频‑逆文本频率的方式对文本进行特征提取向量化处理；步骤3：采用二元关联法将多标签学习问题分解为多个独立的二元分类问题，每个二元分类问题对应于标签空间中的一个标签；步骤4：采用集成学习算法对标签进行分类。本发明专利技术降低了时间复杂度，提高了训练速度，提高了弱学习器的泛化能力，降低了过拟合的风险，增加模型的鲁棒性。

Multi label text classification calculation method based on Integrated Learning

【技术实现步骤摘要】
基于集成学习的多标签文本分类计算方法
本专利技术属于计算机文本分类
，尤其涉及一种基于集成学习的多标签文本分类计算方法。
技术介绍
分类技术作为一种数据分析挖掘的形式,它可以抽取能够描述重要数据集合的模型，用于预测数据对象的类别。而根据分类预测后的样本类别标签个数不同，分类问题又可分为单标签分类问题和多标签分类问题。多标签分类的目的是预测与多个类相关联的示例中，某些标签是否与此示例存在关联。多标签学习算法大体上可以分为两个流派：一类是问题转化的方法，另一类是算法适应的方法。第一组方法是算法独立的。它们将多标签的分类任务转换为一个或多个单标签分类、回归或标签排序任务。通过把多标签学习问题转化为其他学习场景来解决多标签学习问题。代表性的算法包括BinaryRelevance(BR)、ClassifierChain(CC)，这些算法将多标签学习任务转化为二元分类任务，CalibratedLabelRanking将多标签学习任务转换为标签排序任务的二阶方法校准标签排序，以及Randomk-labelsets将多标签任务转化为多类分类任务。本文档来自技高网...

【技术保护点】
1.一种基于集成学习的多标签文本分类计算方法，其特征在于，包括：/n步骤1：对原始数据集进行预处理，将句子分段成为一个个独立的单词，删除非关键词；/n步骤2：采用词频-逆文本频率的方式对文本进行特征提取向量化处理；/n步骤3：采用二元关联法将多标签学习问题分解为多个独立的二元分类问题，每个二元分类问题对应于标签空间中的一个标签；/n步骤4：采用集成学习算法对标签进行分类。/n

【技术特征摘要】
1.一种基于集成学习的多标签文本分类计算方法，其特征在于，包括：
步骤1：对原始数据集进行预处理，将句子分段成为一个个独立的单词，删除非关键词；
步骤2：采用词频-逆文本频率的方式对文本进行特征提取向量化处理；
步骤3：采用二元关联法将多标签学习问题分解为多个独立的二元分类问题，每个二元分类问题对应于标签空间中的一个标签；
步骤4：采用集成学习算法对标签进行分类。


2.根据权利要求1所述多标签文本分类计算方法，其特征在于，所述非关键词包括：代词、介词、连词。


3.根据权利要求1所述多标签文本分类计算方法，其特征在于，所述步骤2包括：统计单词在文本中出现的次数和出现在...

【专利技术属性】
技术研发人员：马应龙，闫君璐，李莉敏，张冰，陈亮，王乔木，张大伟，王玮，郗子月，
申请(专利权)人：华北电力大学，国家电网有限公司信息通信分公司，国网山东省电力公司信息通信公司，国家电网有限公司，
类型：发明
国别省市：北京;11