一种辅以强规则学习的双层文本分类模型

随着基于机器学习的文本自动分类方法成为主流分类技术,基于机器学习的文本分类方法往往忽视了对规则分类方法的有效运用。该文将基于规则的分类思想和基于机器学习的分类方法有机地结合起来,把规则判别看作一个分量分类器,提出了一种辅以规则补充的双层文本分类模型和一种优化的分类规则学习算法。根据该方法设计并实现了一个基于规则和N-Gram统计分类相结合的双层分类器,进行了双层分类模型与单独的N-Gram分类模型的实验,结果表明辅以规则补充的双层分类器具有更好的分类性能。

英文介词短语归并歧义的RMBL分类器消解

采用"规则+例外"分类器来解决英文介词短语的消歧问题.对于规律性知识,在学习和推理过程中以规则形式处理;对于不是规律性知识的,采用Memory-Based Learning的方式进行学习、分类和推理.在2套标准训练集和测试集环境下,不借助任何其它自然语言知识库,本文所采用"规则+例外"分类器所得到的正确率分别为80.85%和81.2%,取得了很好的效果.

基于动态交叉协同的属性量子进化约简与分类学习级联算法

属性约简与规则分类学习是粗糙集理论研究和应用的重要内容.文中充分利用量子计算加速算法速度和混合蛙跳算法高效协同搜索等优势,提出一种基于动态交叉协同的量子蛙跳属性约简与分类学习的级联算法.该算法用量子态比特进行蛙群个体编码,以动态量子角旋转调整策略实现属性染色体快速约简,并在粗糙熵阈值分类标准内采用量子蛙群混合交叉协同进化机制提取和约简分类规则、组合决策规则链等,最后构造属性约简和分类学习双重功能级联模型.仿真实验验证该算法不仅具有较高的全局优化性能,且属性约简与规则分类学习的精度和效率均超过同类算法.