基于SVM融合学习的电子档案资源自动化分类方法

当前的电子档案资源自动化分类,只能单一性地处理电子档案资源线性特征,无法实现非线性特征与线性特征的转换,导致电子档案资源整体分类精度偏低。提出基于SVM(Support Vector Machines,支持向量机)融合学习的电子档案资源自动化分类。采用档案资源标记方式,采集电子档案资源,形成档案资源集;从档案资源集中提取档案资源重要特征;根据SVM融合学习技术分类原理,引入核函数,分类非线性特征,并将其转化为线性特征,构建SVM融合学习自动化分类器,实现电子档案资源的自动化分类。实验结果表明:研究方法的平均准确率更高;与另外两种传统方法相比,平均召回率分别高出10.2%和10.95%,F1值分别高0.0905%和0.1%。