摘要
考虑到维吾尔文词干提取、词性标注等工具不够成熟和相关的开源资源很少的实际情况,提出了基于N元模型的维吾尔文文本分类技术。其特点是不需要任何自然语言处理工具,拼写错误率对分类结果的影响很低。在训练阶段分别提取字符级别的三元和四元模型构造不同规模的N元词典,在分类测试阶段分别用曼哈顿距离计算和骰子测量对文本进行分类。实验结果表明,当四元模型词典的规模为500时,使用骰子测量分类时性能最佳,平准准确率达到86.56%。
Considering Uyghur stemming, POS tagging and other tools are not mature enough and there are a few open resources, this paper proposed N-gram based Uyghur text classification technique. The advantages were don＇ t needs any natural language processing tools and misspelling had low impact on text classification. In the process of learning phase extracted respectively character level tri-grams and quad-grams and constructed different scale N-gram profile, in the classification process respectively used Manhattan distance and Dice measure to classified text. The experimental results show that when quad gram profile size 500 and use Dice measure has best classification performance. The average accuracy rate reaches 86. 56%.
出处
《计算机应用研究》
CSCD
北大核心
2015年第7期1986-1988,2004,共4页
Application Research of Computers
基金
国家"973"重点基础研究计划基金资助项目(2014CB340506)
国家自然科学基金资助项目(61262063
61363063)
关键词
N元
文本分类
维吾尔文
N元词典
相似度
曼哈顿距离
骰子测量
N-gram
text classification
Uyghur text
N-gram profile
similarity
Manhattan distance
dice measure
作者简介
买买提依明·哈斯木（1980-），男（维吾尔族），新疆和田人，讲师，博士研究生，主要研究方向为数据挖掘（mamtimin116@gmail．com）；
吾守尔·斯拉木（1942-），男，新疆伊犁人，教授，本科，主要研究方向为自然语言处理；
维尼拉·木沙江（1960-），女（维吾尔族），新疆阿图什人，教授，本科，主要研究方向为信息检索、自然语言处理；
努尔麦麦提·尤鲁瓦斯（1980-），男（维吾尔族），新疆喀什人，讲师，主要研究方向为自然语言处理、语音识别．
