38、文本分类与多目标优化算法探索

文本分类与多目标优化算法探索

1. 文本分类研究背景与目标

深度学习技术在文本分类领域存在诸多限制，例如需要大内存带宽、因反向传播导致训练时间长、架构复杂以及难以长时间保持内部层间的相互依赖等。随着数据集规模增长，数据显示变得更复杂，且在有限维度空间中输入数据呈指数级增长时，在TF - IDF向量空间区分输入特征颇具挑战。因此，将文本分类模型推广到新领域并非易事。

2013年，Kasun等人引入了一种高效的深度学习分类器——多层极限学习机（Multi - layer ELM）来解决上述问题。本研究旨在探究多层极限学习机（ML - ELM）扩展特征空间（HDFS - MLELM），并与TF - IDF向量空间（VS - TFIDF）进行对比，全面测试该特征空间在文本分类中的性能。

2. 文本分类研究主要贡献

• 开辟新研究方向 ：过往文献中尚未有基于多层极限学习机扩展特征空间进行文本数据分类的研究，本研究可视为文本分类领域的新方向。
• 提出新特征选择方法 ：提出了基于相关性的特征选择（Correlation - based Feature Selection，CRFS）方法，用于从大型语料库中选择关键特征，提升分类过程的性能。
• 全面研究分类算法 ：研究HDFS - MLELM，并使用文本数据在HDFS - MLELM和VS - TFIDF上全面研究多种分类算法。

3. 文本分类研究方法

• 预处理