[发明专利]基于维数约简的集成迁移文本分类方法

权利要求书

1.一种基于维数约简的集成迁移文本分类方法，其特征在于：包括以下步骤

(1) 输入源域文本数据和目标域文本数据，进行初步预处理，将文本数据转化为单词向量形式：

1a) 统计每个文本中不同单词出现的次数，并将出现次数小于2的词语对应的次数定为0；

1b) 使用TF-IDF作为特征选取度量的方式，得到文本中词语的权重；

1c)将权重作为样本特征值，得到每个文本样本的特征向量；

1d) 将每一个特征向量形式的样本归一化，使得该向量的模值为单位1；

(2) 将提取到的特征输入到目标域测试样本集 和源域有标记的样本集，其中，和中的样本数目分别为和；

(3) 对有标记的源域样本集进行Boostrap随机采样得到相应的源域子集，并与目标域测试文本数据集重新组合成新的数据子集：

3a) 设定采样次数为T次，并以K近邻算法作为基本分类算法，其中K值由参数分析后确定；

3b) 以概率p从所述源域文本集中有放回的随机选取源域样本子集，样本数目为；

3d) 将上步得到的源域子集分别与目标域样本集组合成新的数据子集，其中矩阵，每行表示一个样本向量，前行表示源域样本，后行表示目标域测试样本，则；

(4) 分别将数据子集中的两领域样本进行SVD奇异值分解：；

(5) 将数据集投影到低维空间，得到降维后的数据集：；

(6)在低维空间中，分别利用降维后的各数据子集中的源域样本对测试样本分类；

(7)检查所述算法的采样次数是否达到T，若已达到，则执行步骤(8)；否则，返回步骤3b)；

(8)采用投票的集成方式判定当前测试样本的标签，得票数多的预测结果作为最终的预测标签。

2.根据权利要求1所述的基于维数约简的集成迁移文本分类方法，其特征在于：步骤(6)中所述的利用降维后的各数据子集中的源域样本对测试样本分类，具体采取的分类方法如下

6a) 在低维空间中，对于每个目标域测试样本，根据相似度衡量方法中的余弦夹角计算与各个源域样本间的相似度值，并将其作为对应源域样本的权重：

6b) 降相似度值降序排列，抽取相似度值最高的前个源域样本；

6c) 用这个样本对加权投票，得到预测的标签。