Abstract：From the perspective of the overall impact of text features on the result of text categorization, a text feature selection method based on particle swarm optimization (PSOTFS)is proposed; to mine the text feature selection rules by PSO algorithm. At first, PSOTFS uses CHI to preselect the text features, then uses PSO algorithm to precisely select the text features from the preselected text features. PSOTFS uses a particle to represent a feature selection rule and the set of feature selection rules corresponds with a particle swarm. At the same time, the classification precision is used as the fitness function and grouping is used to reduce the dimensions of the particles. The experiment result shows that the text categorization effectiveness of PSOTFS is better than that of CHI, information gain, document frequency and mutual information.
路永和, 曹利朝. 基于粒子群优化的文本特征选择方法[J]. 现代图书情报技术, 2011, 27(7/8): 76-81.
Lu Yonghe, Cao Lichao. Text Feature Selection Method Based on Particle Swarm Optimization. New Technology of Library and Information Service, 2011, 27(7/8): 76-81.
[1] 肖可,奉国和. 1999-2008年国内文本分类研究文献计量分析[J]. 情报学报, 2010,29(4):679-687.[2] Yang Y, Pedersen J O. A Comparative Study on Feature Selection in Text Categorization . In: Proceedings of the 14th International Conference on Machine Learning. San Francisco: Morgan Kaufmann Publishers Inc, 1997:412-420.[3] 苏新宁. 信息检索理论与技术[M]. 北京:科学技术文献出版社,2004:273-307.[4] 伍建军,康耀红. 文本分类中特征选择方法的比较和改进[J]. 郑州大学学报:理学版, 2007,39(2):110-113.[5] 符发. 中文文本分类中特征选择方法的比较[J]. 现代计算机:专业版, 2008(6):43-45.[6] 李凯齐,刁兴春,曹建军,等. 基于改进蚁群算法的高精度文本特征选择方法[J]. 解放军理工大学学报:自然科学版, 2010,11(6):634-639.[7] Kennedy J, Eberhart R. Particle Swarm Optimization . In: Proceedings of IEEE International Conference on Neural Networks. Piscataway:IEEE Service Center, 1995:1942-1948.[8] 谢晓锋,张文俊,杨之廉. 微粒群算法综述[J]. 控制与决策, 2003,18(2):129-134.[9] Lin S W, Chen S C. PSOLDA: A Particle Swarm Optimization Approach for Enhancing Classification Accuracy Rate of Linear Discriminant Analysis[J]. Applied Soft Computing, 2009, 9(3):1008-1015.[10] 张国英,沙芸,江慧娜. 基于粒子群优化的快速KNN分类算法[J]. 山东大学学报:理学版, 2006,41(3):34-36.[11] 林令娟,刘希玉. 基于微粒群优化的快速K-近邻分类算法[J]. 山东科学, 2009,22(1):13-16.[12] 李欢,焦建民. 简化的粒子群优化快速KNN分类算法[J]. 计算机工程与应用, 2008,44(32):57-59.[13] 唐朝霞. 基于PSO和KNN的网页智能分类算法[J]. 太原师范学院学报:自然科学版, 2010,9(4):55-58.[14] 任江涛,卓晓岚,许盛灿,等. 基于PSO面向K近邻分类的特征权重学习算法[J]. 计算机科学, 2007,34(5):187-189.[15] 拓守恒. 基于改进PSO的SVM文本分类研究[J]. 电脑开发与应用, 2010,23(10):3-5,8.[16] 王东,吴湘滨. 利用粒子群算法优化SVM分类器的超参数[J]. 计算机应用, 2008,28(1):134-135,139.[17] 孙洋. 粒子群算法的改进及其在文本分类上的应用[J]. 中央民族大学学报:自然科学版, 2008,17(3):57-62.[18] 罗新. 基于群集智能的文本分类研究 . 广州:中山大学,2009.[19] 童亚拉,陈益. 一种基于混沌粒子群算法的网页分类规则抽取方法[J]. 微电子学与计算机, 2009,26(2):193-196.[20] 谭德坤. 基于混沌微粒群算法的文本分类研究[J]. 计算机应用研究, 2010,27(12):4464-4466.[21] 朱颢东,钟勇. 基于并行二进制免疫量子粒子群优化的特征选择方法[J]. 控制与决策, 2010,25(1):53-58,63.[22] Zahran B M, Kanaan G. Text Feature Selection Using Particle Swarm Optimization Algorithm[J]. World Applied Sciences Journal, 2009(7):69-74.
