本文關(guān)鍵詞：自動(dòng)分類(lèi)在搜索引擎性能優(yōu)化中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

自動(dòng)分類(lèi)在搜索引擎性能優(yōu)化中的應(yīng)用 自動(dòng)分類(lèi)在搜索引擎性能優(yōu)化中的應(yīng)用 自動(dòng)分類(lèi)：按照分類(lèi)標(biāo)準(zhǔn)，將考察對(duì)象劃分到各類(lèi)別下 自動(dòng)聚類(lèi)：按照被考察隊(duì)形的內(nèi)部特征，把相似、近似、特征相似的對(duì)象聚合到一起 信息查詢方式： ――分類(lèi)瀏覽：基于網(wǎng)站分類(lèi)目錄，，瀏覽對(duì)象為網(wǎng)站――成本高，更新維護(hù)量大 ――關(guān)鍵詞檢索：檢索對(duì)象為網(wǎng)頁(yè)，信息量大，更新及時(shí)，不須人工干預(yù)――信息量大，質(zhì)量難以保證 ＝＝＝＝》提供對(duì)關(guān)鍵字檢索結(jié)果集網(wǎng)頁(yè)的分類(lèi)瀏覽 文本分類(lèi)： ――基于知識(shí)工程：依據(jù)語(yǔ)言學(xué)知識(shí)編制推理規(guī)則――復(fù)制而困難 ――基于統(tǒng)計(jì)：利用詞頻信息對(duì)文本進(jìn)行加權(quán)（簡(jiǎn)單，準(zhǔn)確）向量空間模型――文檔相似度由兩個(gè)向量的夾角余旋決定 自動(dòng)規(guī)類(lèi)步驟： 網(wǎng)頁(yè)特征提取和加權(quán)：提高分類(lèi)速度和精度（排除了干擾）詞頻，位置 機(jī)器學(xué)習(xí)： Svm： 建立在學(xué)習(xí)理論的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則基礎(chǔ)上，在高維空間尋找超平作為兩個(gè)類(lèi)的分割，以滿足最小的分類(lèi)錯(cuò)誤率（分類(lèi)間隙最大） 最近k鄰居：對(duì)給定的新網(wǎng)頁(yè)，考慮在訓(xùn)練集中與該網(wǎng)頁(yè)距離最近的k篇文本，根據(jù)這k篇文本所屬的類(lèi)別決定新網(wǎng)頁(yè)類(lèi)別。K值一般為學(xué)習(xí)調(diào)整 貝葉斯算法 自動(dòng)聚類(lèi)的實(shí)現(xiàn)步驟: 網(wǎng)頁(yè)表示 相似度計(jì)算 聚類(lèi) 給出聚類(lèi)表示 自動(dòng)聚類(lèi)的基本實(shí)現(xiàn)方式： 單遍聚類(lèi)法：設(shè)定類(lèi)相似度閾值；任意取一篇文章做聚類(lèi)中心，對(duì)新的文本，計(jì)算與其相似度，在閾值內(nèi)這聚入此類(lèi)，調(diào)整聚類(lèi)中心；否則為一新類(lèi)聚類(lèi)中心。 逆中心聚類(lèi)法：任取一向量為聚類(lèi)中心；有最大最小距的非聚類(lèi)中心向量為下一個(gè)聚類(lèi)中心。確定聚類(lèi)中心后在做就近聚類(lèi) 密度測(cè)試法：某網(wǎng)頁(yè)周?chē)奂休^多網(wǎng)頁(yè)，且在較大范圍有網(wǎng)頁(yè)，則可作為聚類(lèi)中心。網(wǎng)頁(yè)分為未聚類(lèi)網(wǎng)頁(yè)，已聚類(lèi)網(wǎng)頁(yè)和松散型網(wǎng)頁(yè)。初始時(shí)所有網(wǎng)頁(yè)都為未聚類(lèi)網(wǎng)頁(yè)。任取未聚類(lèi)網(wǎng)頁(yè)，根據(jù)測(cè)試條件，變?yōu)榫垲?lèi)網(wǎng)頁(yè)或松散型網(wǎng)頁(yè)知道結(jié)束。 自動(dòng)分類(lèi)應(yīng)用實(shí)例： Wwlib自動(dòng)規(guī)類(lèi)系統(tǒng) Grouper自動(dòng)聚類(lèi)系統(tǒng) Vivisimo自動(dòng)聚類(lèi)系統(tǒng) 應(yīng)用相關(guān)問(wèn)題： 傳統(tǒng)（圖書(shū)館）分類(lèi)法vs網(wǎng)絡(luò)分類(lèi)法－》結(jié)合 應(yīng)用時(shí)機(jī) 應(yīng)用對(duì)象 結(jié)果展示

  本文關(guān)鍵詞：自動(dòng)分類(lèi)在搜索引擎性能優(yōu)化中的應(yīng)用，由筆耕文化傳播整理發(fā)布。