《表2 3组数据集上的文本分布》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《Centroid和EM结合的半监督文本分类》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文实验选用维吾尔文文本数据集Ucorp＿A[14]，Ucorp＿A是平衡数据集（balanced dataset），包括政治、经济、体育、旅游、教育、文艺、法制、农业、医药保健和计算机等10个类别，每个类别有300篇文本，2/3用于训练，1/3用于测试。从Ucorp＿A训练集中的每个类别中分别取出10、20和40个等不同数量的文本作为初始训练文本集（Labeled data）。再从每个类别剩下的文本中分别提取出100个文本（总共1000个文本）并去除类别标记作为未标注样本集（Unlabeled data）。最后从Ucorp＿A测试集中的每个类别中分别取出60个文本（总共600个文本）作为测试文本集（Test data）。这样，总共产生3组数据集。第一组数据集中训练集的每一类只包含10个已标注文本。第二组数据集中训练集的每一类只包含20个已标注文本。第三组数据集中训练集的每一类包含40个已标注文本。这3组数据集中的文本分布情况见表2。