《表1 部分特征项权重比较》

  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

《基于粗糙集的社交文本特征选择方法》

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

社交文本的特性为文本长度较短，但总体的词汇量较大，在不同的时间段会派生出许多新的词汇，训练集中出现的词汇一般遵循Zipf定律，即只有少数词汇被经常使用[11]。大量词汇在训练集中出现的次数很少甚至只出现1次，这些词汇被称为稀有词汇，它们对分类的特征选择贡献度很低。因此，在构建决策表时，可以把每个特征项作为决策表中的一个属性看待，计算得出的属性权重即特征项权重。本研究在计算权重时，过滤了出现次数少于或等于3次的词汇，过滤后再根据训练集D={d1，d2，…，dn}得到所有社交文本的特征项集合T={t1，t2，…，tm}，以每条文本在相应特征项的取值计算该特征项的权重，计算权重采用TF-IDF权重计算方法。表1给出了两条社交文本中部分特征项的权重值，可以看出:“Mobile”类别中编号为“1141”的社交文本包含了“魅族”“诺基亚”这两种类别区分度较高的特征项，其权重值相对较大；而特征项“微博”“转发”这两种类别区分度较低的特征项，其权重值相对较小。