Ein neuartiger Verfeinerungsansatz zur Textkategorisierung

In diesem Papier präsentieren wir eine neuartige Strategie, DragPushing, zur Verbesserung der Leistung von Textklassifikatoren. Die Strategie ist generisch und nutzt Trainingsfehler, um das Klassifizierungsmodell eines Basis-Klassifikators schrittweise zu verfeinern. Wir beschreiben, wie sie angewendet wird, um zwei neue Klassifikationsalgorithmen zu generieren: einen verfeinerten Zentroid-Klassifikator und einen verfeinerten Naïve Bayes-Klassifikator. Wir präsentieren eine umfangreiche experimentelle Evaluierung beider Algorithmen an drei englischen Sammlungen und einem chinesischen Korpus. Die Ergebnisse zeigen, dass in jedem Fall die verfeinerten Klassifikatoren eine signifikante Leistungsverbesserung gegenüber den verwendeten Basis-Klassifikatoren erreichen. Darüber hinaus ist die Leistung des implementierten verfeinerten Zentroid-Klassifikators vergleichbar, wenn nicht besser, als die von modernen klassifikators auf der Basis von Support Vector Machines (SVM), bietet jedoch eine wesentlich niedrigere Rechenkosten.