Ein neuartiger Verfeinerungsansatz für die Textkategorisierung

In diesem Papier präsentieren wir eine neuartige Strategie, DragPushing, zur Verbesserung der Leistung von Textklassifikatoren. Die Strategie ist allgemein gehalten und nutzt Trainingsfehler, um das Klassifikationsmodell eines Basis-Klassifikators schrittweise zu verfeinern. Wir beschreiben, wie sie angewendet wird, um zwei neue Klassifikationsalgorithmen zu generieren: einen Verfeinerten Zentroiden-Klassifikator und einen Verfeinerten Naïve Bayes-Klassifikator. Wir präsentieren eine umfangreiche experimentelle Bewertung 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 erzielen. Darüber hinaus ist die Leistung des implementierten Verfeinerten Zentroiden-Klassifikators vergleichbar, wenn nicht sogar besser, als die eines modernen Klassifikators auf Basis von Support Vector Machines (SVM), bietet jedoch Kosten für die Berechnung, die deutlich geringer sind.