基于SVM融合學(xué)習(xí)的電子檔案資源自動(dòng)化分類方法＊

張君

(南方電網(wǎng)數(shù)字電網(wǎng)研究院有限公司，廣東 廣州510000)

1 引言

檔案是記錄個(gè)人、公司、國家機(jī)關(guān)以及各類集團(tuán)組織的重要文件，在生產(chǎn)、生活及社會(huì)活動(dòng)中具有關(guān)鍵性的地位[1]。當(dāng)前社會(huì)已經(jīng)進(jìn)入云計(jì)算時(shí)代，在這個(gè)背景下，檔案由傳統(tǒng)的紙質(zhì)版本，轉(zhuǎn)變成電子版，當(dāng)前大多數(shù)檔案均采用云存儲(chǔ)方式保管，形成存儲(chǔ)在數(shù)據(jù)庫中的電子檔案，以此保障檔案資源調(diào)取的便捷性、靈活性和全面性[2]。然而，根據(jù)檔案的形式、性質(zhì)、載體、所有制等，可以將檔案分為多種類別，在存儲(chǔ)電子檔案時(shí)，卻存在檔案類別不清晰的問題，影響檔案收錄[3]。因此，電子檔案資源分類已成為時(shí)下研究熱點(diǎn)問題。

國內(nèi)外都十分重視檔案資源，針對(duì)檔案資源管理模式和基礎(chǔ)理論，進(jìn)行了多方面的研究。然而，針對(duì)近期才發(fā)現(xiàn)的電子檔案資源分類存在的問題，研究成果相對(duì)薄弱，缺乏系統(tǒng)的電子檔案資源分類研究[4]。基于此，文獻(xiàn)[5]將城市軌道交通建設(shè)項(xiàng)目檔案作為研究對(duì)象，根據(jù)相關(guān)規(guī)范，設(shè)計(jì)檔案資源分類方法，并與目前機(jī)構(gòu)使用方法進(jìn)行對(duì)比，驗(yàn)證設(shè)計(jì)方法的可行性，但該方法分類精度較低。文獻(xiàn)[6]根據(jù)檔案數(shù)據(jù)語義，分析檔案內(nèi)容，實(shí)現(xiàn)檔案的全自動(dòng)分類，但該方法受算法訓(xùn)練次數(shù)影響，分類精度偏低。文獻(xiàn)[7]提出基于泊松分布的特征加權(quán)NB 文本分類算法。結(jié)合泊松分布模型和NB算法，將泊松隨機(jī)變量引入特征詞權(quán)重，在此基礎(chǔ)上定義信息增益率對(duì)文本特征詞加權(quán)，完成檔案資源分類。但該方法難以劃分檔案資源非線性特征，導(dǎo)致檔案資源分類精度低。

針對(duì)這一問題，此次研究采用SVM 融合學(xué)習(xí)技術(shù)，提高電子檔案資源分類精度，提出基于SVM融合學(xué)習(xí)的電子檔案資源自動(dòng)化分類。

2 基于SVM融合學(xué)習(xí)的電子檔案資源自動(dòng)化分類

2.1 采集電子檔案資源

電子檔案資源分布較廣，需要采集所有檔案資源，形成完整的檔案資源集，為此，將已標(biāo)記的檔案資源集，記為X1={(x1，y1)，…，(xn，yn)}，其中，yi表示第i個(gè)檔案資源數(shù)據(jù)的標(biāo)記，構(gòu)建檔案資源標(biāo)記矩陣R，則有：

式(1)中，κ表示矩陣的特征值；p表示矩陣第j行檔案資源節(jié)點(diǎn)vj標(biāo)記概率。

如式(1)所示的檔案資源標(biāo)記矩陣[8]，當(dāng)R=0時(shí)，檔案資源節(jié)點(diǎn)表示不完整檔案資源，反之，R=1。此時(shí)，將檔案資源標(biāo)記矩陣R，作為采集少數(shù)檔案資源數(shù)據(jù)邊界的一個(gè)標(biāo)記。

根據(jù)式(1)所示的標(biāo)記矩陣R，將零散的檔案資源，分為標(biāo)記的少數(shù)檔案資源R1和未標(biāo)記的少數(shù)檔案資源R2兩種，從R2中尋找對(duì)應(yīng)的標(biāo)記樣本的近鄰樣本，來合成完整的檔案資源集，則檔案數(shù)據(jù)資源邊的權(quán)重lij計(jì)算公式為：

式(2)中，k表示以歐幾里德距離為標(biāo)準(zhǔn)，尋找與標(biāo)記的檔案資源樣本集[9]，近鄰連接檔案資源；xi、xj表示相鄰的檔案資源，且成立。

根據(jù)式(2)所示的計(jì)算過程，將檔案資源中的未標(biāo)記資源記為X2={(xl+1，yl+1)，…，(xl+m，yl+m)}，其中，l表示檔案資源采集邊界，m表示未標(biāo)記檔案資源數(shù)量。按照上述過程，找到的檔案資源，多位于檔案資源標(biāo)記矩陣R的附近。因此，將采集到的檔案資源，與原檔案資源集相結(jié)合，形成完整檔案資源集X。

2.2 電子檔案資源特征提取和選擇

依據(jù)此次研究，采集到的檔案資源集X，通過特征提取和選擇的方式，對(duì)檔案資源進(jìn)行降維處理。假設(shè)，檔案資源集X，具有的資源特征集為A={a1，a2，…，aN}，其中，N表示檔案資源集所具有的特征總數(shù)。由于檔案資源集中，具有N個(gè)資源特征，一一提取每一個(gè)特征，所需計(jì)算量過大[10]，因此，只能選擇檔案資源中的最優(yōu)特征來提取，則檔案資源特征選擇的過程如圖1所示。

圖2中，獲取到的檔案資源最優(yōu)特征子集為A1={a1，a2，…，aM}，且

在圖2的檔案資源特征選擇[11]過程，選擇到的檔案資源特征進(jìn)行提取，其檔案資源特征提取過程如圖2所示。

圖2中，newaM表示檔案資源中的最優(yōu)特征子集，其中，M表示最優(yōu)特征子集個(gè)數(shù)，且M＜N，ai≠newa，i=1，2，…，N，j=1，2，…，M。

依據(jù)上述的檔案資源特征選擇和提取過程，存在一定的不相關(guān)、冗余等檔案資源特征屬性，針對(duì)這些屬性，進(jìn)行刪除處理，來降低自動(dòng)化分類電子檔案資源計(jì)算量。

2.3 基于SVM融合學(xué)習(xí)自動(dòng)化分類電子檔案資源

對(duì)于本次研究待提取和分類的檔案資源特征，采用SVM融合學(xué)習(xí)技術(shù)，構(gòu)建SVM融合學(xué)習(xí)分類器，自動(dòng)化分類電子檔案資源。SVM融合學(xué)習(xí)技術(shù)分類原理如圖3所示。

圖3中，分割點(diǎn)連接線，為電子檔案資源，距離檔案資源分割線L距離最近的兩個(gè)點(diǎn)的連接線，將其分別記為L1和L2，則分割線與兩條分割點(diǎn)連接線，存在平行關(guān)系。如圖3所示，依據(jù)SVM 融合學(xué)習(xí)自動(dòng)分類電子檔案資源原理，按照該融合學(xué)習(xí)理論的風(fēng)險(xiǎn)最小化求解模型，讓電子檔案資源根據(jù)其特征，準(zhǔn)確在分割線作用下，分割成兩類電子檔案資源，且在分割的過程中，還需保證被分割的電子檔案資源具有足夠的距離，形成最優(yōu)分類面，則需要計(jì)算SVM分類器最優(yōu)超平面。

假設(shè)，此次研究，采集到的電子檔案資源數(shù)據(jù)集X，屬于d維空間數(shù)據(jù)，在SVM分類器中，自動(dòng)化分類電子檔案資源的線性判別函數(shù)f(x)為：

式(3)中，w表示分類間隔；c表示截距[12]。當(dāng)wx+c=0 成立時(shí)，則wx+c=0為電子檔案類別之間的分界面表達(dá)式。

根據(jù)式(3)所示的電子檔案資源劃分線性判別函數(shù)f(x)，需要滿足(4)式所示的表達(dá)式，才能促使電子檔案資源分類正確，其表達(dá)式如下式所示：

式(4)中，T表示矩陣轉(zhuǎn)置[13]。依據(jù)式(3)和式(4)，可以將電子檔案資源劃分在兩個(gè)平面中，此時(shí)，需要讓劃分成兩部分的電子檔案資源中間，具有較大的分類間隔，即取的最小值：

式(6)中，sgn表示取整數(shù)值；x表示未分類電子檔案資源。如式(6)所示的SVM融合學(xué)習(xí)分類器，只可以分類線性電子檔案資源。為了分類電子檔案資源中存在的非線性特征，在式(6)中，引入核函數(shù)Φ，將非線性特征分類，轉(zhuǎn)化為線性特征分類，則核函數(shù)Φ的轉(zhuǎn)化運(yùn)算過程如下式所示：

式(7)中，υ表示核函數(shù)Φ將非線性特征分類，轉(zhuǎn)化為線性特征分類運(yùn)算符號(hào)。聯(lián)立式(6)和式(7)，最終得到的SVM融合學(xué)習(xí)分類器[15](x)為：

采用式(8)所示的SVM融合學(xué)習(xí)分類器，即可根據(jù)此次研究，選擇提取的電子檔案特征，將電子檔案分成不同的類別。

此次研究將數(shù)據(jù)庫中的電子檔案資源整合成檔案資源集，從檔案資源集中選擇提取電子檔案資源重點(diǎn)特征，根據(jù)選擇提取的電子檔案特征，采用此次研究構(gòu)建的分類器，自動(dòng)化分類電子檔案資源。

3 實(shí)驗(yàn)分析

選擇文獻(xiàn)[6]和文獻(xiàn)[7]方法作為實(shí)驗(yàn)的對(duì)照組，與所提方法的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比。將某數(shù)據(jù)庫中的電子檔案資源，作為此次實(shí)驗(yàn)研究對(duì)象。比較三組方法的劃分電子檔案資源精度、召回率以及F1值。

3.1 實(shí)驗(yàn)準(zhǔn)備

此次實(shí)驗(yàn)選擇的電子檔案資源數(shù)據(jù)集，共包含810個(gè)數(shù)據(jù)，其數(shù)據(jù)類別為9類，每個(gè)類別所包含的數(shù)據(jù)個(gè)數(shù)，如圖4所示。

在如圖4所示的檔案資源類別分布基礎(chǔ)上，選擇當(dāng)前分類通用評(píng)價(jià)標(biāo)準(zhǔn)--準(zhǔn)確率、召回率、F1 值三個(gè)評(píng)價(jià)指標(biāo)，評(píng)價(jià)此次實(shí)驗(yàn)選擇的三組分類方法，分類圖4所示的電子檔案資源精度。其準(zhǔn)確率、召回率、精確度三個(gè)評(píng)價(jià)指標(biāo)的分類評(píng)價(jià)指標(biāo)定義，如表1所示。

表1 分類評(píng)價(jià)指標(biāo)定義

根據(jù)表1所示的分類評(píng)價(jià)指標(biāo)定義，其準(zhǔn)確率、召回率、精確度的參數(shù)公式，如下式所示：

采用式(9)所示的分類性能指標(biāo)計(jì)算公式，計(jì)算此次實(shí)驗(yàn)選擇三組分類方法，分類電子檔案資源810個(gè)數(shù)據(jù)的準(zhǔn)確率、召回率、精確度，其實(shí)驗(yàn)結(jié)果如下。

3.2 實(shí)驗(yàn)結(jié)果

3.2.1 第一組實(shí)驗(yàn)結(jié)果

根據(jù)此次實(shí)驗(yàn)選擇的810個(gè)電子檔案資源數(shù)據(jù)，采用三組分類方法，分別劃分810 個(gè)電子檔案資源類別，計(jì)算三組分類方法，類別劃分準(zhǔn)確率，其實(shí)驗(yàn)結(jié)果如圖5所示。

從圖5中可以看出，三組分類方法，分別將此次實(shí)驗(yàn)選擇的810 個(gè)電子檔案數(shù)據(jù)進(jìn)行分類處理，其分類準(zhǔn)確率，受每個(gè)類別所具有的檔案數(shù)據(jù)個(gè)數(shù)影響，每個(gè)類別中，檔案數(shù)據(jù)個(gè)數(shù)越少，電子檔案資源分類準(zhǔn)確率越高。其中，兩組目前方法，劃分810 個(gè)電子檔案數(shù)據(jù)類別準(zhǔn)確率相近，其平均準(zhǔn)確率分別為79%和77．5%；研究方法劃分810個(gè)電子檔案數(shù)據(jù)類別，平均準(zhǔn)確率為88．75%，較兩組目前方法分別高9．75%和11．25%?？梢姡舜窝芯康姆诸惙椒?，具有較高的分類精度。

3.2.2 第二組實(shí)驗(yàn)結(jié)果

在第一組實(shí)驗(yàn)基礎(chǔ)上，計(jì)算三組分類方法，類別劃分召回率，其實(shí)驗(yàn)結(jié)果如圖6所示。

從圖6中可以看出，三組分類方法，分別將此次實(shí)驗(yàn)選擇的810 個(gè)電子檔案數(shù)據(jù)進(jìn)行分類處理，其分類召回率，受每個(gè)類別所具有的檔案數(shù)據(jù)個(gè)數(shù)影響，每個(gè)類別中，檔案數(shù)據(jù)個(gè)數(shù)越多，電子檔案資源分類準(zhǔn)確率越高。其中，兩組目前方法，劃分810 個(gè)電子檔案數(shù)據(jù)類別召回率相近，其平均召回率分別為79．75%和79%；研究方法劃分810個(gè)電子檔案數(shù)據(jù)類別，平均召回率為89．95%，較兩組目前方法分別高10．2%和10．95%?？梢?，此次研究的分類方法，具有較高的分類精度。

3.2.3 第三組實(shí)驗(yàn)結(jié)果

在前兩組實(shí)驗(yàn)基礎(chǔ)上，計(jì)算三組分類方法的類別劃分F1值。F1值是對(duì)分類的準(zhǔn)確率和精確度的調(diào)和值，其評(píng)價(jià)結(jié)果具有較高的客觀性和準(zhǔn)確性。其實(shí)驗(yàn)結(jié)果如圖7所示。

從圖7中可以看出，三組分類方法，分別將此次實(shí)驗(yàn)選擇的810 個(gè)電子檔案數(shù)據(jù)進(jìn)行分類處理，得到的F1 值同樣受每個(gè)類別所具有的檔案數(shù)據(jù)個(gè)數(shù)影響，上下差值較大。其中，兩組目前方法，劃分810 個(gè)電子檔案數(shù)據(jù)類別F1值相近，其F1值的平均值分別為81．95%和81%；研究方法劃分810 個(gè)電子檔案數(shù)據(jù)類別，F(xiàn)1 值的平均值為91%，較兩組目前方法分別高9．05%和10%。可見，此次研究的分類方法，具有較高的分類精度。

4 結(jié)束語

綜上所述，此次研究采用SVM 融合學(xué)習(xí)技術(shù)，構(gòu)建自動(dòng)化分類器，實(shí)現(xiàn)電子檔案資源自動(dòng)化分類。采用通用分類方法驗(yàn)證方式驗(yàn)證，此次研究的電子檔案資源自動(dòng)化分類，劃分電子檔案資源類別，具有較高的分類精度。