Модели и методы автоматической классификации текстовых документов - page 7

ресекаются, а 1 — что они совпадают и, следовательно, документ од -
нозначно соответствует рубрике);
4) для каждой из рубрик, для которой результат сопоставления с ней
документа выше некоторого порогового значения, рассматривается бо-
лее низкий уровень иерархии и документ сопоставляется с дочерними
рубриками. Если это сопоставление не приводит к обнаружению допол-
нительных рубрик, которым соответствует документ (или если рубрика
не имеет дочерних), то документ полагается соответствующим данной
рубрике. Если же дополнительные рубрики найдены , то документ по -
лагается соответствующим только этим дополнительным рубрикам.
Рассмотрим работу алгоритма на примере классификации докумен -
та, описывающего особенности проектирования грузовых автомобилей
повышенной проходимости (в примере используется дерево рубрик,
представленное на рис. 1).
В ходе работы алгоритма выполняются следующие операции :
1. Документ сопоставляется с рубриками первого уровня (“Автомо -
били”, “Железнодорожный транспорт ”, “Авиация и космонавтика”). В
результате сопоставления принимается решение о том, что документ
соответствует автомобильной тематике.
2. Документ сопоставляется с тремя рубриками, дочерними по от -
ношению к рубрике “Автомобили ” (“Легковые”, “Грузовые”, “Специ -
альные”). В результате сопоставления принимается решение о том, что
документ соответствует рубрике “ Грузовые автомобили”.
3. На последнем этапе происходит окончательное сопоставление
документа с соответствующей рубрикой (“Грузовые автомобили повы-
шенной проходимости”).
Как было указано выше , в процедуре классификации учитывается
то, что документ может быть отнесен к нескольким рубрикам одновре-
менно, причем результат сопоставления документа с рубрикой зависит
только от его содержимого и семантического образа этой рубрики. Это
означает, что изменение семантического образа одной рубрики (или до-
бавление новой рубрики) не влияет на результат классификации по дру-
гим рубрикам того же уровня иерархии.
Границы применимости рассмотренного алгоритма классифика -
ции. Алгоритм классификации основан на том, что большинство тема-
тик имеют множества присущих им терминов, наличие которых в доку-
менте позволяет предположить его соответствие одной или нескольким
из этих тематик. Например, для текстов юридической тематики харак -
терны термины “иск”, “ конфискация”, “правообладатель”, а вот терми -
ны “время”, “сторона”, “название” почти не отражают тематику доку-
мента.
70 ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана . Сер. “Приборостроение”. 2003. № 4