| 123456789101112131415161718192021222324252627282930 |
- %!TEX root = Ausarbeitung-Thoma.tex
- Sowohl das Problem der Knotenklassifikation, als auch das der
- Textklassifikation, wurde bereits in verschiedenen Kontexten. Jedoch scheien
- bisher entweder nur die Struktur des zugrundeliegenden Graphen oder nur
- Eigenschaften der Texte verwendet worden zu sein.
- So werden in \cite{bhagat,szummer} unter anderem Verfahren zur
- Knotenklassifikation beschrieben, die wie der in \cite{aggarwal2011}
- vorgestellte DYCOS-Algorithmus, um den es in dieser Ausarbeitung geht, auch auf
- Random Walks basieren.
- Obwohl es auch zur Textklassifikation einige Paper gibt
- \cite{Zhu02learningfrom,Jiang2010302}, geht doch keines davon auf den
- Spezialfall der Textklassifikation mit einem zugrundeliegenden Graphen ein.
- Die vorgestellten Methoden zur Textklassifikation variieren außerdem sehr
- stark. Es gibt Verfahren, die auf dem bag-of-words-Modell basieren
- \cite{Ko:2012:STW:2348283.2348453} wie es auch im DYCOS-Algorithmus verwendet
- wird. Aber es gibt auch Verfahren, die auf dem Expectation-Maximization-
- Algorithmus basieren \cite{Nigam99textclassification} oder Support Vector
- Machines nutzen \cite{Joachims98textcategorization}.
- Es wäre also gut Vorstellbar, die Art und Weise wie die Texte in die
- Klassifikation des DYCOS-Algorithmus einfließen zu variieren. Allerdings ist
- dabei darauf hinzuweisen, dass die im Folgeden vorgestellte Verwendung der
- Texte sowohl einfach zu implementieren ist und nur lineare Vorverarbeitungszeit
- in Anzahl der Wörter des Textes hat, als auch es erlaubt einzelne Knoten zu
- klassifizieren, wobei der Graph nur lokal um den zu klassifizerenden Knoten
- betrachten werden muss.
|
