Optimizing the class information divergence for transductive classification of texts using propagation in bipartite graphs

طبقه بندی مولد یک روش مفید برای طبقه بندی مجموعه ای از اسناد متنی بدون برچسب است که فقط یک کسر کوچک از این مجموعه می تواند به صورت دستی برچسب گذاری شود. الگوریتم های مبتنی بر گراف در سال های اخیر موجب ایجاد منافع قابل توجهی برای طبقه بندی پرتودرمانی شده اند، زیرا نمایندگی مبتنی بر گراف، تبادل برچسب را از طریق لبه های گراف انجام می دهد. در نمایه گراف دو طرفه، گره ها اشیاء از دو نوع را نشان می دهند، در اینجا اسناد و اصطلاحات، و لبه های بین اسناد و اصطلاحات نشان دهنده وقوع شرایط در اسناد است. در این زمینه، انتشار برچسب از اسناد به شرایط و سپس از اصطلاحات به اسناد تکراری انجام می شود. در این مقاله، ما یک الگوریتم جدید بر اساس گراف مبتنی بر گرافیتی استفاده می کنیم که از ساختار گراف دو طرفه برای ارتباط اطلاعات موجود کلاس اسناد برچسب دار استفاده می کند و سپس این اطلاعات کلاس را برای تخصیص برچسب ها برای اسناد بدون برچسب به نمایش می گذارد. با مرتبط کردن اطلاعات کلاس به لبه های پیوند اسناد به شرایط ما تضمین می کنیم که یک اصطلاح تک می تواند اطلاعات کلاس های مختلف را به همسایگان مجزا آن انتقال دهد. ما همچنین نشان دادیم که روش پیشنهادی الگوریتم های طبقه بندی پرتوودتی بر مبنای مدل فضای بردار یا نمودار در مقایسه با تعداد کمی از اسناد برچسب دار در دسترس است.