基于SVM融合學習的電子檔案資源自動化分類方法＊

張君

(南方電網數字電網研究院有限公司，廣東 廣州510000)

1 引言

檔案是記錄個人、公司、國家機關以及各類集團組織的重要文件，在生產、生活及社會活動中具有關鍵性的地位[1]。當前社會已經進入云計算時代，在這個背景下，檔案由傳統的紙質版本，轉變成電子版，當前大多數檔案均采用云存儲方式保管，形成存儲在數據庫中的電子檔案，以此保障檔案資源調取的便捷性、靈活性和全面性[2]。然而，根據檔案的形式、性質、載體、所有制等，可以將檔案分為多種類別，在存儲電子檔案時，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下研究熱點問題。

國內外都十分重視檔案資源，針對檔案資源管理模式和基礎理論，進行了多方面的研究。然而，針對近期才發現的電子檔案資源分類存在的問題，研究成果相對薄弱，缺乏系統的電子檔案資源分類研究[4]?；诖?，文獻[5]將城市軌道交通建設項目檔案作為研究對象，根據相關規范，設計檔案資源分類方法，并與目前機構使用方法進行對比，驗證設計方法的可行性，但該方法分類精度較低。文獻[6]根據檔案數據語義，分析檔案內容，實現檔案的全自動分類，但該方法受算法訓練次數影響，分類精度偏低。文獻[7]提出基于泊松分布的特征加權NB 文本分類算法。結合泊松分布模型和NB算法，將泊松隨機變量引入特征詞權重，在此基礎上定義信息增益率對文本特征詞加權，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，導致檔案資源分類精度低。

針對這一問題，此次研究采用SVM 融合學習技術，提高電子檔案資源分類精度，提出基于SVM融合學習的電子檔案資源自動化分類。

2 基于SVM融合學習的電子檔案資源自動化分類

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，將已標記的檔案資源集，記為X1={(x1，y1)，…，(xn，yn)}，其中，yi表示第i個檔案資源數據的標記，構建檔案資源標記矩陣R，則有：

式(1)中，κ表示矩陣的特征值；p表示矩陣第j行檔案資源節點vj標記概率。

如式(1)所示的檔案資源標記矩陣[8]，當R=0時，檔案資源節點表示不完整檔案資源，反之，R=1。此時，將檔案資源標記矩陣R，作為采集少數檔案資源數據邊界的一個標記。

根據式(1)所示的標記矩陣R，將零散的檔案資源，分為標記的少數檔案資源R1和未標記的少數檔案資源R2兩種，從R2中尋找對應的標記樣本的近鄰樣本，來合成完整的檔案資源集，則檔案數據資源邊的權重lij計算公式為：

式(2)中，k表示以歐幾里德距離為標準，尋找與標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。

根據式(2)所示的計算過程，將檔案資源中的未標記資源記為X2={(xl+1，yl+1)，…，(xl+m，yl+m)}，其中，l表示檔案資源采集邊界，m表示未標記檔案資源數量。按照上述過程，找到的檔案資源，多位于檔案資源標記矩陣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，對檔案資源進行降維處理。假設，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。由于檔案資源集中，具有N個資源特征，一一提取每一個特征，所需計算量過大[10]，因此，只能選擇檔案資源中的最優特征來提取，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特征子集，其中，M表示最優特征子集個數，且M＜N，ai≠newa，i=1，2，…，N，j=1，2，…，M。

依據上述的檔案資源特征選擇和提取過程，存在一定的不相關、冗余等檔案資源特征屬性，針對這些屬性，進行刪除處理，來降低自動化分類電子檔案資源計算量。

2.3 基于SVM融合學習自動化分類電子檔案資源

對于本次研究待提取和分類的檔案資源特征，采用SVM融合學習技術，構建SVM融合學習分類器，自動化分類電子檔案資源。SVM融合學習技術分類原理如圖3所示。

圖3中，分割點連接線，為電子檔案資源，距離檔案資源分割線L距離最近的兩個點的連接線，將其分別記為L1和L2，則分割線與兩條分割點連接線，存在平行關系。如圖3所示，依據SVM 融合學習自動分類電子檔案資源原理，按照該融合學習理論的風險最小化求解模型，讓電子檔案資源根據其特征，準確在分割線作用下，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，形成最優分類面，則需要計算SVM分類器最優超平面。

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

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

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

式(4)中，T表示矩陣轉置[13]。依據式(3)和式(4)，可以將電子檔案資源劃分在兩個平面中，此時，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表示取整數值；x表示未分類電子檔案資源。如式(6)所示的SVM融合學習分類器，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Φ，將非線性特征分類，轉化為線性特征分類，則核函數Φ的轉化運算過程如下式所示：

式(7)中，υ表示核函數Φ將非線性特征分類，轉化為線性特征分類運算符號。聯立式(6)和式(7)，最終得到的SVM融合學習分類器[15](x)為：

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

此次研究將數據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特征，根據選擇提取的電子檔案特征，采用此次研究構建的分類器，自動化分類電子檔案資源。

3 實驗分析

選擇文獻[6]和文獻[7]方法作為實驗的對照組，與所提方法的實驗結果進行對比。將某數據庫中的電子檔案資源，作為此次實驗研究對象。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 實驗準備

此次實驗選擇的電子檔案資源數據集，共包含810個數據，其數據類別為9類，每個類別所包含的數據個數，如圖4所示。

在如圖4所示的檔案資源類別分布基礎上，選擇當前分類通用評價標準--準確率、召回率、F1 值三個評價指標，評價此次實驗選擇的三組分類方法，分類圖4所示的電子檔案資源精度。其準確率、召回率、精確度三個評價指標的分類評價指標定義，如表1所示。

表1 分類評價指標定義

根據表1所示的分類評價指標定義，其準確率、召回率、精確度的參數公式，如下式所示：

采用式(9)所示的分類性能指標計算公式，計算此次實驗選擇三組分類方法，分類電子檔案資源810個數據的準確率、召回率、精確度，其實驗結果如下。

3.2 實驗結果

3.2.1 第一組實驗結果

根據此次實驗選擇的810個電子檔案資源數據，采用三組分類方法，分別劃分810 個電子檔案資源類別，計算三組分類方法，類別劃分準確率，其實驗結果如圖5所示。

從圖5中可以看出，三組分類方法，分別將此次實驗選擇的810 個電子檔案數據進行分類處理，其分類準確率，受每個類別所具有的檔案數據個數影響，每個類別中，檔案數據個數越少，電子檔案資源分類準確率越高。其中，兩組目前方法，劃分810 個電子檔案數據類別準確率相近，其平均準確率分別為79%和77．5%；研究方法劃分810個電子檔案數據類別，平均準確率為88．75%，較兩組目前方法分別高9．75%和11．25%?？梢?，此次研究的分類方法，具有較高的分類精度。

3.2.2 第二組實驗結果

在第一組實驗基礎上，計算三組分類方法，類別劃分召回率，其實驗結果如圖6所示。

從圖6中可以看出，三組分類方法，分別將此次實驗選擇的810 個電子檔案數據進行分類處理，其分類召回率，受每個類別所具有的檔案數據個數影響，每個類別中，檔案數據個數越多，電子檔案資源分類準確率越高。其中，兩組目前方法，劃分810 個電子檔案數據類別召回率相近，其平均召回率分別為79．75%和79%；研究方法劃分810個電子檔案數據類別，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 第三組實驗結果

在前兩組實驗基礎上，計算三組分類方法的類別劃分F1值。F1值是對分類的準確率和精確度的調和值，其評價結果具有較高的客觀性和準確性。其實驗結果如圖7所示。

從圖7中可以看出，三組分類方法，分別將此次實驗選擇的810 個電子檔案數據進行分類處理，得到的F1 值同樣受每個類別所具有的檔案數據個數影響，上下差值較大。其中，兩組目前方法，劃分810 個電子檔案數據類別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 個電子檔案數據類別，F1 值的平均值為91%，較兩組目前方法分別高9．05%和10%?？梢?，此次研究的分類方法，具有較高的分類精度。

4 結束語

綜上所述，此次研究采用SVM 融合學習技術，構建自動化分類器，實現電子檔案資源自動化分類。采用通用分類方法驗證方式驗證，此次研究的電子檔案資源自動化分類，劃分電子檔案資源類別，具有較高的分類精度。