基于ipc分类号生成样本训练集指导文本分类【一】

基于ipc分类号生成样本训练集指导文本分类

 

1.文本分类的简要过程

在实际分类中，首先将训练文本表示成某种形式的元素（词）的向量，通过特征提取，用权重表示特征，这样就可以对元素-权重表示的文档向量进行训练，获得向量模型。

分类时，待分类的文档表示成元素-权重文档向量，并于向量模型进行比较，最终判断其类别。

 

2.第一个问题：如何找到合理的文档训练集？

由于在专利检索方面有一定的经验，因此可以依据ipc分类号，提取一批规范的文档集，作为文档训练集。

 

3.ipc分类号介绍

 国际专利分类系统的体系结构如下： 国际专利分类系统按照技术主题设立类目，把整个技术领域分为5个不同等级：部 、 大类、 小类、大组、 小组。

　　IPC分为A-H八个部，其中　 
A部：生活必须（农、轻、医)；　　　　　　　　　　　　　　　　　
B部：作业、运输； 　　　　　　　 　　　　　　　　　　　　　　　
C部：化学、冶金；　　　　　　　　　　　　　　　　　　　　　　
D部：纺织、造纸；　　　　　　　　　　　　　　　　　　　　　　
E部：固定建筑物；　　　　　　　　　　　　　　　　　　　　　　
F部：机械工程、照明、采暖、武器、爆破；
G部：物理；　　　　　　　　　　　　　　　　　　　　　
H部：电技术 　

　　B －－－－－　部，表示作业、运输。　　　　　　　　　　　　　　　　　　　　　　

　　B64 －－－－ 大类，表示飞行器、航空、宇宙飞船。大类类号用二位数标记。

　　B64C－－－－ 小类，表示飞行。小类类号用大写字母标记。 

　　B64C25/00－ 大组，表示起落装置。大组类号用1-3位数加/00标记。

　　B64C25/02－ 小组，标记是将大组/00中的00改为其他数字.小组内的等级是依次降低的，但从分类号上看不出来，只能根据小类前的圆点数目加以判断。如：

　　　　　　　　　25/02 . 起落架；　　　　　　　　　　　　　　　　　　　　　　　　　　　　

　　　　　　　　　25/08 .. 非固定的；

　　　　　　　　　25/10 ...可快放的，可折叠的或其他的；　　　　　　　　　　　　　　　　　　

　　　　　　　　　25/18 ....操作机构；　　　　　　　　　　　　　　　　　

　　　　　　　　　25/26 ..... 操纵或锁定系统；　　　　　　　　　　　　　　　　　

　　　　　　　　　25/30 ...... 应急动作的

 

因此该实验的目的就是根据ipc分类号找出一组文档训练集，为后期开发文本分类做好准备。