inwind

網(wǎng)頁(yè)的自動(dòng)分類，需要考慮的東西很多啊。

分類體系的選擇，利用DDC還是中圖？還是借鑒yahoo或者google的分類體系？分類層次有多深？

訓(xùn)練文集的選取？哪里來(lái)呢，那么多打好標(biāo)記，并且其分類要與我們的分類相同或者，相似吧

剛開(kāi)始網(wǎng)頁(yè)的內(nèi)容處理，表示，是否考慮超鏈接，是否考慮html，如何剔出亂其八糟的廣告？

網(wǎng)頁(yè)向量化，又有那么多種權(quán)值計(jì)算方法，經(jīng)典的就五個(gè)了，還有改進(jìn)的，估計(jì)也有那么五六個(gè)比較好的吧？

向量的降維，還好那位帥哥整理過(guò)5經(jīng)典的算法，再加上后來(lái)北大那幫人做的實(shí)驗(yàn)，經(jīng)典的幾個(gè)里面的性能大多清楚了。可是，是不是還有改進(jìn)的呢？特征提取算法和后面的分類算法組合后的性能參數(shù)呢？

ok，然后是分類算法，姑且考慮KNN，還要考慮KNN的參數(shù)，K=？，文檔之間的距離的計(jì)算，文檔-類得分的的加權(quán)？如何加權(quán)？——還有其他的算法呢？

分類完了，還有截取算法，某個(gè)文檔可以屬于哪些類？某個(gè)類可以包含哪些文檔？這個(gè)怎么確定？RCut，PCut還是SCut，還有其他的改進(jìn)算法嗎？

最有，貪心算法在這里面能起作用嗎？即每一步，都利用別人的實(shí)驗(yàn)，選擇最好的算法，可是綜合起來(lái)，就一定是全局最好的算法嗎？