25、杂志文章主题描述符分配方法与实践

杂志文章主题描述符分配方法与实践

在文本分类研究中，可用文本类别的正例数量有限是一个显著的限制因素。本文将围绕文本语料、系统期望输出、分类方法、结果评估等方面展开详细阐述。

文本语料与系统输出

文本语料包含超过 2650 篇文章，这些文章于 1998 年发表在如《Knack》《Weekend Knack》《Trends》和《Cash!》等杂志上。文章为荷兰语，内容和结构具有高度异质性。

文章涵盖政治、经济、金融、生活方式、艺术、体育等多个领域的主题，且常交织不同主题领域。文章分属杂志的不同栏目，结构多样，多数遵循新闻报道模式，但也有电影标题列表加解释语句、餐厅简单地址等形式。还有少量卫星文章，是对大文章子主题的详细阐述。文章长度从一段到多页不等。

每篇文章都附有由出版商专业索引员分配的描述符，通常每篇文章有一个，有时两个，极少数有三个主题描述符，用于在路由任务中匹配文章和用户的档案。

使用的文本类别包括汽车（CAR）、投资（INVESTMENTS）、股票市场（STOCK MARKET）、烹饪（CULINARY）、电影（FILM）、计算机科学（COMPUTER SCIENCE）、国际（INTERNATIONAL）、文学（LITERATURE）、营销（MARKETING）、音乐（MUSIC）、政治（POLITICS）、体育（SPORTS）、旅游（TOURISM）和房地产（REAL ESTATE）。出版商定义了其他类别，但语料库中成员数量过少，未纳入实验。对每个类别抽取 10 篇文章进行手动分析，各文本类别的特点如下：
| 类别 | 特点 |
| — | — |
| 汽车（CAR） | 常描述新汽车和摩托车模型及其技