中文文本分类语料库-TanCorpV1.0

谭松波，王月粉

1 语料简介

    相比于国际上众多的英文分类语料库而言，本人深感中文分类语料库非常缺乏。因此，建立一个较具规模的中文语料库一直是本人的夙愿。但手工收集上万篇文本确实比较困难，因此收集工作进展较慢。直到最近才告一段落。

    本语料库分为两个层次，收集文本14150篇。第一层为12个类别；第二层为60个类别。层次结构及每类样本数如下表：

表1 语料的层次结构

2 使用说明

    本语料采用词频矩阵的方式给出，其格式采用Han[1-2]定义的格式，Han数据格式包括三个文件，即x.mat、x.mat.rlabel和x.mat.clabel。由于格式只能表示单层语料，本人对它进行了扩充，增加了一个文件，x.mat.hlabel。这样就能描述多层语料，并能兼容单层语料。

    x.mat表示词频矩阵。该文件的第一行的三个数字分别表示文档数、词数和该矩阵的词-词频对的个数。其余每行表示一篇文档，具体格式为：词 词频，…，词 词频；x.mat.rlabel是类别文件，每行一个类别名，对应x.mat中每篇文档的类别，对多层而言，它表示文档的叶子节点类别；x.mat.clabel是词名，也就是字典。字典中每个词语的编 等于它所在行的行 ；x.mat.hlabel描述每个类别的层次关系。

    预处理采用分词工具ICTCLAS[3]对文档进行分词，并去掉数字与标点符 。    

    本人欢迎各位业界同行使用本分类语料，并希望用如下方式加以引用：

    [1] 谭松波，王月粉. 中文文本分类语料库-TanCorpV1.0. 本页面 址.

    [2] Songbo Tan et al. A Novel Refinement Approach for Text Categorization. ACM CIKM 2005.

    本语料可以作为三个分类语料集使用：

    TanCorp-12：单层语料

    TanCorp-60：单层语料

    TanCorpHier：两层语料

    特别声明：本语料仅作学术研究之用，不可用于任何商业用途！

    若您有任何问题或建议，请直接跟我联系。

3 算法评测

为了验证语料的有效性，我们采用五种经典的文本分类算法进行评测，即中心法[1]、最近邻[4]、Winnow[5]、贝叶斯[6]与SVMTorch[7]。Winnow采用平衡Winnow；贝叶斯采用多项式模型；SVMTorch采用线性核函数。所有实验都采用三分交叉验证，即把数据集随机划分成三份，每次取其中两份进行训练，一份进行测试，然后把三次分类结果的平均结果作为最终结果。

    实验结果基本反映了我们的预期结果。在TanCorp-12上SVMTorch绝对是顶级表现者。在TanCorp-60上SVMTorch的性能比中心法要差一点，这主要是因为TanCorp-60样本分布的严重不均衡性。

表2: 五种分类算法在TanCorp上的最好微平均比较

表3: 五种分类算法在TanCorp上的最好宏平均比较

引用文献：

[1]  E. Han, Karypis. Centroid-Based Document Classification: Analysis & Experimental Resultsl. The Fourth European Conference on Principles and Practice of Knowledge Discovery in Databases, 2000

[2] E. Han. http://www.cs.umn.edu/?han/data/tmdata.tar.gz.

[3] Huaping Zhang. Chinese Lexical Analysis Using Hierarchical Hidden Markov Model. Second SIGHAN workshop affiliated with 41th ACL. Sapporo Japan, July, 2003, pp. 63-70   

[4] Y. Yang. An evaluation of statistical approaches to text categorization. Information Retrieval, 1999, 1(1): 76-88.

[5] P.P.T.M. van Mun. Text Classification in Information Retrieval using Winnow. http://citeseer.ist.psu.edu/cs.

[6] Andrew McCallum, Kamal Nigam. A Comparison of Event Models for Naive Bayes Text Classification. AAAI/ICML-98 Workshop on Learning for Text Categorization[C]. Menlo Park, CA: AAAI Press. 1998, 41-48.

[7] SVMTorch. http://www.idiap.ch/~bengio/projects/SVMTorch.html.

常见问题

1. 我从您的主页上下载了部分语料库，但是系统显示文件是access的快捷方式，文件很大，但是不知道如何打开，使用p>

答：不能使用access打开，可以使用UltraEdit打开。

2. 我下载了你主页上的中文语料，解压后在matlab中为什么不能Loadp>

答：”.mat”只是表示该文件存储的是词频矩阵，跟matlab没有关系。

3. 我打开您语料中的.mat文件时有错误，是怎么回事呢您能把它存成其他格式吗，比如.txt文件。

答：可能是因为你采用别的软件来打开它。目前已提供预处理后的txt文件下载。