Varying Naïve Bayes Models With Applications to Classification of Chinese Text Documents
时变朴素贝叶斯模型及其在中文文本分类中的应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究时变文本分类、核平滑与特征选择，未提供与所列计量经济学细分方向直接对应的研究对象或应用证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
时变朴素贝叶斯模型及其在中文文本分类中的应用
- 研究问题
- 当中文文本的分类关系随时间变化时，如何构造时变分类规则，并在估计模型参数的同时选择用于分类的文本特征？
- 方法与思路
- 作者扩展朴素贝叶斯模型，使分类规则随时间变化；利用核平滑方法估计模型参数，并提出 BIC 型准则用于特征选择。
- 材料陈述的贡献
- 摘要称论文建立渐近理论、开展数值研究，并以长春市市长公开电话生成的真实数据展示时变朴素贝叶斯模型的应用。
- 阅读关注点
- 核对条件独立假设、时间变化的建模方式、核平滑带宽及特征选择准则，并关注热线文本的标注与数值比较设计。
- 阅读边界
- 摘要未说明时变规则的具体形式、分类误差或比较方法；仅凭摘要不能判断相对已有方法的性能及跨场景适用性。
原文摘要
Document classification is an area of great importance for which many classification methods have been developed. However, most of these methods cannot generate time-dependent classification rules. Thus, they are not the best choices for problems with time-varying structures. To address this problem, we propose a varying naïve Bayes model, which is a natural extension of the naïve Bayes model that allows for time-dependent classification rule. The method of kernel smoothing is developed for parameter estimation and a BIC-type criterion is invented for feature selection. Asymptotic theory is developed and numerical studies are conducted. Finally, the proposed method is demonstrated on a real dataset, which was generated by the Mayor Public Hotline of Changchun, the capital city of Jilin Province in Northeast China.