Автоматическая классификация текстов на основе их структурных признаков. Какую информацию о тексте отражает структура?

Abstract

Эта работа представляет алгоритм для автоматической классификации текстовых документов в тематические области. Алгоритм воздействует только на текстовую структуру, игнорируя любую дополнительную информацию. Мы представляем оценку подхода, использующего SUSANNE корпус [1] письменного английского и LUCY корпус, основанный на текстах написанных взрослыми, детьми и подростками [1]. Мы показали, что, используя только небольшое количество особенностей возможно достигнуть хороших результатов классификации.

This paper presents an algorithm to automatically classify text documents into thematic fields. The algorithm operates only on text structure disregarding any content information. We present an evaluation of the approach using the SUSANNE corpus [1] of written English and LUCY, a corpus of adult, child and young adult writing [1]. We show that using only a small number of features it is possible to achieve good classification results.