臺灣博碩士論文加值系統

　　在資訊爆炸的現在，人類所需要處理的資訊已經遠超越我們可以負荷的程度。因此對於許多工作的自動化需求也越加重要，
尤其是在包含大量資訊的文件當中更是如此。而隨著XML(eXtensible Markup Language)的問世，這套共通的標準與其使用上的便利性，使得其文件數量呈現驚人的快速成長。因此結合上述這兩項觀點，本研究將嘗試提出一套有別於以關鍵字為基礎(keyword-based)的文件分類方法，試圖以內容為基礎(content-based)來架構出一套自動化XML文件的分類方法，並針對大量的未知XML文件作分類。本研究方法首先將在事前對用來訓練之XML文件作處理，找出代表該分類的特徵項集合，並試圖加入各種領域所獨有的知識字彙，以此來作分類的動作。如此以XML特殊的架構來找出適合它的分類方法，再結合各領域獨有知識，發展成一套擁有足夠正確率的分類程序。而經過實例驗證之後，將本研究方法與改良後之VSM分類方法作比較，結果發現，本研究方法較VSM分類方法，在針對XML文件的分類上，具有較高的分類正確率。

摘 要…………………………………………………………………………….............i
誌 謝………………………………………………………………………….............ii
目 錄…………………………………………………………………………............iii
圖 目 錄…………………………………………………………………….............v
表 目 錄……………………………………………………………………............vi
第一章 緒論…………………………………………………………………...........1
第一節 研究動機…………………………………………………………........1
第二節 研究目的…………………………………………………………........2
第三節 研究範圍及限制………………………………………………….....2
第四節 研究方法與架構………………………………………………….....3
第五節 研究大綱…………………………………………………………........5
第二章 文獻探討…………………………………………………………….........6
第一節 文件分類方法………………………………………………….......6
2.1.1 機率模式………………………………………………………....7
2.1.2 向量模式………………………………………………………....8
2.1.3 漢米爾(Hamill)方法………………………….....8
2.1.4 倒傳遞類神經網路……………………………….....9
第二節 以內容為基礎的文件分類方法.……….......11
第三節 網頁文件分類與延伸標記語言(XML)….....14
2.3.1網頁文件分類……………………….……………......15
2.3.2延伸標記語言……….……………………………......15
第四節 小結……………………………………………………………..........17
第三章 以內容為基礎之XML文件分類方法………………....18
第一節 訓練文件產生特徵項目陣列………………………....18
3.1.1 XML文件基本內容…………………………………....20
3.1.2斷字處理..…………………………………………………....22
3.1.3一般特徵項目陣列..……………………………....24
3.1.4階級特徵項目陣列..……………………………....26
第二節 由知識來源取得知識特徵項目陣列..…....28
3.2.1知識來源………………………………………….…………....28
3.2.2書籍與文件之metadata………..…………....29
3.2.3知識特徵項目陣列…………………………………....31
第三節 分類得分計算…………………………………………………......32
3.3.1比較一般、階層與知識特徵項目陣列…32
3.3.2總分計算與分類………………...………………....33
第四節 小結……………………………………………………………..........34
第四章 實例驗證…………………………………………………………….......35
第一節 XML文件蒐集………………………………………………….......35
第二節 XML文件處理………………………………………………….......36
第三節 由訓練文件及metadata產生特徵陣列………….38
第四節 改良後的VSM方法…………………………………………......42
第五節 測試結果………………………………………………………........44
第六節 小結……………………………………………………………..........48
第五章 結論與建議…………………………………………………………......49
第一節 研究結論………………….…………………………………….......49
第二節 建議與後續研究方向…….……………………………………..51
參考文獻……………………………………………………………………............52
中文部分…………………………………………………………………...........52
英文部分…………………………………………………………………...........52
附錄A 本研究原始收集之XML文件來源………………………….56
附錄B 各分類項目metadata之來源………………………………….57
附錄C 多重分類功能……………………………………………………….....58

中文部分
葉怡成，"類神經網路模式應用與實作"，儒林圖書有限公司，民國90年七版

英文部分
Aiello, M., C. Monz, L. Todoran. 2002. Document understanding for a broad class of documents. International Journal on Document Analysis and Recognition 5(1) 1-16.

Allan, J.(editor), B. Croft(editor). 2003. Challenges in Information Retrieval and Language Modeling. ACM SIGIR Forum 37(1)

Belkin, N. J., W. B. Croft. 1992. Information Filtering and Information Retrieval: Two Sides of the Same Coin?. Communications of ACM 35(12) 29-38.

Bertino, E., G. Guerrini, M. Mesiti. 2002 Matching an XML Document against a Set of DTDs. Proceeding of the Thirteenth International Symposium on Methodologies for Intelligent Systems pp.412-422.

Bertino, E., G. Guerrini, M. Mesiti. 2003. A Matching Algorithm for Measuring the Structural Similarity between an XML Document and a DTD and its Applications. Information Systems 29(1) 23-46.

Borko, H., M. Bernick. 1963. Automatic Document Classification. Journal of the ACM 10(1) 151-162.
Chen, Y. S., T. H. Chu, 1995. A Neural Network Classification Tree. IEEE International Conference on Neural Networks pp.409-413.

Chisholm, E., T. G. Kolda, 1998. New term weighting formulas for the vector space method in information retrieval. Report ORNL/TM-13756, Computer Science and Mathematics Division, Oak Ridge National Laboratory.

Heaps, H.S. 1973. A Theory of Relevance for Automatic Document Classification. Information and Control 22(3) 268-278.

Jacobes, P. S. 1993. Using Statistical Mehods to Improve Knowledge-based News Categorization. IEEE expert 8(2) 13-23.

Jain, A. K., M. N. Murty, P. J. Flynn. 1999. Data Clustering: A Review. ACM Computing Surveys 31(3) 264-323.

Jenkins, C., D. Inman. Adaptive Automatic Classification on the Web. 2000. 11th International Workshop on Database and Expert Systems Application pp.504-511.

Lee, J. Y., J. S. Park, H. Byun, J. Moon, S. W. Lee. 2002. Automatic Generation of Structured Hyperdocuments From Document Images. Pattern Recognition 35(2) 485-503.

Lewis, D. D., R. E. Schapire, J. P. Callan, R. Papka. 1996. Training Algorithms for Linear Text Classifiers. Proceedings of the 19th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval pp.298-306.
Mostafa, J., W. Lam. 2000. Automatic Classification Using Supervised Learning in A Medical Document Filtering Application. Information Processing & Management 36(3) 415-444.

NietoSanchez, S., E. Triantaphyllou, D. Kraft. 2002. A Feature Mining Based Approach for the Classification of Text Documents into Disjoint Classes. Information Processing and Management 38(4) 583-604.

Oracle TextServer3 Administrator's Guide, URL:http://otn.oracle.co.kr/docs/oracle78/txtsvr30/tsad/ch15.htm

Richard F. E. S. 1991. Distributed representations in a text based information retrieval system: a new way of using the vector space model. Proceedings of the 14th annual international ACM SIGIR conference on Research and development in information retrieval pp.123-132.

Ruge, G. 1997. Automatic Detection of Thesaurus Relations for Information Retrieval Applications. Foundations of Computer Science: Potential - Theory - Cognition pp.499-506.
Salton, G., A. Wong, C. S. Yang. 1975. A Vector Space Model for Automatic Indexing. Communications of the ACM 18(11) 613-620.

Salton, G., C. Buckley. 1991. Automatic Text Structuring and Retrieval-experiments in Automatic Encyclopedia Searching. Proceedings of the Fourteenth International ACM SIGIR Conference on Research and Development in Information Retrieval pp.21-30.


Tai, S. M., C. Z. Yang, I. X. Chen. 2002a. Improved Automatic Web-Page Classification by Neighbor Text Percolation. Proceedings of the 8th International Conference on Information Management pp.289-296.

Tai, X., M. Sasaki, Y. Tanaka, K. Kita. 2000. Improvement of vector space information retrieval model based on supervised learning. Proceedings of the fifth international workshop on on Information retrieval with Asian languages pp.69-74.

Tai, X., F. Ren, K. Kita. 2002b. An information retrieval model based on vector space method by supervised learning. Information Processing and Management 38(6) 749-764.

W3C. Extensible Markup Language, URL:http://www.w3.org/TR/REC-xml.

Yahoo!, URL:http://www.yahoo.com

Yi, J., N. Sundaresan. 2000. A Classifier for Semi-structured Documents. Proceedings of the 6th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining pp.340-344.

Zhu, L., A. Rao, A. Zhang. 2002. Advanced Feature Extraction for Keyblock-based Image Retrieval. Information Systems 27(8) 537-557.

Zisman, A. 2000. An Overview of XML. Computing & Control Engineering Journal 11(4) 165-167.