| 主权项 |
1.一种文章分类方法,其包含下列步骤: (a)提供一待分类文章; (b)分析该待分类文章中之所有词性; (c)于该所有词性中选出复数个关键词组,并根据该 复数个关键词组间之相关性以建立一实体论架构; (d)计算出该实体论架构中各层间之概念输出値; (e)计算出该实体论架构中最顶层之关系输出値; (f)将该概念输出値及该关系输出値结合成一特征 値; (g)提供至少一训练资料,经由一训练方式以获得该 至少一训练资料中各分类层之键结値;以及 (h)输入该特征値,并利用该至少一训练资料中各分 类层之键结値作推论,藉以获得一输出向量组,该 输出向量组中之输出向量値最高者所对应之分类 层为该待分类文章之所属类别。2.如申请专利范 围第1项所述之文章分类方法,其中该步骤(a)中之 该待分类文章为可扩展标记语言格式。3.如申请 专利范围第1项所述之文章分类方法,其中该步骤(c )中之该复数个关键词组系指名词与动词。4.如申 请专利范围第1项所述之文章分类方法,其中该步 骤(c)中之相关性系指概念名称。5.如申请专利范 围第1项所述之文章分类方法,其中该步骤(c)中之 相关性系指属性。6.如申请专利范围第1项所述之 文章分类方法,其中该步骤(c)中之相关性系指运算 。7.如申请专利范围第1项所述之文章分类方法,其 中该步骤(g)中之该至少一训练资料系指各种不同 类别之文件。8.如申请专利范围第1项所述之文章 分类方法,其中该步骤(g)系藉由一模糊类神经网路 所完成。9.如申请专利范围第8项所述之文章分类 方法,其中该模糊类神经网路系指一模糊倒传递网 路。10.如申请专利范围第9项所述之文章分类方法 ,其中该步骤(g)中之该训练方式可区分为一第一阶 段及一第二阶段。11.如申请专利范围第10项所述 之文章分类方法,其中该第一阶段用以计算一网路 输出値。12.如申请专利范围第11项所述之文章分 类方法,其中该第二阶段则透过一错误更正法进行 该键结値修正,使该网路输出値能更趋于期望输出 。13.如申请专利范围第1项所述之文章分类方法, 其中该步骤(h)中系利用一模糊推论法以完成。14. 一种文章分类方法,其包含下列步骤: (a)于一待分类文章之所有词性中选出复数个关键 词组,并根据该复数个关键词组间之相关性以建立 一概念阶层; (b)藉由该概念阶层可定义出该待分类文章之特征 値; (c)定义至少一训练资料中各分类层之键结値;以及 (d)输入该特征値,并利用该至少一训练资料中各分 类层之键结値作推论,藉以获得一输出参数组,该 输出参数组中之输出参数极値所对应之分类层为 该待分类文章之所属类别。15.如申请专利范围第 14项所述之文章分类方法,其中该步骤(a)之前又包 含下列步骤: (a1)提供该待分类文章;以及 (a2)分析该待分类文章中之所有词性。16.如申请专 利范围第14项所述之文章分类方法,其中该步骤(a) 中之该待分类文章为可扩展标记语言格式。17.如 申请专利范围第14项所述之文章分类方法,其中该 步骤(a)中之该复数个关键词组系指名词与动词。 18.如申请专利范围第14项所述之文章分类方法,其 中该步骤(a)中之相关性系指概念名称。19.如申请 专利范围第14项所述之文章分类方法,其中该步骤( a)中之相关性系指属性。20.如申请专利范围第14项 所述之文章分类方法,其中该步骤(a)中之相关性系 指运算。21.如申请专利范围第14项所述之文章分 类方法,其中该步骤(a)中之该概念阶层系根据一实 体论架构所完成。22.如申请专利范围第14项所述 之文章分类方法,其中该步骤(b)之前又包含一步骤 (b1)计算该概念阶层中各层之相关参数。23.如申请 专利范围第22项所述之文章分类方法,其中该步骤( b1)系可藉由下列步骤来完成: (b11)计算出该概念阶层中各层间之概念输出値; (b12)计算出该概念阶层中最顶层之关系输出値;以 及 (b13)将该概念输出値及该关系输出値结合成该特 征値。24.如申请专利范围第22项所述之文章分类 方法,其中该步骤(b1)中之该相关参数系指该概念 输出値及该关系输出値。25.如申请专利范围第14 项所述之文章分类方法,其中该步骤(c)之前又包含 一步骤(c1)提供至少一训练资料,经由一运算式以 获得该至少一训练资料中各分类层之键结値。26. 如申请专利范围第14项所述之文章分类方法,其中 该步骤(c)中之该至少一训练资料系指各种不同类 别之文件。27.如申请专利范围第14项所述之文章 分类方法,其中该步骤(c)系藉由一模糊类神经网路 所完成。28.如申请专利范围第24项所述之文章分 类方法,其中该模糊类神经网路系指一模糊倒传递 网路。29.如申请专利范围第14项所述之文章分类 方法,其中该步骤(d)之前又包含步骤(d1)经由一训 练方式以获得具有较小改变量之键结値。30.如申 请专利范围第29项所述之文章分类方法,其中该步 骤(d1)中之该训练方式可区分为一第一阶段及一第 二阶段。31.如申请专利范围第30项所述之文章分 类方法,其中该第一阶段用以计算一网路输出値。 32.如申请专利范围第31项所述之文章分类方法,其 中该第二阶段则透过一错误更正法进行该键结値 修正,使该网路输出値能更趋于期望输出。33.如申 请专利范围第14项所述之文章分类方法,其中该步 骤(d)中系利用一模糊推论法以完成。34.如申请专 利范围第14项所述之文章分类方法,其中该步骤(d) 中之该输出参数组系指一输出向量组。35.如申请 专利范围第34项所述之文章分类方法,其中该步骤( d)中之该输出参数及値指一输出向量値最高者。 图式简单说明: 第一图:习用之分类架构树状图。 第二图:基于实体论架构之文件分类法系统架构图 。 第三图:本案较佳实施例中所预先架构之特定领域 之知识地图。 第四图(a)~(g):本案较佳实施例中所建构出之新闻 领域之知识地图。 第五图:本案较佳实施例之文件分类架构示意图。 第六图:表示不同斜率a之S型(sigmoid)函数示意图。 第七图:渐进式的特征选取图。 第八图:第一种方法的精确度数据图。 第九图:第一种方法在倒传递类神经网路的(Error Energy)。 第十图:第二种方法的精确度数据图。 第十一图:第二种方法在倒传递类神经网路的(Error Energy)。 |
