Abstract

Günümüzde metin sınıflandırma çalışmalarında elde edilen başarılar, araştırmacıların belirli bir alana yönelik metin dokümanlarının sınıflandırılması konusundaki motivasyonlarını da arttırmaktadır. Tıbbi dokümanların sınıflandırılması problemi bu kapsamdaki araştırma çalışmalarına örnek olarak verilebilir. Tıbbi metin dokümanları denince akla literatürde yaygın olarak kullanılan, tıbbi dergilere ait, çok sınıflı ve çok etiketli dokümanları içeren bibliyografik bir veri tabanı olan MEDLINE gelmektedir. Bu çalışmada oldukça dengesiz bir yapıya sahip olan MEDLINE veri tabanında yer alan en fazla dokümana sahip ilk 10 sınıf derlenerek oluşturulan veri kümesi kullanılmıştır. Literatürde Türkçe dokümanların sınıflandırılmasına yönelik çalışmaların az olması sebebiyle; deneyler bu veri kümesine ait hem İngilizce hem de Türkçe dokümanlar ile gerçekleştirilmiştir. Öğrenme algoritması olarak SVM ve KNN olmak üzere 2 farklı sınıflandırıcının kullanıldığı deneylerde, ağırlıklandırma aşamasında ise 7 farklı terim ağırlıklandırma şeması kullanılmış ve sınıflandırma başarımları hem düşük hem de yüksek boyutlarda kıyaslanmıştır. TF-IDF, TF-PB, TF-RF, TF-RR, TF-IGM, TF-IDF-ICF ve TF-IDF-ICSDF terim ağırlıklandırma yöntemleri ile elde edilen sonuçlar, TF-IGM terim ağırlıklandırma yönteminin genel olarak diğerlerine nazaran daha iyi performans sergilediğini göstermektedir. İki-sınıflı sınıflandırmaya uygun olarak ağırlıklandırma yapan TF-PB ve TF-RF gibi yöntemlerin sınıflandırma başarımları ise çok-sınıflı sınıflandırmaya uygun olarak ağırlıklandırma yapan IDF tabanlı yöntemlerin oldukça gerisinde kalmıştır.

References

[1] A. K. Uysal and S. Gunal, "The impact of preprocessing on text classification," Information Processing & Management, vol. 50, no. 1, pp. 104-112, 2014.
[2] G. Feng, J. Guo, B.-Y. Jing, and T. Sun, "Feature subset selection using naive Bayes for text classification," Pattern Recognition Letters, vol. 65, pp. 109-115, 2015.
[3] D. Agnihotri, K. Verma, and P. Tripathi, "Variable Global Feature Selection Scheme for automatic classification of text documents," Expert Systems with Applications, vol. 81, pp. 268-281, 2017.
[4] H. Ogura, H. Amano, and M. Kondo, "Feature selection with a measure of deviations from Poisson in text categorization," Expert Systems with Applications, vol. 36, no. 3, pp. 6826-6832, 2009.
[5] J. Yang, Z. Qu, and Z. Liu, "Improved Feature-Selection Method Considering the Imbalance Problem in Text Categorization," The Scientific World Journal, vol. 2014, p. 17, 2014, Art. no. 625342.
[6] F. Sebastiani, "Machine learning in automated text categorization," ACM computing surveys (CSUR), vol. 34, no. 1, pp. 1-47, 2002.
[7] K. Sparck Jones, "A Statistical Interpretation of Term Specificity and Its Application in Retrieval," Journal of Documentation, vol. 28, no. 1, pp. 11-21, 2004.
[8] F. Debole and F. Sebastiani, "Supervised term weighting for automated text categorization," in Text mining and its applications: Springer, 2004, pp. 81-97.
[9] S. Yue-Heng, H. Pi-Lian, and C. Zhi-Gang, "An improved term weighting scheme for vector space model," in Proceedings of 2004 International Conference on Machine Learning and Cybernetics (IEEE Cat. No.04EX826), 2004, vol. 3, pp. 1692-1695 vol.3.
[10] M. Lan, C. L. Tan, J. Su, and Y. Lu, "Supervised and traditional term weighting methods for automatic text categorization," IEEE transactions on pattern analysis and machine intelligence, vol. 31, no. 4, pp. 721-735, 2009.
[11] Y. Liu, H. T. Loh, and A. Sun, "Imbalanced text classification: A term weighting approach," Expert Systems with Applications, vol. 36, no. 1, pp. 690-701, 2009.
[12] H. Altınçay and Z. Erenel, "Analytical evaluation of term weighting schemes for text categorization," Pattern Recognition Letters, vol. 31, no. 11, pp. 1310-1323, 2010.
[13] M. Emmanuel, S. M. Khatri, and D. R. R. Babu, "A Novel Scheme for Term Weighting in Text Categorization: Positive Impact Factor," presented at the 2013 IEEE International Conference on Systems, Man, and Cybernetics, 2013.
[14] Y. Ko, "A new term-weighting scheme for text classification using the odds of positive and negative class probabilities," Journal of the Association for Information Science and Technology, vol. 66, no. 12, pp. 2553-2565, 2015.
[15] T. Sabbah et al., "Modified frequency-based term weighting schemes for text classification," Applied Soft Computing, vol. 58, pp. 193-206, 2017.
[16] Q. Luo, E. Chen, and H. Xiong, "A semantic term weighting scheme for text categorization," Expert Systems with Applications, vol. 38, no. 10, pp. 12708-12716, 2011.
[17] Z.-H. Deng, K.-H. Luo, and H.-L. Yu, "A study of supervised term weighting scheme for sentiment analysis," Expert Systems with Applications, vol. 41, no. 7, pp. 3506-3513, 2014.
[18] F. Ren and M. G. Sohrab, "Class-indexing-based term weighting for automatic text classification," Information Sciences, vol. 236, pp. 109-125, 2013.
[19] K. Chen, Z. Zhang, J. Long, and H. Zhang, "Turning from TF-IDF to TF-IGM for term weighting in text classification," Expert Systems with Applications, vol. 66, pp. 245-260, 2016.
[20] C.-C. Chang and C.-J. Lin, "LIBSVM: a library for support vector machines," ACM transactions on intelligent systems and technology (TIST), vol. 2, no. 3, p. 27, 2011.
[21] V. Prasath, H. A. A. Alfeilat, O. Lasassmeh, and A. Hassanat, "Distance and Similarity Measures Effect on the Performance of K-Nearest Neighbor Classifier-A Review," arXiv preprint arXiv:1708.04321, 2017.
[22] B. Parlak, "Classification of Medical Documents According to Diseases," Master's Thesis, Computer Engineering, Anadolu University Graduate School of Sciences, 2016.
[23] A. K. Uysal and S. Gunal, "A novel probabilistic feature selection method for text classification," Knowledge-Based Systems, vol. 36, pp. 226-235, 2012.