Mahout中的朴素贝叶斯分类器对网站进行分类的适用性

Question

我目前正在从事一个需要对网站进行数据库分类的项目（例如cnn.com =新闻）。 我们只需要广泛的分类-我们不需要将每个URL单独分类。 我们正在与此类数据库的通常供应商进行交谈，但是我们索回的大多数报价都非常昂贵，而且常常会提出令人讨厌的要求，例如必须使用其SDK来查询数据库。

同时，我也一直在探索自己建立这样一个数据库的可能性。 我意识到这不是5分钟的工作，因此我正在做大量研究。

通过阅读有关该主题的各种论文，似乎朴素贝叶斯分类器通常是执行此操作的标准方法。 但是，许多论文建议进行增强以提高其在Web分类中的准确性-通常是通过使用其他上下文信息，例如超链接，标头标签，多词短语，URL，词频等。

我已经针对20个新闻组测试数据集对Mahout的Naive Bayes分类器进行了实验，我可以看到它对网站分类的适用性，但是我担心它在用例中的准确性。

有人知道在Mahout中扩展Bayes分类器以考虑其他属性的可行性吗？ 任何关于从哪里开始的指针将不胜感激。

另外，如果我完全把错误的树种成树，请告诉我！

Answer 1

您可以根据需要随意控制输入。 最后，输入只是一个特征向量。 特征向量的特征可以是单词，也可以是双字母组-但也可以是您想要的任何特征。 因此，是的，您可以根据需要修改输入来注入新功能。

如何最好地编织这些功能完全是另一主题-没有一种将它们转换为数字的最佳方法。 Mahout in Action涵盖了相当不错的FWIW。