[发明专利]一种基于文本模型的过采样算法

权利要求书

1.一种基于文本模型的过采样算法，包括如下步骤：

第一，在文本模型中选取每个少数类样本S，分别对集合Cand(S)和Noise(S)初始化；

第二，计算S与文本模型中所有样本的欧几里得距离，并选出其中距离最近的k个样本(k通常取5)，存入集合A(S)；

计算S与所有其他少数类样本的欧几里得距离，并选出其中距离最近的k个样本，存入集合B(S)；

第三，计算集合A(S)中少数类样本所占的比例R，

其中|A(S)∩B(S)|表示A(S)和B(S)的交集的样本数，|A(S)|表示A(S)的样本数；

第四，根据步骤三中R的值更新集合Cand(S)和Noise(S)；

第五，对步骤四中获得集合Cand(S)判断是否为空，如果集合Cand(S)不为空，则进行随机线性插值，即从Cand中(S)随机选出m个样本，分别与样本S进行随机线性插值，m的取值应参照样本集合不平衡比率；

第六，对步骤四获得集合Noise(S)判断是否为空，集合Noise(S)不为空，则从样本集合中删除Noise(S)集合中包含的样本；

第七，判断文本模型中是否存在少数类样本S；如果步骤七中存在少数类样本S，则返回步骤一循环计算；否则算法结束。

2.根据权利要求1所述基于文本模型的过采样算法，其特征在于，所述步骤四中R＝0,令Cand(S)＝null，Noise(S)＝S。

3.根据权利要求1所述基于文本模型的过采样算法，其特征在于，所述步骤四中0<R≤0.2令Cand(S)＝null，Noise(S)＝null。

4.根据权利要求1所述基于文本模型的过采样算法，其特征在于，所述步骤四中0.2<R<0.8令Cand(S)＝A(S)∩B(S)，对于A(S)中的每一个多数类样本S_多，随机选择一个样本S_少，S_少∈B(S)且计算S和S_少的欧几里得距离，|SS_少|，计算S_多和S_少的欧几里得距离，|S_多S_少|，若|S_多S_少|<|SS_少|,则将S_多加入到Noise(S)。

5.根据权利要求1所述基于文本模型的过采样算法，其特征在于，所述步骤四中0.8≤R≤1令Cand(S)＝A(S)∩B(S)，Noise(S)＝A(S)-A(S)∩B(S) 。