inwind

網頁的自動分類，需要考慮的東西很多啊。

分類體系的選擇，利用DDC還是中圖？還是借鑒yahoo或者google的分類體系？分類層次有多深？

訓練文集的選取？哪里來呢，那么多打好標記，并且其分類要與我們的分類相同或者，相似吧

剛開始網頁的內容處理，表示，是否考慮超鏈接，是否考慮html，如何剔出亂其八糟的廣告？

網頁向量化，又有那么多種權值計算方法，經典的就五個了，還有改進的，估計也有那么五六個比較好的吧？

向量的降維，還好那位帥哥整理過5經典的算法，再加上后來北大那幫人做的實驗，經典的幾個里面的性能大多清楚了。可是，是不是還有改進的呢？特征提取算法和后面的分類算法組合后的性能參數呢？

ok，然后是分類算法，姑且考慮KNN，還要考慮KNN的參數，K=？，文檔之間的距離的計算，文檔-類得分的的加權？如何加權？——還有其他的算法呢？

分類完了，還有截取算法，某個文檔可以屬于哪些類？某個類可以包含哪些文檔？這個怎么確定？RCut，PCut還是SCut，還有其他的改進算法嗎？

最有，貪心算法在這里面能起作用嗎？即每一步，都利用別人的實驗，選擇最好的算法，可是綜合起來，就一定是全局最好的算法嗎？