文書分類

文書分類（ぶんしょぶんるい、英: Document classification/categorization）は、情報科学における問題である。電子文書をその内容に基づいて、1つ以上に分類する。文書分類には、外部から（例えば人間が）正しい分類に関する情報を与える教師あり文書分類と、外部の情報を参照せずに分類する教師なし文書分類がある。

技法

文書分類に使われる技法としては、以下のものがある。

• 単純ベイズ分類器
• tf-idf
• 潜在意味解析
• サポートベクターマシン
• ニューラルネットワーク
• k近傍法
• 決定木（例えばID3）
• コンセプトマイニング

他にも、自然言語処理に基づく手法がある。

応用

電子メールのスパムを分離するスパムフィルタに応用されている

参考文献

• Fabrizio Sebastiani. Machine learning in automated text categorization. ACM Computing Surveys, 34(1):1–47, 2002
• Introduction to document classification
• Bibliography on Automated Text Categorization
• Bibliography on Query Classification
• TechTC - Technion Repository of Text Categorization Datasets
• David D. Lewis's Datasets

関連項目

• 分類
• 機械学習 - 教師あり学習、教師なし学習
• 文書検索
• 情報検索
• テキストマイニング