三种用于垃圾网页检测的随机欠采样集成分类器

　　针对垃圾网页检测过程中轻微的不平衡分类问题，提出三种随机欠采样集成分类器算法，分别为一次不放回随机欠采样（ RUS-once）、多次不放回随机欠采样（RUS-multiple）和有放回随机欠采样（RUS-replacement）算法。首先使用其中一种随机欠采样技术将训练样本集转换成平衡样本集，然后对每个平衡样本集使用分类回归树（ CART）分类器算法进行分类，最后采用简单投票法构建集成分类器对测试样本进行分类。实验表明，三种随机欠采样集成分类器均取得了良好的分类效果，其中RUS-multiple和RUS-replacement比RUS-once的分类效果更好。与CART及其Bagging和Adaboost集成分类器相比，在WEBSPAM UK-2006数据集上，RUS-multiple和RUS-replacement方法的AUC指标值提高了10%左右，在WEBSPAM UK-2007数据集上，提高了25%左右；与其他最优研究结果相比，RUS-multiple和RUS-replacement方法在AUC指标上能达到最优分类结果。