Il problema della Text Categorization

Dato un insieme (dominio) di documenti $D = \left\{d_{1}, \cdots, d_{\vert D\vert}\right\}$ e essendo $C$ un insieme di categorie tale che $C = \left\{c_{1}, \cdots, c_{\vert C\vert} \right\}$, la Text Categorization ha il compito di assegnare un valore booleano ad ogni coppia $\langle d_j, c_j \rangle$ tale che:

$$\left \{ \begin{array}{l} \langle d_j, c_j \rangle = True \... ...ad $ se d non è classificato sotto c$ \end{array} \right.$$ (3.11)

Lo scopo della Categorizzazione Testi è pertanto quello di approssimare la funzione:

$$\bar{\phi}: D \times C \longrightarrow \{T, F\}$$ (3.12)

che classifica correttamente i documenti in una o più categorie, con una funzione:

$$\phi: D \times C \longrightarrow \{T, F\}$$

(chiamata classificatore o modello) la quale deve coincidere il più possibile con $\bar{\phi}$.

Vengono fatte le seguenti assunzioni:

• nessuna conoscenza delle categorie $C$ del dominio (come il loro significato o contenuto), eccetto che il loro nome, è fornita al classificatore

• nessuna informazione esogena dei documenti $D$ da classificare viene data, il classificatore deve basarsi solo sulla conoscenza endogena che riesce a farsi dal contenuto dei documenti stessi

Nella Categorizzazione Testi in letteratura (cfr. [39]) si è soliti distinguere diverse caratteristiche di un classificatore. In seguito vengono elencate le più rilevanti per quel che concerne il classificatore di SpamGAME.