स्वचालित दस्तावेज़ वर्गीकरण एक आवश्यक टेक्स्ट माइनिंग सेवा है क्योंकि ऑनलाइन फ़ाइलों की जबरदस्त संख्या के अस्तित्व के कारण, उन्हें क्लास में स्वचालित रूप से व्यवस्थित करने में सक्षम होना अंतहीन अभी तक महत्वपूर्ण है ताकि दस्तावेज़ पुनर्प्राप्ति और क्रमिक विश्लेषण का समर्थन किया जा सके।
दस्तावेज़ वर्गीकरण का उपयोग स्वचालित विषय टैगिंग (यानी, दस्तावेज़ों को लेबल असाइन करना), विषय निर्देशिका निर्माण, और दस्तावेज़ लेखन शैली की पहचान और दस्तावेज़ों के एक सेट से संबंधित हाइपरलिंक्स के लक्ष्यों को परिभाषित करने में किया गया है।
एक सामान्य प्रक्रिया इस प्रकार है - पहले, पूर्व-वर्गीकृत फ़ाइलों का एक समूह प्रशिक्षण सेट के रूप में लिया जाता है। प्रशिक्षण सेट का विश्लेषण एक वर्गीकरण योजना विकसित करने के लिए किया जाता है। ऐसी वर्गीकरण योजना को परीक्षण चरण के साथ परिष्कृत करने की आवश्यकता होती है। इस तरह प्राप्त वर्गीकरण योजना का उपयोग कई ऑनलाइन फ़ाइलों के वर्गीकरण के लिए किया जा सकता है।
यह चरण संबंधपरक रिकॉर्ड के वर्गीकरण के समान होता है। संबंधपरक डेटा अच्छी तरह से संरचित होते हैं जैसे प्रत्येक टुपल विशेषता-मूल्य जोड़े के एक समूह द्वारा वर्णित होता है।
उदाहरण के लिए, टुपल {सनी, गर्म, शुष्क, हवादार नहीं, टेनिस खेलें} में, मूल्य "सनी" विशेषता मौसम दृष्टिकोण के बराबर है, "गर्म" विशेषता तापमान के बराबर है, आदि।
वर्गीकरण विश्लेषण यह निर्धारित करता है कि विशेषता-मूल्य जोड़े के किस समूह में यह तय करने में उच्चतम भेदभाव शक्ति है कि कोई व्यक्ति टेनिस खेलने जा रहा है या नहीं। दूसरे शब्दों में, दस्तावेज़ डेटाबेस विशेषता-मूल्य जोड़े के अनुसार संरचित नहीं हैं।
यह एक दस्तावेज़ से जुड़े कीवर्ड का एक सेट है जो विशेषताओं या आयामों के एक निश्चित सेट में व्यवस्थित नहीं है। यदि हम दस्तावेज़ में प्रत्येक विशिष्ट कीवर्ड, टर्म, या सुविधा को एक आयाम के रूप में देखते हैं, तो दस्तावेज़ों के एक सेट में हजारों आयाम हो सकते हैं। इस प्रकार, आमतौर पर उपयोग किए जाने वाले संबंधपरक डेटा-उन्मुख वर्गीकरण विधियां, जिनमें निर्णय वृक्ष विश्लेषण शामिल है, दस्तावेज़ डेटाबेस के वर्गीकरण के लिए कुशल नहीं हो सकते हैं।
वेक्टर-स्पेस मॉडल के अनुसार, दो फ़ाइलें समान हैं यदि वे समान फ़ाइल वेक्टर साझा करते हैं। यह मॉडल k-निकटतम-पड़ोसी वर्गीकरणकर्ता के निर्माण को प्रेरित करता है, इस अंतर्ज्ञान के आधार पर कि समान दस्तावेज़ों को समान क्लास लेबल असाइन किए जाने की उम्मीद है।
यह केवल सभी प्रशिक्षण दस्तावेज़ों को अनुक्रमित कर सकता है, प्रत्येक अपने संबंधित क्लास लेबल से जुड़ा हुआ है। जब एक टेस्ट दस्तावेज़ प्रस्तुत किया जाता है, तो हम इसे IR सिस्टम के लिए एक क्वेरी के रूप में मान सकते हैं और प्रशिक्षण सेट से k दस्तावेज़ पुनर्प्राप्त कर सकते हैं जो क्वेरी के समान हैं, जहां k एक समायोज्य स्थिरांक है।
टेस्ट फ़ाइलों का क्लास लेबल इसके k निकटतम पड़ोसियों के क्लास लेबल वितरण के आधार पर तय किया जा सकता है। ऐसा क्लास लेबल वितरण परिष्कृत भी किया जा सकता है, जैसे भारित गणना के आधार पर कच्ची गणना के बजाय, या सत्यापन के लिए लेबल किए गए दस्तावेज़ों के एक हिस्से को अलग करके।
