Some Issues in Automatic Genre Classification of Web Pages
Marina Santini · 2006
In this paper, two experiments in automatic genre classification of web pages are presented. These two experiments are designed to highlight three important issues related to genre classification: corpus composition and genre palettes, feature representativeness, and exportability of classification models. Results show the influence of corpus composition and genre palette on classification rates. They also show how well and to what extent feature sets represent genres in a palette, and give an idea of the limitations of the classification models when exported and used for predictive tasks. Résumé Dans cet article nous présentons deux expériences d'apprentissage pour le classement automatique des pages web en fonction de différents genres textuels. Ces deux expériences ont été conçues pour mettre en lumière trois aspects importants qui peuvent influer sur le résultat du classement: la composition du corpus et les genres utilisés, la représentativité des traits linguistiques et non-linguistiques utilisés dans les modèles et, enfin, l'exportation des modèles de classement. La première expérience montre que les résultats sont clairement influencés par la composition du corpus et par les genres utilisés. La seconde expérience montre les limites de la représentativité des traits et donne aussi une idées des limites des modèles de classement quand on les exporte sur un autre corpus pour des fonctions prédictives.