文本分类步骤

本文详细介绍了文本分类的步骤,包括样本选择、分词、停用词处理、特征向量构建、布隆过滤器应用及SVM训练。通过ICTCLAS进行分词,使用布隆过滤器降低运算量,选取互信息最高的5000个词作为特征,最后用libsvm训练模型,测试准确率为69.79%。未来计划改进包括降维方法、处理特征向量为0的情况以及探索其他权重计算和训练方法。
From:http://palydawn.blog.163.com/blog/static/18296905620124171155256/

Keywords: 文本分类 分词 停用词 文本特征 特征向量 布隆过滤器 ICTCLAS

1. 序言

最近一直在做文本分类的实验,查阅了很多文章和资料后,大概清楚了文本分类的整体流程。根据查阅到的资料,编写了一个简单的文本分类程序,对这些工作,在这篇文章中做个总结。

2. 文本分类过程

2.1 实验样本选择

训练样本和测试样本使用的是"tc-corpus-answer.rar"中的txt文件,很早之前下载的,忘了具体是什么了,好像是人民日报的语料库,在里面挑选了4种类型(C7-History, C19-Computer, C32-Agriculture, C39-Sports)的文档用来做训练和测试。


表1 测试样本和训练样本数

2.2 文本分类流程图

图1左边部分是对训练样本的处理过程。

图1右边部分是对测试样本的处理过程。


图1 文本分类过程

2.3 训练样本处理

2.3.1 训练样本分词
分词的目的是将文档分割成一个个的单词。实验中用的分词器是中科院的"ICTCLAS",号称是最好的汉语分词器,分词率9x.xx%(具体多少忘了,反正标的很高),测试了一下,效果不是他说的那么好(9x.xx%肯定是达不到的),不过网上貌似也没找到其他的分词器可以用了(可能有我不知道吧,懒得查了,就用这个)。"ICTCLAS"的分词效果虽然不如宣传的那样好,但是做实验用足够了。郁闷的是从官网上下下来的最新的"ICTCLAS50_Windows_32_C.rar"中包含的API文档和头文件"ICTCLAS50.h"中的接口不一样,很明显文档时很久以前的,把更新了的程序和古老的文档一起打包发布,不知道是什么原因。在官方网站上看到,"ICTCLAS"号称是开源的,下下来之后才发现,只有一个头文件,提供了几个简单的接口,用起来很不方便、不灵活。

2.3.2 去"停
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值