文本分类步骤

最新推荐文章于 2022-10-19 00:18:03 发布

forever1220

最新推荐文章于 2022-10-19 00:18:03 发布

阅读量1.4k

点赞数

CC 4.0 BY-SA版权

分类专栏：文本分类文章标签：文本分类

本文链接：https://blog.youkuaiyun.com/forever1220/article/details/84620310

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

最低0.47元/天解锁文章

新学期VIP享超值加赠