文本分类步骤

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