NLP--THUCTC: 一个高效的中文文本分类工具包

项目介绍

THUCTC(THU Chinese Text
Classification)是由清华大学自然语言处理实验室推出的中文文本分类工具包，能够自动高效地实现用户自定义的文本分类语料的训练、评测、分类功能。文本分类通常包括特征选取、特征降维、分类模型学习三个步骤。如何选取合适的文本特征并进行降维，是中文文本分类的挑战性问题。我组根据多年在中文文本分类的研究经验，在THUCTC中选取二字串bigram作为特征单元，特征降维方法为Chi-square，权重计算方法为tfidf，分类模型使用的是LibSVM或LibLinear。THUCTC对于开放领域的长文本具有良好的普适性，不依赖于任何中文分词工具的性能，具有准确率高、测试速度快的优点。

作者

Maosong Sun（孙茂松，导师），Jingyang Li（李景阳，博士生），Zhipeng Guo（郭志芃，本科生），Yu Zhao（赵宇，博士生），Yabin Zheng（郑亚斌，博士生），Xiance Si（司宪策，博士生），Zhiyuan Liu（刘知远，助理教授）.

项目地址

http://thuctc.thunlp.org/