文本分类
分类过程
把所有文本分为训练样本和测试样本
训练样本:
- 样本分词: 把样本用分词工具全部进行分词
- 去停用词: 去掉一些无用的词语,如那、这些、明天等等
- 提取初步特征
- 计算特征互信息
- 按照互信息的大小排序,获得本次实验特征值
- 训练分类器(SVM)
测试样本
- 测试集分词处理
- 去停用词
- 计算样本的特征向量
这里不再按照分类进行介绍,直接按照训练样本的所需步骤逐个详细介绍,然后介绍如何做测试,然后谈一谈可以改进的地方。
样本分词
样本分词有很多工具,有中科院的”ICTCLAS”、python中的jieba、东北大学的NiuParse,等等。这里不再赘述,直接使用分词工具就可以了。
去停用词
去停用词有几种常见的方法,一是直接逐个暴力遍历,一个是布隆过滤器
暴力遍历
这里不再赘述,分词后,对于每个训练样本文件遍历每个词,然后匹对停用词表,如果不在停用词表中就保存。否则删除
布隆过滤器
布隆过滤器的详细基本讲解在http://blog.csdn.net/jiaomeng/article/details/1495500 。可以详细的阅读。
在