基于KNN算法的文本分类研究

KNN文本算法分类可参考的文章：http://wenku.baidu.com/link?url=wZcB1WL033wflK1SzAohKwBRYzh8w-InZJSSrpBXZI4a4BZouKfo0K8y17Ehiv9g4M6s2AfBuwQiDOG1z9MDEf72jNS1koKHlTYFIb6aYDq（百度文库：基于KNN算法的文本分类研究）

利于KNN算进行文本分类的基本步骤：

1、需要将文本表示为特征向量（文本特征，权重）；

2、在计算特征权重时需要考虑以下几方面的内容：

1）特征在文本中出现的词频；

2）若特征仅在有限文本或唯一文本中出现，则特征对文本的标识作用较大，权重也应该较大；

3）若特征仅在特定的文本分类中出现，则特征对特定分类标识作用较大，权重也应该较大；

4）权重的表示方法：参照上述论文；（个人觉得有问题：特征仅仅在某一篇文章中出现是可能的，但在各类中均匀分布，以及仅仅在某一类中出现，且在该类中均匀分布比较少见）

5）根据文章长短（特征数量），取相应数量的特征作为文章的特征向量（主要目的减少计算）；

6）采用夹角余弦的方法计算待分类文章和样本的相似度量，及按照样本空间中相应文章的特征来计算待分类文章（带分类中有特征则取相应的权重计算，否则为0）（具体算法参见论文）

7）根据相似度的排名，取K篇样本，再分类计算每一类类别的权重，最终确定带分类文章的类别