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