今天刚改完成了软件工程的大作业展示,即:基于内容的文本分类系统,使用libsvm 进行分类。在百度谷歌了很久之后,发现很少有这样的源码可以下载,本人便想着写完之后上传上去。
首先介绍一下流程:
1.先使用中科院的分词器ICTLAS对训练集进行分词
2.将所有的词构建成一个字典,以label item的形式,后面svm要用到。如:1 中国
3.提取特征词,由于并不是每个词都是有用的,因此要提取出特征词,主要提取名词,动词,动名词,和用户自定义的词。由于采用了中科院的分词算法,分词结果有词性标注,一个正则表达式就可以提取出来。
4.计算文档的TF-IDF,这个很简单,我采用的是最简单的一种计算方法,有兴趣可以去计算难一点的。
5.将每个训练集的分词结果转换成libsvm 的语料格