[发明专利]基于类感知特征选择框架的文本分类方法和系统

权利要求书

1.一种基于类感知特征选择框架的文本分类方法，其特征在于，包括以下步骤：

对多个类别簇进行预处理，得到特征词集合；所述类别簇包含多个同类别的词语，所述多个类别簇用于组成训练集，所述训练集用于对分类器进行训练；

分别计算特征词集合中的各特征词与各类别簇之间的类相关度分值和类区分度分值；

分别将特征词集合中的各特征词分配给具有相应最高类相关度分值的类别簇；

根据各类别簇与分配到的特征词之间的类区分度分值，分别对各类别簇内的词语进行重新排序；

从经过重新排序的各类别簇中分别选取特征子集；选取到的全部所述特征子集用于组成总特征集合；

根据各特征子集与各自相应的特征词之间的类相关度分值，对所述总特征集合内的各特征子集进行重新排序，从而得到最终特征集合；

将所述最终特征集合中的元素作为基底，对待分类文本进行向量表示；

将向量表示后的待分类文本输入到分类器中，输出分类结果。

2.根据权利要求1所述的文本分类方法，其特征在于，所述分类器为SVM分类器、朴素贝叶斯分类器、K最近邻分类器或决策树分类器。

3.根据权利要求1所述的文本分类方法，其特征在于，所述类相关度分值的计算公式为：式中，score₁(t_i,C_j)为特征词t_i与类别簇C_j之间的类相关度分值，i和j为标号，m为类别簇的总数，n为待分类文本的总数。

4.根据权利要求1所述的文本分类方法，其特征在于，所述类区分度分值的计算公式为：式中，score₂(t_i,C_j)为特征词t_i与类别簇C_j之间的类区分度分值，i、j和k为标号，m为类别簇的总数。

5.根据权利要求1所述的文本分类方法，其特征在于，所述从经过重新排序的各类别簇中分别选取特征子集这一步骤，所用的公式为：

式中，F_j为从第j个类别簇选取出的特征子集，N(C_j)为类别簇C_j的大小，N为训练集的大小，j为标号，m为类别簇的总数，d为文本表示向量的维数。

6.根据权利要求5所述的文本分类方法，其特征在于，所述F_j的大小与N(C_j)成正比例关系。

7.一种基于类感知特征选择框架的文本分类系统，其特征在于，包括：

预处理模块，用于对多个类别簇进行预处理，得到特征词集合；所述类别簇包含多个同类别的词语，所述多个类别簇用于组成训练集，所述训练集用于对分类器进行训练；

分值计算模块，用于分别计算特征词集合中的各特征词与各类别簇之间的类相关度分值和类区分度分值；

特征词分配模块，用于分别将特征词集合中的各特征词分配给具有相应最高类相关度分值的类别簇；

第一重排序模块，用于根据各类别簇与分配到的特征词之间的类区分度分值，分别对各类别簇内的词语进行重新排序；

特征子集选取模块，用于从经过重新排序的各类别簇中分别选取特征子集；选取到的全部所述特征子集用于组成总特征集合；

第二重排序模块，用于根据各特征子集与各自相应的特征词之间的类相关度分值，对所述总特征集合内的各特征子集进行重新排序，从而得到最终特征集合；

向量表示模块，用于将所述最终特征集合中的元素作为基底，对待分类文本进行向量表示；

分类器模块，用于将向量表示后的待分类文本输入到分类器中，输出分类结果。