一种按照关键字进行分类的文本分类算法

　　一种按照关键字进行分类的文本分类算法

　　这样我们可以得出这个算法的重点：

　　1.提取关键字

　　如何手动提取关键字呢？我们晓得IDF值在一定程度上可以抒发一个词的重要程度，像“我的”，“你的”这样的关键字肯定没法判定出文章的类别，他们的IDF值也是较低的。而“AK47”，“火箭炮”这样的关键字可以判别出文章类别，他们的IDF也比通常的词要高。所以，我们只须要选择IDF低于一定值的词，就可以提取出绝大多数关键字了。

　　2.关键字分类

　　识别关键字的类别也是一个大问题，如果手工辨识是不现实的，网上也没有哪些算法是进行关键字分类的。想来想去，最后还是用IDF值把这个问题给解决了。其实思路很简单，可以说是前面一个问题的一种延续。假设现今我们有军事，经济，人文的文本各100篇。将经济，人文的文章复制4次，这样，我们就有军事文本100篇，经济，人文的文本各500篇（注意，经济人文的文章都是有重复的，每篇文章存在4个完全相同的副本）。

　　然后我们估算这种文章的IDF值，想想会出现哪些结果？我们晓得IDF的估算公式是log(总文章数/出现次数)。假设关键字“AK47”在没进行处理之前，在10篇文章中出现，那么它的值为log(300/10)=log30=1.47.

　　处理以后，“AK47”出现的次数不变，但是总文章数早已变为1100篇，那么AK47的IDF值为：log(1100/10)=log110=2.04。我们可以看见，经过这样的处理，军事的关键字都得到了加权，但是经济，文化的关键字的IDF值变化太小。这样，我们就才能把军事的关键字同其他的关键字分辨开来。

　　我做的实验中，分出的关键字起码80%是军事类别的，实际的反例就不贴下来了。有的同学都会问了，那你是怎样进行文本分类的？难道也是手工分？

　　嘿嘿，这个其实不是了。分好类的文本来自于搜狗实验室（）。上面的类别也只有几种，如果要做其他类别的样本，只要用爬虫抓取某个专业网站或者某一类新闻，然后进行剖析出正文就OK了。我们的目标是尽量偷懒，呵呵。

　　解决了这两个困局，再回到算法本身来。首先，提取关键字，使得要比较的词句大大降低（我只提取15%~20%的关键字）。一篇1000字的文章词语也就这么300~400个，也就是说和一个类别比较50个关键字左右就可以判定下来了，也就是50次的hashmapping操作。然后，有几个类别就做几次判定，所以算法复杂度是O（m*n）。一般分成十几个类别早已太细了，整个算法复杂度不会很高。但是这个实验我没能做就申请辞职了，伤心啊，我的心血都没了，如果之后有时间再实验下吧。