[发明专利]一种对文本进行分类的方法及装置

权利要求书

1.一种对文本进行分类的方法，其特征在于，

构建一个类别空间，所述类别空间包括多个坐标轴，每个坐标轴代表一个文本类别；

计算任一训练文本中所包含词项在所述类别空间中的表示向量，获得训练文本集所有词项在所述类别空间中的表示向量；

根据待分类文本所包含的词项及所述词项在所述类别空间中的表示向量，获得待分类文本在所述类别空间中的表示向量；

计算所述待分类文本在所述类别空间中的表示向量与所述类别空间中各个坐标轴对应的基向量的余弦相似度值；

将最大的余弦相似度值所对应的坐标轴所代表的文本类别作为待分类文本的类别。

2.根据权利要求1所述的方法，其特征在于，计算任一训练文本中所包含词项在所述类别空间中的表示向量，获得训练文本集所有词项在所述类别空间中的表示向量的步骤包括：

1)计算词项t_k在类别C_m中的频率TCF_km

TCF_km＝γ_mtcf(t_k，C_m)

其中tcf(t_k，C_m)为词项t_k在文本类别C_m中出现的次数，γ_m为权值，通常取1或 t_k表示词项，k∈{1，...，S}，S表示词典中词项数量，N表示文档集中文档数量，文本类别集合C＝{C_m}，m∈{1，...，M}，文本类别总数为M；

2)计算词项t_k的类别频率CF_k，

CF_k＝包含词项t_k的类别数量，

其中，CF_k记作cf_k；

3)计算词项t_k的逆向类别频率ICF_k

4)计算词项t_k在类别C_m中的权重w_km

5)计算训练文本集所有词项在所述类别空间中的表示向量

其中，w′_k1，w′_k2，...，w′_kM分别代表w_k1，w_k2，...，w_kM经过向量归一化处理后的权重值。

3.根据权利要求1所述的方法，其特征在于，获得待分类文本在所述类别空间中的表示向量的步骤为：

其中，i∈{1，...，N}，n_ki表示词项t_k在文档d_i中出现的次数；S表示词典中词项数量；M为文本类别总数，w’_km为对权重w_km进行归一化处理后的权重值，x_il为文本在空间中对应坐标轴所对应类型的权重值。

4.根据权利要求1所述的方法，其特征在于，计算余弦相似度值的步骤包括：

1)计算类别空间中轴上的基向量： 

e_m＝(c_m1，c_m2，...，c_mM)，其中m∈{1，...，M}，i∈{1，...，M}

其中，e_m为类别空间中的轴，C_m为文本类别，M为文本类别总数；

2)计算余弦相似度值

l∈{1，...，M}

其中，CosSim(C_m，d_i)为余弦相似度值，M为文本类别总数，C_m为类别空间中轴，x_il为文本在空间中对应坐标轴所对应类型的权重值。

5.根据权利要求1所述的方法，其特征在于，如果待分类文本为非词频统计特征数据，在设置待分类数据集中一个文本在文档集合中的表示模型之前，所述方法还包括：

对待分类数据集V_i＝(v_il，...，v_iL)进行离散化处理和数据区间变换处理。