[发明专利]一种计算机中文文本分类方法

权利要求书

1.一种计算机中文文本分类方法，其特征在于，包括以下步骤：

步骤一，使用N-gram方法处理中文文本：使用N-gram的方法把中文文本的表示为一个由一组特征组成的特征向量；

步骤二，使用词频逆向文件频率法为特征向量中每一个特征赋予一个权重；

步骤三，利用L1-正则化逻辑回归分类器模型为中文文本分类。

2.根据权利要求1中所述的方法，其特征在于，步骤一包括以下步骤：

对于中文文本d＝c₁，c₂，…c_j…，c_k，其中c_j为中文文本d中的第j个字，j＝1,2，…k，k表示中文文本d的总字数，用N-gram的方法把中文文本d的表示为一个由一组特征组成的特征向量，表示为：

(c₁，c₂，…，c_k，

c₁c₂，c₂c₃，…，c_k-1c_k，…，

c₁c₂…c_n，c₂c₃…c_n+1，…，c_k-n+1c_k-n+2…c_k)，

其中，特征向量中的每一维表示一个特征s，参数n取值范围为1～k。

3.根据权利要求2所述的方法，其特征在于，步骤二包括以下步骤：

根据词频逆向文件频率的计算公式计算特征向量中特征的权重：

wij=ni,jΣtnt,j×log|D||{j:si∈dj}|,]]>

其中n_i,j是第i个特征s_i在第j个中文文本d_j中出现的次数，|D|表示中文文本的总个数，w_ij是第i个特征在第j个中文文本中的权重；

根据每一个中文文本的所有特征的权重，把一个中文文本d_j表示成如下向量形式：

x_j＝(w_1,j，w_2,j，…，w_m,j)，

m表示训练数据集中所有中文文本的特征总数。