基于分词与BP网络的文本分类 首先下载整个文件，BP文本分类-语义特征提取.rar主要存放了相关的数据集 代码主要包括： 1.特征提取 首先对文本信息进行分词处理，采用基于字符串匹配的方法： 依次截取一到多个词，并与字典库进行匹配。如二狗，如果匹配到字典中有这个词，则将其分为一个词；发现字典中没有与之匹配的，则说明这个不是一个词语，进行顺序操作， 2.得到分词后的文本之后，就是转换成数字编码，因此电脑没办法识别汉字。这一部分叫特征表示，即用数字的方式表示中文文本，采用的方法是基于词带模型的特征表示 3.通过2我们将文本表示成了数字，但是这样的表示通常都是稀疏的，为此我们利用降维方法，消除掉这些冗余特征。 4. 文本分类，采用的就是bp网络（1）如pca的降维数，维数过高，包含冗余数据，过低又会删除掉重要信息。（2）bp网络结构的调整，如隐含层节点数，学习率等

资源包含文件：课程论文报告word和PDF两个版本+源码及数据 本项目为一个Hadoop课程设计，使用Java语言和map/reduce实现贝叶斯文本分类器。项目的具体内容如下：1：用MapReduce算法实现贝叶斯分类器的训练过程，并输出训练模型； 2：用输出的模型对测试集文档进行分类测试。测试过程可基于单机Java程序，也可以是MapReduce程序。输出每个测试文档的分类结果； 3：利用测试文档的真实类别，计算分类模型的Precision，Recall和F1值。 详细介绍参考：https://blog.csdn.net/newlw/article/details/124984567

TextRecommended TF-IDF SVM文本分类实现 实现了三个分词接口 IK Jeseg Stanford 还是觉得Jeseg最好，自定义的空间也大 特征选取是用CHI2 语料库是搜狗

面向语义的文本分类是指在给定的分类体系下，根据文本的内容自动识别文本类别的过程。是一种基于朴素贝叶斯算法的分类技术应用与中文短文本分类。

贝叶斯文本分类器

这是一个 C++ 的朴素贝叶斯文本分类器库，可以对文本中的垃圾邮件、基因、情感类型进行分类。 自 1950 年代以来，朴素贝叶斯已被广泛研究。 它在 1960 年代初期以不同的名称引入文本检索社区，并且仍然是文本分类的流行（基线）方法，判断文档属于一个类别或另一个类别的问题（例如垃圾邮件或合法，体育或政治等）以词频为特征。 通过适当的预处理，它在该领域具有竞争力，包括支持向量机在内的更先进的方法。它还在自动医疗诊断中得到应用。

简单的贝叶斯文本分类器，用java编写，并且有数据挖掘的实验报告

基于模糊聚类的文本分类器.pdf

使用朴素贝叶斯对newsgroup文档分类的Python实现

本文来自于machinelearnings。文章主要引用需要的库，提供训练集，整理数据，迭代：编写代码+测试预测结果+调整模型,抽象,等方面介绍的。理解聊天机器人的工作原理是非常重要的。聊天机器人内部一个非常重要的组件就是文本分类器。我们看一下文本分类器的神经网络（ANN）的内部工作原理。多层神经网络我们将会使用2层网络（1个隐层）和一个“词包”的方法来组织我们的训练数据。文本分类有3个特点：模式匹配、算法、神经网络。虽然使用多项朴素贝叶斯算法的方法非常有效，但是它有3个致命的缺陷：这个算法输出一个分数而不是一个概率。我们可以使用概率来忽略特定阈值以下的预测结果。这类似于忽略收音机中的噪声。这