本论文先是从机器学习、模式识别、数据挖掘等领域讨论文本分类的应用,研究了文本分类和这些领域之间的联系。然后,详细地介绍了文本分类的各个步骤,包括特征提取和文本分类方面的经典算法以及我们的研究中出现的算法。最后,我们提出了ε-KLD分类算法、基于Lee模型的贝叶斯分类和TFIDF分类,比较了它们的试验性能和优缺点。 新的文本分类算法ε-KLD相对于KLD,它简化了类和文档的特征向量的计算,去掉了过多的参数以及ε的约束条件。它在处理大规模的文档和高维特征空间上的分类精度与KLD相当,比TFIDF要好。同时,计算量比KLD小,运行速度较快,克服了两者的缺点,取得了良好的性能。 我们在Lee模型的基础上将数学期望引入了影响度计算公式,消除影响度在正类和反类训练数据集上的倾斜性,试验结果也表明了改进(或调整)的必要性。随后我们对测试文档的部分读策略进行了研究,其中随机读并没有表现出比全读更好的性能,而启发式的读取策略,却表现了非常高的分类精度。将Lee模型的思想运用于Naive Bayes(NB)分类和TFIDF分类,比较了影响度和TF-IDF两种不同的文档表示方法对分类精度的影响。结果表明,Lee模型的部分读取思想能显著地提高算法的分类精度,影响度的文档表示方法比TF-IDF更好一些。