近年来,随着信息技术的飞速发展,如今的网络用户不仅仅是信息的消费者,更是信息的生产者。网络上充斥着大量以文本形式存在且杂乱无章的信息,面对海量数据,用户很难从中发掘出对自己有价值的信息。文本分类是解决这一问题的关键技术,能够高效地组织和管理网络上的文本数据。但目前的文本分类技术存在特征子集精度低而维度高、分类效率低等问题,为有效解决上述问题,本文主要从以下两方面进行改进研究:1.针对传统特征选择方法得到的特征子集精度不高的问题,提出一种基于信息增益和萤火虫算法的文本特征选择模型。首先采用信息增益选取所有特征词中信息增益值较大的词组成特征预选集合,然后利用萤火虫算法的较强寻优能力在该集合上搜索更优的特征子集。为改善萤火虫算法收敛速度慢和易陷入局部最优的问题,引入动态更新的步长因子。在算法搜索初期,步长相对较大,能够进行良好的全局搜索;在后期,步长随着迭代次数的增加而逐渐减小,能保证算法局部搜索性能较好并快速到达最优解。实验结果表明,改进后的萤火虫算法结合信息增益选择的特征子集精度比原始萤火虫算法和信息增益更高,该特征选择模型可以有效提升文本分类的准确率。2.针对K近邻算法在面临训练样本数量较多时分类效率低的问题,提出一种基于聚类和中心向量的快速K近邻分类算法。首先采用聚类方法对每个类别的训练文本聚成簇,然后将各类别的文本划分为类内区域和类边界区域并计算中心向量,根据类内区域的所有文本向量和中心向量得到类内平均距离。在对待测文本分类时,根据它离中心向量的距离和类内平均距离判断能否快速做出决策,若不能则计算待测文本离各簇心的距离,由距离较近的簇中所有文本组成训练样本子集,最后在该子集上利用K近邻算法做分类决策。实验结果表明,改进后算法的各项分类性能指标与传统K近邻算法相近,但分类耗时显著减少,可有效提升文本分类效率。