文本分类综述 王斌

对常用的文本算法进行了总结,介绍了算法的基本原理以及优缺点,适合新手阅读也适合老司机查漏补缺。发现不足欢迎交流。

加载Gutenberg语料库； 过滤停用词； 构建词袋模型：一篇文档是有其中的词构成的一个集合（袋子）； 词频分析：NLTK中的FreqDist类可以将单词封装成字典。 分类器部分代码见《Python

vc编写的文本分类源代码

这是SVM文本分类程序源码，既有java版本，也有C++版本。

只要您按照文本分类程序中readme文本分类的主要流程.txt 的说明一步一步完成的话，就可以进行文本分类

该工具包包含了完整的文本分类流程，涉及分词、特征处理、模型训练、未知样本分类等，是初级文本分类必备工具包

基于朴素贝叶斯的文本分类，结合了TF-IDF算法和textrank算法

简单的文本预处理程序，将输入文档去掉数字（不包含字母的字符串），去掉停用词，去掉标点符号，生成基本可用的词库（保留下的基本都是有意义的特征）。便于之后用支持向量机或者决策树等进行文本分类处理等。

贝叶斯文本分类器

基于SVM的Web文本分类，对短文本以及社交网络文本分类效果不错，推荐该学习资料。