文本分类（二）特征权重量化器（文档转向量表示）

上一节做了分词器的实现，并实现了Simple、Standar、Cn、ICTCLAS几个分词算法。本节实现文档转向量表示，并命名为特征权重量化器，特征权重量化器我只实现1个算法----TFIDF算法。

项目类图如下：

 

 

测试程序如下：

 

 1namespace Waemz.ChnGlobal.Test
 2{
 3    class Program
 4    {
 5        static void Main(string[] args)
 6        {
 7            string[] docs = new string[5];
 8            docs[0] = "SimpleSpliter的分词方法是以空格、或标点分词，并去掉了标点";
 9            docs[1] = "StandarSpliter的粉刺方法是中文单字分词，英文以空格分词，并去掉了标点";
10            docs[2] = "CnSpliter的分词方法是中文单字分词，对单个无意义的英文字母直接去掉了；-_-!";
11            docs[3] = "ICTCLAS的分词方法比较适合使用，对“我们“、”是“这样的无意义中文进行了过滤，中文分词效果也比较理想。";
12            docs[4] = "我自己简易封装了一个分词器，使用Lucene.Net.类图如下";
13
14            string[][] terms = new string[5][];
15
16            AbsChnSpliter spliter = new ICTCLASSpliter();
17            for (int i = 0; i < 5; i++)
18            {
19                string str = spliter.ChnSplit(docs[i], "|");
20                terms[i] = str.Split('|');
21            }
22
23            AbsMeasure mea = new TFIDFMeasure(terms);
24
25            double[][] vectors = new double[5][];
26            for (int i = 0; i < 5; i++)
27            {
28                vectors[i] = mea.GetVectorMeasure(i);
29            }
30
31            for (int i = 0; i < vectors.Length; i++)
32            {
33                for (int j = 0; j < vectors[i].Length; j++)
34                {
35                    Console.Write(vectors[i][j]+"--");
36                }
37                Console.WriteLine("////////////////////////\n\n");
38            }
39
40            Console.ReadKey();
41
42            
43
44        }
45    }
46}

 

 

测试结果输出如下：

需要完善的地方：

1、根据TFIDF计算出的向量表示维数很高，一般维数等于所有样本中消去重复词后词的数目，下一步进行降维。降维我现有的思路是：(1)事先进行特征选取(特征选取方法有信息增益、卡方检验)，然后再用TFIDF进行特征提取；(2)计算出TFIDF后进行降维。(3)在分词阶段对停用词、标点符号等特殊字符的有效过滤也实际上起到降维的作用，而实际上标点符号对文档来说是没有作用的。(4)在文本分类中，还可以事先建立与分类相关的专业词汇库，特征提取时与词汇库比较，词汇库中不存在的词，认为是对分类没有意义的词。这样进行降维。

稍后贴出代码下载.