摘要：改进TFIDF，提出相似度因子，提高了文本分类准确率。

参考文献：[1]但唐朋,许天成,张姝涵.基于改进TF-IDF特征的中文文本分类系统[J].计算机与数字工程,2020,48(03):556-560.

   😮 最近看了许多有关机器学习的文本分类改进，有一部分论文写的非常差劲，文不知所以，论文中的公式站不住脚，根本无法代码实现，一度使我怀疑是不是自己出了问题。现在已经往基于深度学习的文本分类上转了。

一、引言

  采用 one-hot模型进行文本向量化操作，并利用TF-IDF策略进行向量维度的权重计算。其后对传统TF-IDF策略进行改进并联合基于SVM模型机器学习算法完成自动化文本分类系统的设计。

二、基础算法

2.1、TF-IDF算法【词频-逆文档频】

  可以参考上一篇博客【文本分类】基于类信息的TF-IDF权重分析与改进。

2.2、改进算法

  传统的TF-IDF算法忽略了相似词对文本分类的影响。[例如，经过训练得到特征词"自然语言处理"对标签"文本分类"有很大贡献度,那么"NLP"作为与"自然语言处理"在某种关系R下的相似词，也应该对标签"文本分类"有很大贡献度]。

 论文提出了对于两个特征词x、y，计算它们的相似度的方法：

其中x、y的shape为(1,n)，n为数据集中文本数量。x[i]的含义是特征词x在第i篇文档的频数。

  得到每个特征之间的相似度关系之后，计算相似度因子：

其中，P表示特征词t在某一个文本d中的频数，Q表示在文本d中与特征词t相似的各个特征的频数和，U是文本d中所有特征的频数和。

  最终，改进的TFIDF的公式为：

三、代码实验

3.1、实验思路

  改进TFIDF算法中存在的参数为：【特征维数，相似度大小】

  通过调整实验参数，来观察改进TFIDF算法与普通TFIDF算法文本分类准确率之差。

3.2、数据集

  数据来源于 https://github.com/cystanford/text_classification 。数据集共包含四个类别，分别为“女性”，“体育”，“文学”，“校园”，原始数据集已经划分了测试集和训练集，并给出了停用词文档。

3.3、实验结果

  5折交叉检验：