王 振，邱晓晖

(南京邮电大学 通信与信息技术学院，江苏 南京 210003)

0 引 言

随着信息技术的迅猛发展，网络上的数据呈现爆炸式的增长，而其中以文本数据居多。如何对众多的文本进行快速分类，成为了研究的热点，文本分类也由此产生并不断发展。文本分类是在给定类别的情况下，根据文本的内容，将其自动划分到一个或者几个预先给定的类别中[1]。文本分类主要由分词、预处理、特征选择、特性降维、分类算法、分类性能评估等几个步骤构成[2]。在构建特征向量时，如何降低向量的维数一直是需要解决的问题。因为一般大小的数据集经过提取就有上万个特征，大一点的数据集甚至能达到上百万个特征，这么高的维数不仅对计算产生了很大的负担，而且很多特征对分类而言都是无用的，还会降低分类的准确度。因此，可以通过特征选择方法，降低特征向量的维数，减少分类算法的运行时间，从而最终提高分类准确度。一直以来，特征选择问题都是研究的重点问题[3-5]。

目前，文本分类中常用的特征选择算法有文档频数(document frequency,DF)、卡方统计量(CHI-square statistic,CHI)、信息增益(information gain,IG)、互信息(mutual information,MI)、期望交叉熵(expected cross entropy,ECE)、文本证据权(weight of evidence for text,WET)等。美国卡内基梅隆大学的Yang教授对以上几种特征选择方法进行比较分析发现，CHI和IG方法的分类效果相对较好，但CHI方法相比IG方法的分类准确度更高[6]。因此，针对CHI的优缺点进行深入研究，探索该模型的改进途径对提高文本的分类准确度具有重要意义。近年来，很多研究者都对CHI进行了研究改进[7-9]。……