晋百川，杨鸿波，胡大胆

（北京信息科技大学自动化学院，北京 100192）

0 引言

互联网的快速发展带动电商与线上教育平台融合，随之而来的是大量的商品评价和课程评价的文本信息。企业关注的是对大量评价文本信息快速处理，精准地将差评分为一类，再根据差评提取出的关键词确定企业问题所在，据此快速改进问题，弥补损失。

文本信息处理研究较多，如文献［1-5］针对KNN 算法提出了一种基于密度的样本选择算法，对文本特征进行处理，取得较好的分类效果；文献［6-8］结合文本相似度和NaveBayes 方法，提出了新的类别区分词特征选择方法；文献［9-11］提出了一种基于LDA 模型的文本分类算法，对传统的特征降维方法进行改进。以上方法对数据集要求很高，对评价日常文本内容表现欠佳。文献［12-16］采用改进的KNN 算法对短文本内容进行分类，但分类效率还有待提高；文献［17-19］使用改进的CNN 网络，在提高文本分类精度方面效果显著，但在文本处理方面还有一定不足。

以上方法均为在评价文本数据方面进行细致分类与分析。本文使用数据可视化分析方法对特征进行重点关联分析，采用jieba 分词和停用词的处理方法对文本数据进行词向量表示，使用PCA（主成分分析）进行特征降维，采用XGBoost 来训练评价文本分类模型，使用交叉验证方法选取模型的最优参数，对评价文本内容进行快速有效分类。

1 数据预处理

数据中存在一定的错误、缺失和一些劣质数据，劣质数据往往会直接导致模型效果不佳，甚至对模型精准率造成很大影响，所以在建模之前需要对数据集进行预处理。……