刘 云 肖 雪 黄荣乘

（昆明理工大学信息工程与自动化学院 昆明 650500）

1 引言

随着互联网技术的发展，大量电子文档出现日常生活中，文本分类技术［1～3］越来越重要。在文本分类过程中，文档的每个词都被看作一个特征。一个文档常具有数以万计个特征，由于这些特征大多数都是不相关或多余的，因此在分类过程中，这不仅增加了分类的计算复杂度，而且大量特征可能会对分类准确性产生负面影响。为了提高分类性能，有必要进行特征选择［4～5］，通常利用卡方统计（CHI）［6～7］、信息增益（IG）［8～9］等特征评估函数来选取出重要特征以保留具有最大歧义的特征。

Baykan等提出了基于信息增益和粒子群优化的特征选择算法［10］，该算法通过选择文档中特征的词根，创建特征向量空间，删除了使用频率较低的特征，然后基于粒子群优化算法对特征进行选择后，使用信息增益特征的重要性的降序排列。El⁃berrichi等提出了基于遗传算法的特征选择方法［11］，该算法使用遗传算法选择具有较高适应度值的特征，找到具有最小维数的特征子集，使的分类性能最大化。

本文提出了一种类别依赖特征选择算法（CD），首先通过给定的训练集，基于卡方统计量计算出每个特征的特征评估值（FEF），根据所有特征的FEF值计算出每个训练文档的关联值（DR），然后由这些已知类别的训练文档的DR值，计算出这个类别的阈值CT，并挑选出DR值大于其类别阈值CT的所有同类训练文档，最后在同一类别下的训练文档中根据特征评估函数，每个训练文档都计算出一个具有最大FEF值的特征，挑选出每个训练文档中具有最大FEF值的特征构成了该类的特征向量FS。……