据统计,互联网上在线发布的网页早已达到亿数量级,并以每天百万页的速度在增长。用户在需要克服语言障碍的同时,如何准确地在Internet这样一个开放式的数据库中找到相关信息,变得越来越困难。因此,利用计算机对大量的多语言文本信息进行自动分类和检索已经变得尤为的重要。在大规模文本处理中,分类主要用于文本的组织,尤其对于海量的文本信息资源。利用分类将相关的文本组织在一起,便于文本处理和发现新颖有效的知识模式。现如今网络上各种语言的网页资源都非常丰富,跨语言的文本分类的出现使得人们可以更好的共享因特网上的多语言的信息资源。随着网络资源多语化趋势的加快,跨语言文本分类技术得到不断的发展。目前,跨语言研究主要有基于文献翻译、基于双语辞典和基于语料库等方法[1]。文献翻译的方法所需处理时间长,计算量较大,加重了计算负荷和时间花销。另外,机器翻译的水平仍然较低,正确率还有待于提高,不能令人满意。目前大多数研究都是基于双语辞典和译词选择方法[2]。而基于语料库的方法是从大规模语料库入手,从中抽取需要的信息,自动构建与应用相关的翻译技术[3],这样就能解决翻译歧义、辞典覆盖度不够的问题。所以基于语料库的潜在语义标引方法引入到了跨语言分类中[6]。结果有较大提高,但需构造跨语言的词间相似度矩阵,算法的空间和时间复杂度较大。本文采用基于语料库的方法,应用统计学相关理论[7][8],研究基于潜在语义对偶空间的跨语言文本分类模型。运用偏最小二乘方法对文档的特征矩阵提取潜在语义对,由此构建语义层面的对偶空间,将有类标信息的语料库投影到此空间,以训练分类器。该方法避免了由翻译带来的歧义性等问题,而利用同一种概念来表达多语言的文档,达到消除语言障碍的目的。实验中通过改变训练集样本大小及语言构成来验证模型的分类性能。实验结果表明,基于潜在语义对偶空间的跨语言文本分类具有良好的稳定性和准确度。