有导文本分类是指在给定分类体系下,通过对训练语料的学习,抽取出某些特征,对每个类别建立特征向量以表示该类,对每一个新的文本,如果它的特征和某个类别文本的特征量大程度地匹配,计算机就自动确定它属于这个类别.特征基贩抽取和特征之间的距离的定义,是文本自动分类研究的重点.目前很多文本分类系统均是按领域对文本进行分类,该文的分类系统是按语体对文本进行分类.这种分类研究对于统计语言模型的训练具有重要意义.文本按语体分类采用的基本方法仍然是在按领域分类方面采用的基本方法--向量空间模型方法,但文本按语体分类与按领域分类是有区别的,对文本按领域分类实持由是在内容上的分类,而按语体分类实质上是在形式上的分类,该文讨论了它们在解决方法上的区别.在该研究中以字、词、词的二元接续关系、人名及地名用字特征作为文本的表示特征,经过特征项的粗选取和细选取两上过程确定特征项集,实现了特征项目的自动筛选.以夹角余弦距离方法和绝对值距离方法作为向量距离的表示方法,并比较了文本自动分类的实验情况.该文实现了以字作为特征的两层分类方法.两层分类方法是将一个多类别分类问题转化为两个简单的分类问题来解决.它不是试图用一种算法,一个决策规划去把多个类别一次分开,而是采用分级的形式,使分类问题逐步得到解决.