| 主权项 |
一种基于指导的文本特征加权方法，其特征在于：进行文本特征提取后得到a，b，c，d四类文档数，分别代表如下：a表示含词项t且属于正例的文档数；b表示不含词项t但属于正例的文档数；c表示含词项t但不属于正例的文档数；d表示不含词项t且不属于正例的文档数；a，b，c，d的总和为N，即总文档数；所述文本特征加权公式如下： <mrow> <mi>ridf</mi> <mo>=</mo> <msub> <mi>log</mi> <mn>2</mn> </msub> <mo>=</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>+</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mi>a</mi> <mrow> <mi>max</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>,</mo> <mi>c</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>)</mo> </mrow> <mi>K</mi> </msup> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>其中K表示为： <mrow> <mi>K</mi> <mo>=</mo> <mfenced open='{' close=''> <mtable> <mtr> <mtd> <msup> <mrow> <mo>(</mo> <mfrac> <mi>N</mi> <mrow> <mi>a</mi> <mo>+</mo> <mi>c</mi> </mrow> </mfrac> <mo>)</mo> </mrow> <mfrac> <mrow> <mi>a</mi> <mo>-</mo> <mi>c</mi> </mrow> <mrow> <mo>|</mo> <mi>a</mi> <mo>-</mo> <mi>c</mi> <mo>|</mo> </mrow> </mfrac> </msup> </mtd> <mtd> <mrow> <mo>(</mo> <mi>a</mi> <mo>≠</mo> <mi>c</mi> <mo>)</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mfrac> <mi>N</mi> <mrow> <mi>a</mi> <mo>+</mo> <mi>c</mi> </mrow> </mfrac> </mtd> <mtd> <mrow> <mo>(</mo> <mi>a</mi> <mo>=</mo> <mi>c</mi> <mo>)</mo> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>其中，ridf为相关反文档频率加权方法，与词频结合进行特征加权，该公式表示了一个文本在总体文本之间以及各个类别文本之间的重要程度。 |
